面向旋转机械的支持向量机故障智能诊断方法及实验研究-机械电子专业毕业论文.docxVIP

IV IV PAGE PAGE VII 目录 摘 要 I Abstract II 缩写与符号 VII 第一章 绪论 1 1.1 课题研究的背景和意义 1 1.2 支持向量机的国内外研究现状 1 1.2.1 支持向量机理论及其应用研究 2 1.2.2 支持向量机在故障智能诊断中的研究 3 1.3 论文研究的主要内容和结构安排 4 1.3.1 主要内容 5 1.3.2 结构安排 5 1.4 本章小结 6 第二章 支持向量机理论基础 7 2.1 引言 7 2.2 机器学习理论 7 2.2.1 机器学习 7 2.2.2 经验风险最小化原则 8 2.2.3 复杂性与推广能力 8 2.3 统计学习理论 8 2.3.1 VC 维 8 2.3.2 推广性的界 9 2.3.3 结构风险最小化 9 2.4 支持向量机 10 2.4.1 线性支持向量机 10 2.4.2 非线性支持向量机 12 2.4.3 核函数 13 2.5 基于支持向量机故障诊断的基本步骤 14 2.6 本章小结 15 第三章 实验设计 16 3.1 引言 16 3.2 实验设计 16 3.2.1 实验设备 16 3.2.2 振动信号的检测 17 3.2.3 典型故障实验设计 18 3.2.4 数据采集系统设计 20 3.3 振动信号故障特征的提取 20 3.3.1 小波包故障特征提取算法 21 3.3.2 故障特征提取算例 23 3.4 本章小结 25 第四章 基于支持向量机的多类分类器研究 26 4.1 引言 26 4.2 多类分类算法 26 4.2.1 常用的多类分类算法 26 4.2.2 基于聚类的二叉树多类 SVM 算法 29 4.3 仿真实验与结果分析 31 4.4 本章小结 32 第五章 故障分类器核函数的参数优化 33 5.1 引言 33 5.2 核函数参数的优化方法 33 5.2.1 常用的参数优化算法 33 5.2.2 核参数模型的建立 34 5.2.3 粒子群优化算法 35 5.3 仿真实验与结果分析 37 5.4 本章小结 39 第六章 支持向量机故障分类器增量学习研究 40 6.1 引言 40 6.2 增量学习算法 40 6.2.1 几种支持向量机增量学习算法 41 6.2.2 支持向量的特点分析 42 6.2.3 增量学习后支持向量的变化分析 43 6.2.4 增量学习算法 44 6.3 实验研究与结果分析 45 6.4 本章小结 47 第七章 总结与展望 48 7.1 论文总结 48 7.2 研究展望 48 参考文献 49 致谢 53 VI VI PAGE PAGE VII 附录 转子实验台部分样本特征向量 55 个人简历、在学期间发表的学术论文与研究成果 55 缩写与符号 缩写 SVM Support Vector Machine ERM Empirical Risk Minimization SLT Statistical Learning Theory SRM Structural Risk Minimization VC 维 Vapnik-Chervonenkis Dimension KKT 条件 Karush-Kuhn-Tucker Conditions(库恩－塔克条件) BP Back Propagation SV Support Vector RBF Gaussian Radial Basis Function 1-vs-r One-versus-Rest 1-vs-1 One-versus-One DDAG Decision Directed Acyclic Graph DDAGSVM SVM based on Decision Directed Acyclic Graph BSVM Binary-class SVM MSVM Multi-class SVM argmax argument of maximization BT-SVM Binary Tree SVM PCA Principal Component Analysis KPCA Kernel Principal Component Analysis 核参数 核函数的参数 符号 x 标量 X 向量 sgn(2) 符号函数 (2,2) 核函数 f(2) 分类决策函数 (2) Lagrange 函数