论文部分内容阅读
支持向量机理论简单,实用性很强,被大量应用于故障诊断问题中.在分析支持向量机参数对分类结果影响的过程发现,不恰当的参数选择往往带来较差的分类结果.采用启发式优化方法可以避免人为选择的不足,但单纯以等效间隔距离为寻优目标又会较大概率出现“过学习”现象.为降低整体结构风险,将等效间隔距离、支持向量数量和错分率等同时作为优化目标,提出了一种基于粒子群的多目标支持向量机方法,并采用定时重启、动态学习因子等策略提升算法全局寻优能力.最后将其应用于多故障强关联耦合的复杂柴油机故障诊断问题中.实验结果表明,该方法可以有效解决少样本、不完备或不确定征兆的柴油机异响故障诊断问题,筛选得到的综合最优解更符合人们的期望.