支持向量机的故障诊断研究

摘要：支持向量机的实质是通过对已有数据的自我学习而实现的对未知现实问题的逼近。通过调整自身的所建立的数学模型，来预测现实问题。本次设计时研究支持向量机在故障诊断中的作用问题，设计中本人先是对支持向量机的原理、概念进行了简要概述，之后还做了采用支持向量机做故障诊断和采用专家系统诊断、神经网络诊断以及混合控制系统诊断方案的比较，明确支持向量机的优点和劣势。最后通过设计一个基于支持向量机的故障诊断系统来表述支持向量机在故障诊断中的应用问题。 关键词：支持向量机 故障诊断 研究 课题的研究意义 传统的诊断方法和理论对单过程、单故障和渐发性的故障的简单系统可以发挥较好的作用，对于多过程、多故障和突发新的故障以及复杂庞大、高度自动化的大型设备和系统，就具有较大的局限性。面对诊断所出现的新挑战，智能监控与智能诊断的方法应运而生。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力(或称泛化能力)。 机器学习本质上就是一种对问题真实模型的逼近(我们选择一个我们认为比较好的近似模型，这个近似模型就叫做一个假设)，但真实模型是不知道的。既然真实模型不知道，那么我们选择的假设与问题真实解之间究竟有多大差距，我们就没法得知。这个与问题真实解之间的误差，就叫做风险。我们选择了一个假设之后，真实误差无从得知，但我们可以用某些可以掌握的量来逼近它。最直观的想法就是使用分类器在样本数据上的分类的结果与真实结果之间的差值来表示。这个差值叫做经验风险。以前的机器学习方法都把经验风险最小化作为努力的目标，但后来发现很多分类函数能够在样本集上轻易达到100%的正确率，但是泛化能力很差。此时的情况便是选择了一个足够复杂的分类函数，能够精确的记住每一个样本，但对样本之外的数据一律分类错误。统计学习因此而引入了泛化误差界的概念，就是指真实风险应该由两部分内容刻画，一是经验风险，代表了分类器在给定样本上的误差；二是置信风险，代表了我们在多大程度上可以信任分类器在未知文本上分类的结果。很显然，第二部分是没有办法精确计算的，因此只能给出一个估计的区间，也使得整个误差只能计算上界，而无法计算准确的值。SVM正是这样一种努力最小化结构风险的算法。 　　置信风险与两个量有关，一是样本数量，显然给定的样本数量越大，我们的学习结果越有可能正确，此时置信风险越小；二是分类函数的VC维，显然VC维越大，推广能力越差，置信风险会变大。在故障诊断中，分类器的样本值可以足够大，其VC维矩阵可以适当减小来提高他的推广能力。所以，支持向量机在故障诊断中有比较大的优势，采用支持向量机分析故障是一种很值得研究的课题。