基于核方法的故障診斷理論及其方法的研究

基于核方法的故障診斷理論及其方法的研究

图书基本信息
出版时间:2010-8
出版社:北京大學
作者:杜京義,候媛彬
页数:196
书名:基于核方法的故障診斷理論及其方法的研究
封面图片
基于核方法的故障診斷理論及其方法的研究
前言
随着现代化大生产的不断发展和科学技术的不断进步,作为主要生产工具的机电设备正朝着大型化、复杂化、高速化和重载化以及结构复杂的机、电、液和计算机一体化方向发展,使生产系统的规模越来越大,结构越来越复杂,性能指标要求越来越高,相互之间的作用和耦合越来越强。由于这些设备是现代连续生产过程中的关键环节,一旦因故障停机,会带来巨大的经济损失和不良的社会影响,因此,关于此类设备的状态监测和故障诊断技术的研究正日益受到高度的重视。从系统分析观点出发,故障诊断可以理解为识别机电设备运行状态的科学,也就是说利用一定的检测方法和监视诊断手段,从所检测的信息特征判别系统的工况状态。因此故障诊断问题,就其实质来说,是一种模式分类问题。诊断对象的高度复杂性是故障诊断的特点,其表现为非线性、时变性普遍存在,机理分析困难。这些都造成了故障诊断技术正向智能化诊断方向发展,强调在概念和处理问题方法上的知识化,因而,一个智能诊断系统的诊断能力也就在极大程度上取决于该系统拥有的知识,特别是有关诊断对象本身的专门知识。当前智能故障诊断中存在的一个突出问题就在于系统拥有的知识量很少,国内外发展的几种智能诊断方法都存在知识获取的瓶颈问题。通常,大型复杂机电设备的故障诊断系统可以获取大量的正常状态样本数据,但所获取的故障特征数据的样本数量则往往极为有限,从而导致故障识别系统中用于训练的样本数据很不完全。然而,Vapnik等针对有限样本下的机器学习问题的研究成果——统计学习理论与支持向量机(SVM),在解决小样本、非线性以及高维模式识别问题中表现出许多优势,为机械故障诊断系统中的此类识别问题提供了一种较好的处理方法。支持向量机的实质其实就是核方法,该方法最终使得研究人员能够高效地分析非线性关系,而这种高效率原来只有线性算法才能够达到。
内容概要
本書的主要內容是基于核的機器學習的理論和方法研究及其應用,正文中所提出的和改進的學習算法屬于基于核的機器學習範疇,且分別屬于監督學習和非監督學習。其中第3、4、5章為非監督學習的單值的支持向量機(SVR)內容;第2章及第6、7章為監督學習的基于最小風險的SVM系統部件故障診斷,基于SVR模型預測以解決整體系統故障診斷;第8章核矩陣的逼近可以作為一種樣本預處理技術,應用于基于核的機器學習算法。本書對主要的方法均給出了理論證明,關鍵的算法配套有開發的程序(見附錄)。    本書可供自動化、信息、測控、機電一體化等學科的研究生選用或參考,並可作為相關專業技術人員的參考書。
作者简介
杜京义,男,1965年12月出生,1987年于西安理工大学毕业获得工学学士学位,l999年于西安理工大学硕士毕业获得工学硕士学位,2007年于西安科技大学毕业获得安全技术与工程博士学位,现为西安科技大学教授,电控学院自动化系主任及国家特色专业——自动化专业带头人,同时兼任陕西省自动化学会副秘书长。主要研究方向为信号处理、智能控制安全技术与工程。发表学术论文40余篇,其中EI收录20余篇,出版专著及教材3部。主持完成多项科研项目,获省厅级科技进步奖3项。侯媛彬:女,1953年11月出生,1977年于西安交通大学本科毕业,1987年于西安科技大学硕士毕业获得工学硕士学位,1997年于西安交通大学博士毕业获得系统工程博士学位.现为西安科技大学教授、博士生导师,电控学院学科主任,兼任陕西省自动化学会教育委员会主任。主要研究方向为智能控制,安全技术与工程。发表学术论文100余篇,其中El收录40余篇,出版专著及教材11部。主持完成省厅级科研项目9项,获省厅级科技进步奖6项。
书籍目录
第1章  核方法及其研究基礎 1.1  核函數的定義 1.2  正則化與表述定理 1.3  幾種核學習機 1.4  核方法研究背景 1.5  故障智能診斷中的機器學習 1.6  核算法與故障診斷 1.7  研究內容第2章  基于最小風險的SVM方法的研究 2.1  引言 2.2  支持向量機 2.3  基于最小風險的SVM研究 2.4  仿真研究 2.5  實驗研究 2.6  本章小結第3章  單值SVM用于故障診斷 3.1  引言 3.2  單值支持向量機 3.3  模型分析及選擇研究 3.4  核函數的參數確定 3.5  基于單值SVM的故障診斷 3.6  本章小結第4章  單值SVM時間滾動式學習算法的研究 4.1  引言 4.2  支持向量特點分析 4.3  時間滾動式學習算法 4.4  液壓泵故障預警系統的設計 4.5  仿真實驗 4.6  本章小結第5章  基于單值SVM的多故障識別 5.1  引言 5.2  幾種常用的多類SVM方法 5.3  基于單值SVM的多值分類 5.4  實驗研究 5.5  本章小結第6章  基于SVR的早期故障預示研究 6.1  引言 6.2  支持向量回歸 6.3  SVR性能分析研究 6.4  基于遺傳算法的SVR參數選擇 6.5  基于SVR的故障預測 6.6  本章小結第7章  混沌背景中微弱信號檢測 7.1  引言 7.2  基于SVR的微弱信號檢測 7.3  仿真實驗 7.4  本章小結第8章  核矩陣的逼近 8.1  引言 8.2  核矩陣的逼近 8.3  貪心算法 8.4  實驗研究 8.5  本章小結第9章  結論與展望 9.1  內容總結 9.2  展望附錄  開發的相關SVM程序參考文獻
章节摘录
插圖︰包括模式識別、人工神經網絡等在內,現有機器學習方法共同的重要理論基礎之一是統計學,傳統統計學所研究的主要是漸進理論,即當樣本數趨向于無窮大時的統計性質。但在故障診斷領域,特征知識的獲取具有一定的約束,樣本的數目往往是有限的,甚至是小樣本的,故障與征兆之間常常呈現出本質非線性。因此,我們希望尋求一種學習方法,能夠在有限的樣本數據下盡可能地發現其中蘊含的知識。強調學習方法具有較強的推廣能力,即對符合某規律,但沒有學習過的樣本也能給出合理的結論,這正是學習機器體現其智能性的最為重要的一個方面。雖然直到目前,人工神經網絡仍是解決非線性問題的一個有力的工具,但它是一種經驗非線性方法,這種方法利用已知樣本建立非線性模型,但當樣本數有限時,即使訓練效果良好的一個算法結構也可能表現出很差的推廣能力,即產生了所謂的“過學習”。Vapnik等人從20世紀60年代開始就致力于統計學習理論的研究,到20世紀90年代中期,隨著其理論的不斷發展和成熟,也由于人工神經網絡等學習方法在理論上缺乏實質性進展,統計學習理論開始受到越來越廣泛的重視。與傳統統計學相比,SLT是一種專門研究小樣本情況下機器學習規律的理論。該理論針對小樣本統計問題建立了一套新的理論體系,在這種體系下的統計推理規則,不僅考慮了對漸近性能的要求,而且追求在現有有限信息的條件下得到最優結果。以支持向量機(SVM)為代表的核算法(機器)‥‥馴是近10年來機器學習領域最有影響力的成果之一,它是基于統計學習理論和核技術建立的。SVM包含4大技術︰ヾ大間隔思想或正則化技術,依據結構風險最小化原則,以獲得較好的推廣能力;ゝ核技術,利用滿足Mercer條件的核函數實現線性算法的非線性化;ゞ凸優化技術,算法最終將轉化成為標準的最優化問題或凸二次規劃,從理論上說,得到的將是全局最優點;々稀疏對偶表示,結果得到可用于訓練點和測試點求解的高效算法。這4大技術中最先得到研究人員青睞的是核技術,這是一種非常有效的設計非線性算法的數學手段。隨後,很多研究人員利用核技術改造經典的線性算法,得到相應的基于核函數的非線性形式,簡稱為核算法或核機器。
编辑推荐
《基于核方法的故障診斷理論及其方法的研究》︰燕園科技學術文庫
下载链接

基于核方法的故障診斷理論及其方法的研究下載

评论与打分
  •     送貨準時,可以看出書的作者編的比較精,很好。幫助很大。同類書中,我認為是不錯的一本,打折後價格也比較低。
  •     不錯,挺好∼
  •     內容很前沿,值得研究此方向的人員一讀