基于PCA与LS-SVM的故障预测应用研究
基于数据驱动的故障预测通过对故障特征的历史数据进行建模,对新的数据进行分类,达到故障识别的目的。由于故障数据的样本空间小,而故障特征的维度非常高,故障预测的建模呈现高维度建模困难的特点。针对这些问题,本文利用主成分分析结合最小二乘支持向量机对故障数据进行建模,并构建故障预测的分类模型。首先利用主成分分析方法对高维的故障特征数据进行降维处理,保留故障信息贡献较大的特征(维度),再利用最小二乘支持向量机对降维的样本故障数据进行分类训练,构造故障的分类模型。在不同特征的故障数据集上的测试表明,基于主成分分析故障预测预处理结合最小二乘支持向量机可以更为准确地对故障进行预测,且模型的构建时间较少。
支持向量机、故障预测、主成分分析、降维
TP18(自动化基础理论)
2015-06-10(万方平台首次上网日期,不代表论文的发表时间)
共4页
238-241