《基於核方法的故障診斷理論及其方法的研究》出版於北京大學出版社
基本介紹
內容簡介,作者簡介,目錄,前言,
內容簡介
《基於核方法的故障診斷理論及其方法的研究》的主要內容是基於核的機器學習的理論和方法研究及其套用，正文中所提出的和改進的學習算法屬於基於核的機器學習範疇，且分別屬於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章為監督學習的基於最小風險的SVM系統部件故障診斷，基於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，套用於基於核的機器學習算法。
《基於核方法的故障診斷理論及其方法的研究》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式（見附錄）。
《基於核方法的故障診斷理論及其方法的研究》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。
作者簡介
杜京義，男，1965年12月出生，1987年於西安理工大學畢業獲得工學學士學位，1999年於西安理工大學碩士畢業獲得工學碩士學位，2007年於西安科技大學畢業獲得安全技術與工程博士學位，現為西安科技大學教授，電控學院自動化系主任及國家特色專業——自動化專業帶頭人，同時兼任陝西省自動化學會副秘書長。主要研究方向為信號處理、智慧型控制安全技術與工程。發表學術論文40餘篇，其中EI收錄20餘篇，出版專著及教材3部。主持完成多項科研項目，獲省廳級科技進步獎3項。
侯媛彬：女，1953年11月出生，1977年於西安交通大學本科畢業，1987年於西安科技大學碩士畢業獲得工學碩士學位，1997年於西安交通大學博士畢業獲得系統工程博士學位.現為西安科技大學教授、博士生導師，電控學院學科主任，兼任陝西省自動化學會教育委員會主任。主要研究方向為智慧型控制，安全技術與工程。發表學術論文100餘篇，其中E1收錄40餘篇，出版專著及教材11部。主持完成省廳級科研項目9項，獲省廳級科技進步獎6項。
目錄
第1章 核方法及其研究基礎
1.1 核函式的定義
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 故障智慧型診斷中的機器學習
1.6 核算法與故障診斷
1.7 研究內容
第2章 基於最小風險的SVM方法的研究
2.1 引言
2.2 支持向量機
2.3 基於最小風險的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用於故障診斷
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 核函式的參數確定
3.5 基於單值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 基於單值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 基於單值SVM的多值分類
5.4 實驗研究
5.5 本章小結
第6章 基於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基於遺傳算法的SVR參數選擇
6.5 基於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 基於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程式
參考文獻
前言
隨著現代化大生產的不斷發展和科學技術的不斷進步，作為主要生產工具的機電設備正朝著大型化、複雜化、高速化和重載化以及結構複雜的機、電、液和計算機一體化方向發展，使生產系統的規模越來越大，結構越來越複雜，性能指標要求越來越高，相互之間的作用和耦合越來越強。由於這些設備是現代連續生產過程中的關鍵環節，一旦因故障停機，會帶來巨大的經濟損失和不良的社會影響，因此，關於此類設備的狀態監測和故障診斷技術的研究正日益受到高度的重視。
從系統分析觀點出發，故障診斷可以理解為識別機電設備運行狀態的科學，也就是說利用一定的檢測方法和監視診斷手段，從所檢測的信息特徵判別系統的工況狀態。因此故障診斷問題，就其實質來說，是一種模式分類問題。診斷對象的高度複雜性是故障診斷的特點，其表現為非線性、時變性普遍存在，機理分析困難。這些都造成了故障診斷技術正向智慧型化診斷方向發展，強調在概念和處理問題方法上的知識化，因而，一個智慧型診斷系統的診斷能力也就在極大程度上取決於該系統擁有的知識，特別是有關診斷對象本身的專門知識。當前智慧型故障診斷中存在的一個突出問題就在於系統擁有的知識量很少，國內外發展的幾種智慧型診斷方法都存在知識獲取的瓶頸問題。
通常，大型複雜機電設備的故障診斷系統可以獲取大量的正常狀態樣本數據，但所獲取的故障特徵數據的樣本數量則往往極為有限，從而導致故障識別系統中用於訓練的樣本數據很不完全。然而，Vapnik等針對有限樣本下的機器學習問題的研究成果——統計學習理論與支持向量機（SVM），在解決小樣本、非線性以及高維模式識別問題中表現出許多優勢，為機械故障診斷系統中的此類識別問題提供了一種較好的處理方法。支持向量機的實質其實就是核方法，該方法最終使得研究人員能夠高效地分析非線性關係，而這種高效率原來只有線性算法才能夠達到。
