|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
故障预测与健康管理（Prognosis and Health Management，PHM）技术是新一代军、民用飞机实现自主式保障的一项新兴的技术，在保障飞行安全、提高维修效率、降低维修成本、提高飞机可用性等方面将起到重要作用，其中故障诊断与故障预报是PHM的2项核心技术。飞机是一个非线性系统，同时存在故障样本少、样本中存在噪声等题目。克服这些题目，对机载设备进行精确诊断和预测对发展我国PHM技术具有重要的意义。 由于支持向量机(Support Vector Machine，SVM)具有能处理小样本情况的优点，并且SVM利用核函数技术还可以处理非线性数据的分类与预测题目。因此论文研究了基于SVM的机载设备故障诊断与故障预报技术，具体研究内容及成果包括：（1）基于SVM的故障诊断技术 机载设备故障诊断题目与人工智能领域的分类题目相似。本文研究了利用支持向量分类机(Support Vector Classification, SVC)进行故障诊断的技术。在解决了SVC分类模型的求解训练、模型参数选取等题目的基础之上，实现了基于SVC的故障诊断方法。该方法改进了原有序列最小最优化算法（Sequential Minimal Optimization，SMO），并提出利用Fisher判别函数确定核函数参数，以及根据训练结束条件Karush-Kuhn-Tucker （KKT）条件确定惩罚因子。在验证时，首先利用国际上常用的验证分类的数据库（UCI数据库）验证了本文建立的SVC模型的性能，然后以某型雷达接收机的中放电路为实例，验证了该方法应用于机载设备诊断的有效性。（2）基于SVM的故障预报技术 机载设备的故障预测题目可以分为2个阶段，先对与故障模式相关的性能参数进行预测，然后根据预测的性能参数值判断设备的状态。本文主要研究了利用支持向量回归机(Support Vector Regression, SVR)对性能参数进行预测的技术。在解决了SMO的解析求解、模型参数选取等关键题目的基础之上，实现了基于SVR的故障预测方法。该方法给出了SMO算法中子题目解析求解的形式，提出采用竞争聚类来确定核函数参数，推导了惩罚因子的下限，并通过二次训练估计样本噪声来确定不敏感损失因子。在验证时，首先利用UCI数据库验证了本文建立的SVR的性能，然后对标准函数进行仿真验证了本文建立的SVR模型对噪声不敏感的优点。最后以航空发动机性能参数为例验证了其实际应用效果，结果表明SVR对发动机性能参数能进行长期和短期的精确预测。（3）基于SVM的规则提取方法 在现有的分类技术中，SVM是性能优越的一种。但是其对用户不透明的“黑箱”缺陷，限制其在故障诊断领域的应用。本文研究了对SVM进行解释的技术，也就是将SVM中蕴含的规则提取出来。首先将SVR推广至构造多分类器，利用SVR产生多分类题目的支持向量，然后利用蒙特卡罗方法在支持向量周围随机产生新的样本，最后粗糙集技术提取规则。该方法通过在支持向量样本周围产生新样本，完善了原始样本集，保证了所提取规则的完备性，降低了诊断时的不确定性。最后以航空电子设备诊断数据为例，说明该方法的实际应用效果。（4）基于SVM的故障诊断与故障预测软件平台 在VC++6.0和Matlab开发环境下，建立了一个基于SVM的故障诊断与故障预测软件平台。此平台可以实现以任务配置的形式配置要诊断和预测的设备，然后利用数据源完成相应的诊断和预测任务，同时此平台也具有通用性，可以用于其它领域的应用。 总之，通过对SVM、故障诊断和故障预测等相关技术的研究，建立了基于SVM的故障诊断与故障预测软件平台，并在此平台上对各算法进行了验证，最终实现了基于SVM的故障诊断、故障预报与规则提取。 |
上一篇：实时相机跟踪技术中的特征点匹配方法研究与应用下一篇：虚拟计算环境下镜像文件的分布式存储管理机制
|
发表于 2022-4-6 18:13:56
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
