基于支持向量域描述的多故障诊断动态模型

张庆 1; 徐光华 1; 王晶 1; 2; 梁霖 1; 2

您当前的位置：

首页 >

文章列表页 >

基于支持向量域描述的多故障诊断动态模型

专题研究 | 更新时间：2025-12-08

- 基于支持向量域描述的多故障诊断动态模型
- Dynamic Multi-Fault Diagnosis Model Based on Support Vector Domain Description
- 西安交通大学学报 2007年41卷第5期页码：593-597
- 作者机构：
  
  1. 西安交通大学机械工程学院,西安,710049
  2. 西安交通大学机械制造系统工程国家重点实验室,西安,710049
- 作者简介：
- 基金信息：
  
  : 2006-09-20. 作者简介: 张庆(1976～),男,博士生;徐光华(联系人),男,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(50335030);国家发改委工业自动化高技术产业化专项资助项目(2004-2080-20)
- DOI：
  中图分类号： TH165.3
- 网络首发：2007-05-10，
  
  纸质出版：2007
- 稿件说明：
移动端阅览
张庆 1, 徐光华 1, 王晶 1, 等. 基于支持向量域描述的多故障诊断动态模型[J]. 西安交通大学学报, 2007,41(5):593-597.

张庆 1, 徐光华 1, 王晶 1, et al. Dynamic Multi-Fault Diagnosis Model Based on Support Vector Domain Description[J]. 2007, 41(5): 593-597.
张庆 1, 徐光华 1, 王晶 1, 等. 基于支持向量域描述的多故障诊断动态模型[J]. 西安交通大学学报, 2007,41(5):593-597. DOI：

张庆 1, 徐光华 1, 王晶 1, et al. Dynamic Multi-Fault Diagnosis Model Based on Support Vector Domain Description[J]. 2007, 41(5): 593-597. DOI：

摘要

为了提高多故障诊断中对新故障类别和新故障数据的适应性

提出了一种新的多故障诊断动态模型.该模型采用支持向量域描述算法(SVDD)对多类故障进行单独训练

建立独立而封闭的特征空间

满足故障类别的动态增加需要

并采用样本与各特征空间的相对距离进行了多故障的混合识别.应用在线SVDD算法

在已有的故障特征分布信息基础上

通过更新操作

学习新数据信息

从而实现了故障模式的动态调整.通过仿真和机械故障实例数据的检验

表明该模型能够动态地提取多类故障的特征信息

改善诊断学习过程的适应性.

Abstract

To improve the adaptability of multi-fault diagnosis

a novel dynamic diagnosis model is proposed

which includes two main techniques: independent training and online adjusting for multi-fault modes. The data of every fault class are trained by support vector domain description(SVDD)to obtain the optimal enclosing feature spaces. Due to the independence of these distribution spaces

new classes can be generated facilely. The relative distances between fault data and the distribution spaces decide which class they belong to. Moreover

an online SVDD algorithm is developed to update the feature space

and the distribution information of new data is appended to the existing feature space timely. And the simulated and practical data are analyzed to verify the effectiveness of the model for dynamic multi-fault diagnosis.

关键词

Keywords

references

徐敏.设备故障诊断手册[M].西安:西安交通大学出版社, 1998: 30-44.

John S T, Nello C. 模式分析的核方法[M]. 赵玲玲, 苏明, 曾华军,译. 北京:机械工业出版社, 2006: 126-163.

Tax D M J, Duin R P W. Support vector domain description[J]. Pattern Recognition Letters, 1999, 20(11-13):1191-1199.

李凌均,张周锁,何正嘉.基于支持向量数据描述的机械故障诊断研究[J]. 西安交通大学学报,2003,37(9):910-913.

Li Lingjun, Zhang Zhousuo, He Zhengjia. Research of mechanical system fault diagnosis based on support vector data description[J]. Journal of Xi'an Jiaotong University, 2003,37(9):910-913.

Lau K W, Wu Q H. Online training of support vector classifier[J]. Pattern Recognition, 2003,36(8):1913-1920.

Lin Chih-Jen. On the convergence of the decomposition method for support vector machines[J]. IEEE Transactions on Neural Networks, 2001,12(6):1288-1298.

于达仁,胡清华,鲍文.融合粗糙集和模糊聚类的连续数据知识发现[J].中国电机工程学报,2004,24(6):205-210.

Yu Daren, Hu Qinghua, Bao Wen. Combining rough set methodology and fuzzy clustering for knowledge discovery from quantitative data[J]. Proceedings of the Chinese Society for Electrical Engineering, 2004,4(6):205-210.

Shen Lixiang, Francis E H, Qu Liangsheng, et al. Fault diagnosis using rough sets theory[J].Computers in Industry, 2000,43(1):61-72.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

支持向量域多分类器

超临界水异常区域热力学特性研究

EBSILON软件在热电联产系统优化中的应用综述

水蒸气掺混对氨裂解气旋流燃烧与排放特性的影响研究

电子级超纯氮深冷空分流程节能优化研究