基于数据驱动的故障检测与诊断

,哈尔滨工程大学,Harbin Engineering Univers,ity,哈尔滨工程大学,Harbin Engineering Univers,ity,$,哈尔滨工程大学,Harbin Engineering Univers,ity,哈尔滨工程大学,Harbin Engineering Univers,ity,基于数据驱动的故障检测与诊断方法理论,方法理论,基于,PCA,的方法,PCA,简述,PCA,样本标准化,求解标准化样本协方差阵的特征值与特征向量,确定主元个数,确定负荷矩阵,方法理论,基于,PCA,的方法,PCA,检测流程,样本标准化,阈值的设定,在线的检测,S1:,计算样本属性均值与方差,S2:,构造标准化样本矩阵,S1:,对样本协方差阵进行奇异值分解,S2:,确定主元个数并求解负荷矩阵,S3:,设定阈值,S1:,标准化待测数据,S2:,计算检测统计量,S3:,作出检测判断,方法理论,基于,PCA,的方法,样本标准化,S1：,S2：,标准化样本阵,方法理论,基于,PCA,的方法,阈值的设定,S1:,S2:,S3:,方法理论,基于,PCA,的方法,在线的检测,S1:,S2:,S3:,无故障，其他有故障,方法理论,基于,BP,神经网络的方法,神经元模型,阈值,阈值函数,sigmoid,函数,双曲正切函数,方法理论,基于,BP,神经网络的方法,BP,网络结构,输入层,隐含层,输出层,前馈网络,三层,BP,网络隐含层节点经验公式,方法理论,基于,BP,神经网络的方法,BP,算法,动量因子,收敛速度加快,不易陷入局部极值,学习速率,目标,梯度下降法,误差函数,权值修正规则,方法理论,基于,BP,神经网络的方法,BP,算法,BP,算法对输入输出样本进行训练的过程可以分为两个阶段。第一个阶段：,BP,神经网络对从输入层接受的数据进行前向传播，这个过程不进行权值的调整，只是为了得到当前权值下的一组网络输出。第二个阶段：通过对上一次前向传播的输出结果进行误差计算，并求得本次网络权值的修正量，反向传播修正权值。这两个过程反复交替地运行，直到误差达到期望要求或收敛为止。,可以看到，,BP,神经网络的前向传播用于对网络输出的计算；而反向传播则用于对输出误差的传递，进而不断修正网络权值，以使网络的输出误差达到期望要求。,方法理论,基于,BP,神经网络的方法,检测与诊断,输入层,隐含层,输出层,样本,类别,1 0 0,0 1 0,0 0 1,类别,编码,方法理论,基于,SVM,的方法,SVM,简述,支持向量机（,SVM,）是,Vapnik,团队于,1995,年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。,在机器学习中，支持向量机（,SVM,）学习算法训练出的是一种有监督学习模型，可以用来分析数据，识别模式，广泛用于各种分类和回归分析当中。,SVM,是建立在统计学习理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以求获得最好的推广能力。,方法理论,基于,SVM,的方法,最大间隔法,右图是,SVM,在二维空间上分类的几何示意图，图中实心点和空心点分别表示两类的训练样本。,H,为可以将两类准确分开的分类线，,H1,，,H2,为两条平行于,H,并穿过两类样本中离,H,最近的点的直线，称之为,支持直线,。我们把,H1,和,H2,之间的距离称作,分类间隔,。,所谓最大间隔法就是要求分类线不但能将两类正确分开,(,训练错误率为,0),而且使分类间隔最大，此时得到的分类线称之为,最优分类线,。,推广到高维空间，最优分类线就变为,最优分类面,。,最优化问题应为对变量,w,和,b,的,凸的二次规划问题,方法理论,基于,SVM,的方法,软间隔,情况一：样本本质上线性，非线性由噪音导致,强制使用非线性函数，会导致过拟合,解决方法：软间隔,松弛变量,惩罚参数,最优化问题,方法理论,基于,SVM,的方法,核函数,情况二：样本本质上是非线性可分的,解决方法：核函数,目的：映射到高维空间，使样本线性可分,常用核函数,线性核函数,多项式核函数,Gauss,径向基核函数,避免维数灾难,方法理论,基于,SVM,的方法,检测与诊断,有向无环图法,多分类,间接法,直接法（,Crammer-Singer SVM,）,一对一,有向无环图法,纠错输出编码法,一对余,.,.,.,