混沌分形特征与支持向量数据域描述辨识机械动态系统异常

摘要：

为了在微弱故障征兆出现时能通过正常状态对异常进行辨识，针对通常动态系统故障状态样本缺乏的单值分类问题，提出混沌分形特征组合及支持向量数据域描述（support vector data description，SVDD）的动态系统振动异常辨识方法。该方法采用误诊和漏诊两种分类错误的SVDD接受者操作特征（receiver operating characteristic，ROC）曲线，通过分析振动混沌分形特征，选取最大Lyapunov指数和关联维数的最优组合，进而建立正常状态样本单值SVDD分类器，并对可提高分类精度的试验验证法优选核函数参数进行了探讨。试验及测试表明，SVDD-ROC方法避免了传统特征选取对具体故障类型样本的依赖性，选取的特征组合对正常和故障样本有较好的自聚类性，SVDD 方法仅需要正常状态样本就能辨识异常状态，并且对未知故障也有较好的异常辨识能力。该研究可为动态系统异常状态提供建模与检测的理论基础和设计依据，有效预防突发事故，节约维修成本，提高动态系统的利用率，保障其安全运行，有效降低成本。

关键词：混沌理论、分形、动态系统、接受者操作特征、支持向量数据域描述、异常辨识

分类号：TP206+.3;TH133.3(自动化技术及设备)

资助基金：国家自然科学基金61302041；人工智能四川省重点实验室基金项目2015RYJ02；四川理工学院科研基金项目2014RC11。

在线出版日期：2015-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：211-218