为了在微弱故障征兆出现时能通过正常状态对异常进行辨识,针对通常动态系统故障状态样本缺乏的单值分类问题,提出混沌分形特征组合及支持向量数据域描述(support vector data description,SVDD)的动态系统振动异常辨识方法。该方法采用...为了在微弱故障征兆出现时能通过正常状态对异常进行辨识,针对通常动态系统故障状态样本缺乏的单值分类问题,提出混沌分形特征组合及支持向量数据域描述(support vector data description,SVDD)的动态系统振动异常辨识方法。该方法采用误诊和漏诊两种分类错误的SVDD接受者操作特征(receiver operating characteristic,ROC)曲线,通过分析振动混沌分形特征,选取最大Lyapunov指数和关联维数的最优组合,进而建立正常状态样本单值SVDD分类器,并对可提高分类精度的试验验证法优选核函数参数进行了探讨。试验及测试表明,SVDD-ROC方法避免了传统特征选取对具体故障类型样本的依赖性,选取的特征组合对正常和故障样本有较好的自聚类性,SVDD方法仅需要正常状态样本就能辨识异常状态,并且对未知故障也有较好的异常辨识能力。该研究可为动态系统异常状态提供建模与检测的理论基础和设计依据,有效预防突发事故,节约维修成本,提高动态系统的利用率,保障其安全运行,有效降低成本。展开更多
针对现有多类支持向量域数据描述(multi-class support data description,M-SVDD)存在的不足和局限性,提出一种拒绝式转导推理多类支持向量域数据描述(rejected transductive inference M-SVDD,RTIM-SVDD)方法,并将该方法应用于机械加...针对现有多类支持向量域数据描述(multi-class support data description,M-SVDD)存在的不足和局限性,提出一种拒绝式转导推理多类支持向量域数据描述(rejected transductive inference M-SVDD,RTIM-SVDD)方法,并将该方法应用于机械加工故障诊断当中。首先,RTIM-SVDD通过训练寻求一个尽可能包含所有数据样本的最小超球体作为拒绝检测面,来整体学习样本知识或数据描述,并以一定的拒绝度判别新的测试样本,达到故障检测的目的;其次,应用分别包含各个类别样本的多个超球体,来判别满足一定拒绝度的样本,实现多分类问题。对于模糊样本点归属判别关键问题,本文采用一种新的转导推理规则来进行决策。最后,通过一个仿真实验进行验证,结果证明了RTIM-SVDD的可行性和有效性。展开更多
文摘针对现有多类支持向量域数据描述(multi-class support data description,M-SVDD)存在的不足和局限性,提出一种拒绝式转导推理多类支持向量域数据描述(rejected transductive inference M-SVDD,RTIM-SVDD)方法,并将该方法应用于机械加工故障诊断当中。首先,RTIM-SVDD通过训练寻求一个尽可能包含所有数据样本的最小超球体作为拒绝检测面,来整体学习样本知识或数据描述,并以一定的拒绝度判别新的测试样本,达到故障检测的目的;其次,应用分别包含各个类别样本的多个超球体,来判别满足一定拒绝度的样本,实现多分类问题。对于模糊样本点归属判别关键问题,本文采用一种新的转导推理规则来进行决策。最后,通过一个仿真实验进行验证,结果证明了RTIM-SVDD的可行性和有效性。
