支持向量机在齿轮故障诊断中的应用

合集下载

支持向量机在故障诊断中的应用研究

支持向量机在故障诊断中的应用研究故障诊断是一个广泛的领域，它在现代工业和科技发展中占据着重要的地位。

随着计算技术的进步，人们的故障诊断能力也得到显著的提高，同时，也出现了许多新的故障诊断方法和技术。

支持向量机（SVM）就是其中一个值得关注的方法。

SVM是一种基于统计学习理论的分类模型，它以较小的结构风险获得较小的经验风险为目标，对分类问题进行有效处理。

在故障诊断的应用中，SVM可以对大量的故障样本数据进行分析，找出隐藏在数据中的规律和特征，为诊断提供可靠的依据。

1. SVM在故障诊断中的优点在故障诊断中，SVM具有诸多优点。

最显著的优点是其能够高效地处理非线性、高维度以及高复杂度的问题。

同时，SVM具有较高的泛化能力，能够有效地对未知的故障样本进行分类和识别。

此外，SVM对于噪声数据和样本不平衡的情况也具有较强的容忍性。

值得一提的是，SVM还可以利用一些特殊的技术进行模型的优化和改进。

例如，通过使用核函数，可以将特征空间映射到高维度空间中，从而提高分类准确度。

此外，SVM还可以与其他算法结合使用，如基因算法、遗传算法和粒子群优化算法等，以进一步优化和提升分类性能。

2. SVM在故障诊断中的应用案例目前，SVM已经在许多不同领域的故障诊断中得到了应用。

以下列举了一些典型案例。

2.1 电力系统中的支持向量机故障诊断电力系统是一个复杂的系统，往往会因为电压异常、设备损坏或故障等原因导致停电，严重影响电力供应的可靠性和稳定性。

为了确保电力系统的正常运行，需要对其进行不断的监测和故障诊断。

在这个领域中，SVM可以利用一些先进的特征提取和分类技术，对电力系统数据进行分类和预测，从而实现故障诊断和预测的目的。

2.2 基于SVM的机械故障诊断机械设备的运行状态直接关系到工业生产的效率和质量。

当机器出现故障时，需要及时进行检测和诊断，以免造成更大的损失。

在这个领域中，SVM可以对机械故障数据进行特征提取和分类，从而实现精准的故障诊断和预测。

基于小波包分析和支持向量机的齿轮箱故障诊断方法研究的开题报告

基于小波包分析和支持向量机的齿轮箱故障诊断方法研究的开题报告一、研究背景和意义齿轮箱是机械设备中运转速度较高、负载较大、运动惯量较大的重要部件，其稳定运行一直是工业生产中的关键问题。

齿轮箱的故障诊断技术是保障工业设备正常运行的重要手段之一。

目前，齿轮箱的故障诊断技术已经得到了广泛的应用，然而，由于齿轮箱作为容易出现故障的机械部件，其故障类型多样，故障形态复杂，因此齿轮箱故障诊断技术的提高仍然是工业生产中的研究热点。

传统的齿轮箱故障诊断方法主要基于频域分析和时域分析等信号处理方法，但这些方法往往不能有效地解决故障信号中存在的复杂非线性特征。

近年来，小波包分析（WPA）和支持向量机（SVM）等新兴研究技术被引入到齿轮箱故障诊断领域中，并已经在某些方面取得了优秀的成果。

因此，本研究将探究基于小波包分析和支持向量机的齿轮箱故障诊断方法，以期提高齿轮箱故障诊断的准确性和精度，为齿轮箱故障快速诊断提供有效的技术支持。

二、研究内容和方法本研究的主要研究内容和方法如下：（1）齿轮箱故障特征提取基于小波包分析，提取齿轮箱故障信号的时频域特征，将其转化为小波包系数，对所提取的小波包系数进行滤波和降噪处理。

（2）特征选择和数据预处理基于SVM分类器，选择有效特征，减少特征集的维度，并对所选特征的数据进行预处理。

（3）基于SVM的齿轮箱故障诊断采用多种不同的SVM模型进行特征分类和齿轮箱故障诊断，选择准确率最高的模型完成齿轮箱故障诊断。

三、研究预期成果通过本研究的实施，预计可以达到以下研究成果：（1）建立一种基于小波包分析和支持向量机的齿轮箱故障诊断模型，提高了齿轮箱故障诊断的准确性和精度。

（2）优化了齿轮箱故障特征提取和特征选择方法，提高了数据预处理的能力和效率。

（3）验证了所建立模型的实用性和有效性，拓展了齿轮箱故障诊断技术的研究和应用领域。

四、研究计划及时间安排本研究时间为两年，计划安排如下：（1）第1年11月-第2年6月：研究文献综述，明确研究目标，确定研究策略和方法。

支持向量机在故障诊断中的使用技巧

支持向量机在故障诊断中的使用技巧支持向量机（Support Vector Machine, SVM）是一种常用的机器学习算法，它在故障诊断中具有广泛的应用。

本文将探讨支持向量机在故障诊断中的使用技巧。

一、支持向量机简介支持向量机是一种监督学习算法，其基本思想是通过构建一个超平面，将不同类别的样本分开。

在故障诊断中，我们可以将不同的故障类别看作是不同的样本类别，通过训练支持向量机模型，可以实现对故障进行准确的分类。

二、数据预处理在使用支持向量机进行故障诊断之前，首先需要进行数据预处理。

数据预处理的目的是将原始数据转化为适合支持向量机模型的输入格式。

常见的数据预处理方法包括数据清洗、数据归一化和特征选择等。

数据清洗是指对原始数据进行去噪和异常值处理，以保证数据的准确性和可靠性。

数据归一化是将不同特征的数据统一到相同的尺度范围内，避免某些特征对模型的影响过大。

特征选择是从原始数据中选择出对故障诊断有用的特征，减少冗余信息，提高模型的准确性和泛化能力。

三、选择合适的核函数支持向量机中的核函数是非常重要的一个概念，它可以将数据从原始空间映射到高维空间，从而使得原本线性不可分的数据变得线性可分。

常用的核函数有线性核函数、多项式核函数和径向基函数等。

在故障诊断中，选择合适的核函数对于模型的准确性至关重要。

不同的故障可能具有不同的特征，因此需要根据具体情况选择合适的核函数。

例如，对于线性可分的故障数据，可以选择线性核函数；对于非线性可分的故障数据，可以选择多项式核函数或径向基函数。

四、调整模型参数支持向量机模型中有一些重要的参数需要调整，包括惩罚系数C、核函数参数和松弛变量等。

这些参数的选择对于模型的性能和泛化能力有很大影响。

惩罚系数C用于控制模型的复杂度，较大的C值会使模型更加复杂，容易出现过拟合；较小的C值会使模型更加简单，容易出现欠拟合。

核函数参数用于调整核函数的形状，不同的核函数具有不同的参数，需要根据具体情况进行调整。

基于支持向量机的故障诊断

基于支持向量机的故障诊断摘要在化工生产过程中，为了准确检测故障，减少机械的损失和人员的伤亡，提出了支持向量机算法。

支持向量机是基于统计学理论的方法，具有较强的逼近能力和泛化能力。

但是在最近几年中，一种基于主元分析的过程监控方法已在工业过程中得到应用，主元分析方法通过正常工况下的历史数据建立的统计模型能很好地检测过程的异常变化和故障的发生。

本文主要就这两种方法展开运用。

在实际生产过程中，一方面，主元分析方法故障诊断能力有限；另一方面，存在着大量的历史数据，既有正常工况下的数据，又有故障数据，如何充分利用各种类别数据，提高故障诊断能力，具有十分重要的意义。

本文首先运用传统支持向量机算法对历史数据进行分类，分类结果表明该方法对于简单的数据比较容易区分，但是在数据复杂，可辨性较低的情况下，效果不明显。

然后运用改进了的传统支持向量机算法对历史数据进行分类，即运用主元分析方法提取各数据的主要特征，再利用支持向量机具有的分类优势对过程数据进行在线诊断，从而提高故障诊断能力。

本文对传统支持向量机算法和改进支持向量机算法进行了仿真比较，仿真结果体现了改进支持向量机算法的优越性；改进支持向量机算法提高了传统支持向量机算法分类的正确率。

该种方法在实际工程中能够提高系统的诊断性能，减少不必要的损失。

关键词：支持向量机；故障诊断；主元分析方法；田纳西-伊斯曼过程；Fault Diagnosis Based on Support Vector MachineAbstractIn order to detect faults accurately, reduce mechanical losses and casualties in the chemical production process, the algorithm of support vector machines was proposed. Based on the statistics theories, support vector machine is a method of approximation ability and generalization ability. Recently, a new method of process monitoring based on principal component analysis is applied in industrial production process. The statistical model built by principal component analysis method using historic data could detect unusual changes and faults happening in the process accurately. This research is on the application of these two methods. In the actual production process, principal component analysis has certain limitations in diagnosing fault. Besides, the vast volume of historical data was collected in both normal and unusual conditions. It is of great importance to make full use of the data to improve the capacity of fault diagnosis.Firstly, this paper classified the historical data by applying the traditional support vector machine algorithm. The results showed that traditional method works well on simple data sets. However, it showed insignificant effects under a complex and low-differentiability condition. In succession, an advanced approach was used to improve the traditional method, which was approached to enhance the ability of fault diagnosis by using principal component analysis to extract the main features of the data, then with the use of support vector machine which has the advantages of online diagnostic on process data to classify.In this paper, the traditional support vector machine algorithm and advanced support vector machine algorithm were compared in simulation process, the results indicates the superiority of the advanced method which improved the correctness of the traditional one on classification. It could also improve the diagnostic performance in the actual process and reduce unnecessary losses consequently.Key words:Support Vector Machine; Fault Diagnosis; Principal Component Analysis; Tennessee Eastman Process目录论文总页数：49页1 引言 (1)1.1课题背景 (1)1.2故障诊断技术及其发展 (1)1.3国内外研究现状 (2)1.4本课题研究的意义 (4)1.5本文主要内容 (4)2 机器学习理论与方法 (5)2.1机器学习简述 (5)2.1.1机器学习的主要学习问题 (5)2.1.2机器学习的经验风险最小化原则与推广能力 (6)2.2统计学习理论 (7)2.2.1统计学习理论发展历史 (7)2.2.2统计学习理论的核心内容 (8)2.3支持向量机(SVM)理论 (10)2.3.1支持向量机简述 (10)2.3.2支持向量机算法 (10)2.4主元分析方法(PCA)理论 (13)2.4.1主元分析方法简述 (13)2.4.2 主元分析方法降维 (14)3 机器学习的故障诊断方法 (15)3.1专家系统 (15)3.2人工神经网络 (15)3.3基于支持向量机的故障诊断方法 (16)3.3.1 支持向量机的求解 (16)3.3.2核函数 (17)3.3.3支持向量机故障诊断方法 (18)4 基于PCA支持向量机的故障诊断方法 (22)4.1基于PCA支持向量机的故障诊断 (22)4.2数据预处理 (23)4.3求特征值与特征向量 (24)4.4选取主成分 (24)4.5新建故障特征向量 (24)4.6基于支持向量机的分类 (24)5 仿真研究 (25)5.1田纳西-伊斯曼过程(T ENNESSEE E ASTMAN P ROCESS) (25)5.1.1 田纳西-伊斯曼过程简述 (25)5.1.2 过程工艺流程图 (26)5.1.3 过程变量 (27)5.1.4 过程故障 (28)5.2本文所用数据故障分析 (29)5.2.1 TE数据提取 (29)5.2.2故障1的个案研究 (30)5.2.3故障5的个案研究 (32)5.2.4故障11的个案研究 (32)5.3基于支持向量机故障诊断 (33)5.3.1 数据预处理 (33)5.3.2 支持向量机(SVM)对故障诊断 (34)5.3.3 仿真结果 (34)5.4基于PCA支持向量机故障诊断 (35)5.4.1 TE数据提取 (35)5.4.2 数据预处理 (35)5.4.3 主元分析方法(PCA)特征提取 (36)5.4.4 支持向量机(SVM)的分类 (36)5.4.5 仿真结果 (36)5.5实验结果对比分析 (38)5.5.1 实验结果对比 (38)5.5.2 实验结果分析 (38)结论 (1)参考文献 (2)致谢 (4)声明 (5)1 引言1.1 课题背景随着现代化工业大生产的不断发展和科学技术的进步，为了最大限度提高生产效率和产品质量，作为主要生产工具的机械设备不断朝着大型化、复杂化、高速化、连续化和自动化的方向发展。

基于支持向量机分类算法的齿轮箱故障诊断

Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2023, 12(3), 236-245 Published Online August 2023 in Hans. https:///journal/airr https:///10.12677/airr.2023.123027基于支持向量机分类算法的齿轮箱故障诊断时天祥1*，王先帅2，罗孙梅3，肖金平3，张泳41南昌航空大学软件学院，江西南昌2安徽工程大学人工智能学院，安徽芜湖 3南昌航空大学通航(民航)学院，江西南昌 4南昌航空大学飞行器工程学院，江西南昌收稿日期：2023年5月4日；录用日期：2023年8月16日；发布日期：2023年8月24日摘要针对现有齿轮箱故障评价需要研究设备机理造成的效率底下，功能性不强的问题，提出了基于支持向量机分类算法的齿轮箱故障诊断方法。

首先，对传感器收集到的振动信号数据进行分析，提取相关特征。

然后，绘制不同传感器在不同状态下的振动信号时间序列函数，并对这些函数的特征进行了简要分析。

其次，对数据提取了平均值，方差这两个用以描述振动数据的总体趋势的特征变量，以及峰度，偏度这两个对判断齿轮箱齿轮故障有着重要作用的特征变量，并利用MATLAB 、SPSSPRO 对每一组数据进行了特征数据计算。

最后，利用孤立森林、朴素贝叶斯、支持向量机三种分类算法，分别对数据集进行模型求解，然后通过对比三个算法结果中的准确率、召回率和测试集、训练集之间拟合程度，得到支持向量机分类算法针对齿轮箱的故障检测最优。

关键词齿轮箱，故障诊断，孤立森林，朴素贝叶斯，支持向量机Gearbox Fault Diagnosis Based on Support Vector Machine Classification AlgorithmTianxiang Shi 1*, Xianshuai Wang 2, Sunmei Luo 3, Jinping Xiao 3, Yong Zhang 41School of Software, Nanchang Hangkong University, Nanchang Jiangxi 2School of Artificial Intelligence, Anhui Polytechnic University, Wuhu Anhui 3School of General Aviation (Civil Aviation), Nanchang University of Aeronautics and Astronautics, Nanchang Jiangxi 4School of Aircraft Engineering, Nanchang University of Aeronautics and Astronautics, Nanchang Jiangxi*通讯作者。

支持向量机和声发射技术在齿轮裂纹故障诊断中的应用

支持向量机和声发射技术在齿轮裂纹故障诊断中的应用
姚晓山;张永祥;明廷锋;刘诗华
【期刊名称】《海军工程大学学报》
【年(卷),期】2010(022)002
【摘要】为了解决齿根疲劳裂纹故障难以识别的问题,对齿轮箱正常和裂纹故障状态的声发射信号进行时间序列分析,利用AR模型的自回归系数作为齿轮箱不同状态时的特征向量,形成支持向量机的训练样本对支持向量机进行网络训练,实现对齿轮箱正常、轻微裂纹和严重裂纹故障状态的识别与诊断.实验结果表明: 基于支持向量机和声发射技术的齿轮箱故障诊断系统能够准确地识别与诊断齿轮箱的裂纹故障状态,它对于齿轮裂纹故障检测是一种有效的诊断手段.
【总页数】5页(P70-73,112)
【作者】姚晓山;张永祥;明廷锋;刘诗华
【作者单位】海军工程大学,船舶与动力学院,武汉,430033;空军雷达学院,军通系,武汉,430019;海军工程大学,船舶与动力学院,武汉,430033;海军工程大学,船舶与动力学院,武汉,430033;空军雷达学院,军通系,武汉,430019
【正文语种】中文
【中图分类】TK421
【相关文献】
1.基于改进EEMD和声发射技术的行星齿轮箱故障诊断研究 [J], 朱静;邓艾东;李晶;龙磊;翟怡萌
2.EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用 [J], 白亚红;王奉涛
3.支持向量机参数优化方法在齿轮箱故障诊断中的应用 [J], 张晓莉;谢永成
4.灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用 [J], 胡璇;李春;叶柯华
5.改进灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用 [J], 胡璇;李春;叶柯华;张万福
因版权原因，仅展示原文概要，查看原文内容请购买。

支持向量机及其在机械故障诊断中的应用_袁胜发

振动与冲击第26卷第11期J OURNAL OF V IBRAT I ON AND SHOCKVo.l 26N o .112007支持向量机及其在机械故障诊断中的应用基金项目:国家杰出青年科学基金(50425516)和863计划(2006AA04Z438)资助项目。

收稿日期:2007-01-08 修改稿收到日期:2007-03-27第一作者袁胜发男,博士生,1969年6月生袁胜发1,2, 褚福磊1(1.清华大学精密仪器与机械学系,北京 100084;2.江西理工大学机电学院,江西 341000)摘要:支持向量机(SVM )是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。

对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。

关键词:支持向量机;机械故障诊断;机器学习;智能诊断中图分类号:TH 17;TP18 文献标识码:A随着机械设备的日趋大型化、复杂化、自动化,故障带来的危害愈加严重,使得机械故障诊断在社会生产中的作用和地位日益突出。

故障诊断技术的发展大致可以分为两个阶段[1]:第一个阶段是以传感器技术和动态测试技术为基础,以信号处理为手段的常规诊断技术发展阶段,这一阶段的诊断技术在实际中得到了大量的应用,产生了巨大的经济效益,并大大推动了故障诊断技术的发展。

第二阶段是以人工智能技术为核心的智能诊断技术发展阶段,它以常规诊断技术为基础,以人工智能为手段,诊断过程的知识化使得人们致力于研究诊断知识的获取、知识的表示与组织、推理方法的结构、诊断模型的建立以及诊断策略的形成等问题。

从20世纪80年代开始,随着人工智能技术的迅速发展,智能化已经成为故障诊断技术的主要发展方向。

一方面故障智能诊断具有传统诊断方法无可比拟的优点;另一方面,复杂设备的故障诊断在很大程度上需要依赖专家的经验知识。

基于α稳定分布参数和支持向量机的齿轮箱故障诊断方法

Ｋｙｗｒｓ０ｓｂｅｄｓｂｔｎｐｒｔｒ；ｕｐｒｖｃｏｍａｈｎＳＭ）ｇａｂｘｆｕｔｉｇｏｉｅｏｄ：【ｔｌｉｒｕｉａａｅｓｓｐｏｅｔｃｉｅ（Ｖ；ｅｒｏ；ｌｄａｎｓ－ａｔｉｏｍｅｔｒａｓ
ａｏｔｈｅｂｘｆｌｄａｎｓ．ｉｔ，ｈｘｅｍｅｔｒｅｔｎｆｕｔｉｇｏｉｗｓｄｓｎｄＴｅ，ｈｉｂｕｅｇａｏｕｔｉｏｉＦｒｌｔｅｅｐｒｎｏｃｏｌｄａｎｓａｅｉｅ．ｈｎｔｅｖｔｒａｇｓｓｙｉｐｊａｓｇ－
ＦａｌａｎｏｉｅｈｏｏａｂｏｓｄｏＳａｅＤｉｔｉｕｉｎｕｔＤｉｇｓｓＭｔｄｆｒＧｅｒｘＢａｅｎａ－ｔｂｌｓｒｂｔｏＰａａｅｅｓａｄｕｐｒｃｏａｈｎｓｒｍｔｒｎＳｐｏｔＶｅｔｒＭｃｉｅ
ｂａｉｎｓｎｌｏｅｇａｂｘｗｅｅｔｓｄａｄ－ｔｂｅｄｓｉｕｉｎｐｒｍｅｅｓｏｅｓｎｌｗｒｘｒｃｅ，ｒｔｉａｓｆｔｅｏｒｅｔ，ｎｓａｌｉｔｂｔａａｔｒｆｔｉａｓｅｅｅｔｔｄｏｇｈｒｅｒｏｈｇａｗｉｈｃｎａｎｄｔｅｒｎｉｇｉｆｒｔｎＣｍｂｎｎｉｅｂｓｏｇｔｆｏｉｇｍｅｈｄａｄｄｃｓｎｔｅ，ｈｃｏｔｉｅｈｕｎｎｎｏｍａｉ．ｏｉｉｇｗｔｔａｉｔｕｈｔｔｏｎｅｉｏｅｏｈｈｃｈｏｖｎｉｒａｓｅｉｌｄｃｓｏ —ｔｃｕｅｏＶｗａｅｉｎｄＭｏｅｖｒｔｅｄｃｓｏ —ｔｕｔｒｏｖｄｔｅｓｌｌｓｍｐｅｐｃａｅｉｉｎｓｒｔｒｆＭＳＭｓｄｓｇｅ．ｒｏｅ，ｈｅｉｉｎｓｃｕｅｓｌｅｈｍａａｌｕｒ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｆｌａｏｓｓｉｍａｌａａｕｔｄｉｇｎｉｎｓｌｓｍｐｌｓｂａｅｎｖｉａｉｎｓｇｎｌｏｒｎｇｏｕｒｎｇｃｎｄｔｏ，ｉ．ｎｏｍａ，ｅｓｄｏｂｒｔｏｉａｓｃｖｅｉｆｒｗｏｋｉｏｉｉｎｓ．ｅｒｌｂｒｋｅｅｔｏｎｔｅｈ，ｗｅｒａｄｓｌｉｇ．Ｆｉｓｌａｎｐａｌｎｒｔｙ，ｔｍｅｄｍａｎｉｅｎｄｅｒｙｏｈｉａｓｗｅｅｅｘｒｃｅｓｉｕｔｉｏｉｎｄｘａｎｅｇｆｔｅｓｇｎｌｒｔａｔｄａｎｐ
有效的齿轮故障诊断方法．关键词：持向量机；交叉验证（ — Ｖ）故障诊断支ＫＣ；中图分类号：ＴＨ１５ＴＰ１６：３文献标识码：Ａ文章编号：６２９８２１）２Ｏ６一３１７ —４Ｘ（Ｏ２Ｏ一０３Ｏ
（断齿、磨损、落）正常状态的振动信号，取时域指标和能量特征作为Ｓ剥和提ＶＭ输入向量，采用并交叉验证（Ｃ法优化ＳＫ— Ｖ）ＶＭ参数，终得到的故障诊断准确率为１０．果表明Ｓ最０结ＶＭ是一种
ａｐｉｄｔｅＳｐｌｈＶＭｏｔｅｆｕｔｄａｎｓｓｎｈａｌｓｗｅｅｒｃｇｉｅｏｒｃｌｔｎａｃｒｃｆ！ｏ．ｅｔｈａｌｉｇｏｉ，ａｄｔｅｆｕｔｒｅｏｎｚｄｃｒｅｔｙｗｉａｃｕａｙｏｏｈ
ＡｂｔａｔＩｈｓｐｐｒｈｕｐｒｅｔｒｍａｈｎ（ＶＭ）ｃａｓｆｃｔｏｌｏｉｍａｅｎａｐｉｄｔｅｒｓｒｃｎｔｉａｅ，ｔｅｓｐｏｔｖｃｏｃｉｅＳｌｓｉｉａｉｎａｇｒｔｈｈｓｂｅｐｌｏｇａｅ
ＴｈｅｕｔｍｏｔａｅｔｔＳＶＭｓａｆｅｔｖｅｈｏｏｅｒｆｕｌｉｇｎｉ．ｅｒｓｌｓｄｅｎｓｒｔｈａｉｎｅｆｃｉｅｍｔｄｆｒｇａａｔｄａｏｓｓ
ＫｅｗｏｄｓｐｏｔｖｃｏｃｉｅＳｙｒｓｕｐｒｅｔｒｍａｈｎ（ＶＭ）Ｋ—ｏｄｃｏｓｖｌａｉｎ（Ｃ）ｆｕｔｄａｎｓｓ；ｆｌｒｓａｉｔｏＫ— Ｖ；ａｌｉｇｏｉｄ
ＡｐｉａｉｎｏＶＭｏＧｅｒＦａｌａｎｏｉｐｌｃｔｏｆＳｔａｕｔＤｉｇｓｓＬｉｉＺａｇＱｕｎｉＬｉｉＹｕＸｉｌｎｈｎａｌＬｎＪｎｉｇａ
（ｌｇｆＭｅｈｎｃｌ＆Ｍａｅｉｌｇｎｅｉｇ，ＣｈｎｒｅＧｏｇｓＵｎｖ，Ｙｉｈｎ４０２，Ｃｈｎ）ＣｏｌｅｏｃａｉａｅｔｒａＥｎｉｅｒｎｉａＴｈｅｒｅｉ．ｃａｇ４３０ｉａ
ｏＶＭ．Ｔｈｎ，ｐｒｍｅｅｓｏＶＭｒｐｉｚｄｕｉｇＫ—ｏｄｃｏｓｖｌａｉｎ（ＣＶ）ｍｅｈｄＦｉａｌｆＳｅａａｔｒｆＳｗｅｅｏｔｍｉｅｓｎｆｌｒｓａｉｔｏｄＫ— ｔｏ．ｎｌｙ，
第３４卷
第２期
三峡大学学报（自然科学版）
ＪｏｉａＴｈｅｒｅｎｖ（ｔｒｌＳｉｎｅ）ｆＣｈｎｒｅＧｏｇｓＵｉ．Ｎａｕａｃｅｃｓ
Ｖｏ．４ＮＯ２１３．
Ａｐ．０１ｒ２２
方法的应用受到一定１ＳＭ分类原理Ｖ
对于给定的内积空间Ｈ，在超平面｛Ｗ・）存（＋
６ＥＨ，，将样本集Ｔ分离．中， —０ＷＥＨｂＲ｝ｌＥ其ｗ
建立在统计学习理论基础上的支持向量机（ｕ — ＳｐｐｒＶｅｔｒｃｉｅ是一种专门研究小样本情况下ｏｔｃｏＭａｈｎ）的新型机器学习方法，它具有完备的理论基础，解在决小样本、高维模式识别问题中表现出许多特有的优势，够在有限的样本条件下，大限度地挖掘数据能最
齿轮作为机械设备的关键传统件，运行状态关其乎整个设备的可靠性与稳定性，轮故障检测和诊断齿方法的研究也备受重视．目前一些常用的故障诊断方法如人工神经网络等，需要大量的训练样本，在都但实际工程中大量的故障样本数据难以获得，使得这些
２１０２年４月
支持向量机在齿轮故障诊断中的应用
李力张全林李骥余新亮
（峡大学机械与材料学院，湖北宜昌三４３０）４０２
摘要：针对齿轮故障诊断中的小样本事件，采用了支持向量机（ＶＭ）Ｓ方法．集齿轮３种典型故障采