论文部分内容阅读
随着控制理论、信号处理、人工智能、模式识别等学科技术的发展,故障诊断技术也在不断朝着智能化的方向发展。各国都开展了这方面的研究,并且取得了丰富的研究成果。目前智能故障诊断面临的主要难题是典型故障样本的严重不足以及诊断知识的发现问题,这两者都制约着故障诊断的发展,支持向量机和粗糙集理论为这些问题的解决提供了很好的途径。本文以支持向量机在故障诊断应用中需要解决的关键问题为主线,在基于粗糙集理论的连续属性离散化、故障样本的属性约简、故障分类器模型的建立等方面进行了较为系统、深入的研究。完成的主要内容如下:1.粗糙集理论是一种基于离散数据进行处理的方法,为此提出了一种基于区间数据分布特征的连续属性离散化的方法。该方法在断点的选择上考虑了属性值的出现频率,在区间内的一致性和区间之间的差异性基础上,利用条件信息量作为反馈信息合并区间,使得属性拥有较少的分割点,使规则集合更加简洁。2.提出了一种基于差别矩阵的启发式属性约简算法。该算法在综合考虑了所选择条件属性与决策属性的互信息及条件属性的取值分布情况的基础上,从信息论角度定义了一种新的属性重要性度量参数,并将其作为基于差别矩阵属性约简的启发式信息,获得了比较理想的约简结果。3.一般支持向量机只能解决两分类的问题,但是在实际的情况中往往多数是多值分类的问题。本文对支持向量机的两分类以及多分类算法的实现进行了研究,通过仿真分析比较了不同多分类方法的性能及特点。4.为了提高故障诊断的效率和可靠性,把粗糙集理论和支持向量机相结合,建立了基于粗糙集和支持向量机故障诊断模型,应用于柴油机的故障诊断中,得到了满意的诊断效果。