文 献 综 述

选题依据（包括课题的来源、研究目的、必要性和重要性、意义以及国内外研究的技术现状分析）

课题来源

学校命题.

研究目的、必要性和重要性、意义

机械故障检测的实质是一个小样本的模式识别问题,利用传统的智能诊断技术如神经网络往往由于训练样本数据的不足而得不到理想的诊断效果.因此故障数据的缺乏一直是制约智能诊断技术发展的一个重要原因.

支持向量数据描述（SVDD）是一种在统计学习理论和支持向量机基础上发展起来的单值分类方法.这种方法只需要一类样本数据即可进行分类且具有计算速度快、鲁棒性强、可有效处理小样本数据等优点,将这种方法应用于机械故障检测和状态监测当中,仅仅依靠正常运行时的数据信号,就可以监测机器的运行状态,判断机器的故障情况.支持向量数据描述方法对于缺乏故障样本设备的在线状态监测和状态评估,具有重要的工程应用价值,有望解决智能故障检测中故障数据缺乏的问题.

本课题主要研究了: 1）支持向量数据描述方法只需要正常情况的样本进行分类,但是在有故障的数据情况下,如何利用这些故障数据来提高故障检测的准确率; 2）讨论了支持向量数据描述故障检测方法中的核函数,并通过试验的方法分析对比了常用核函数在支持向量数据描述故障检测方法方法中的影响; 3）研究了增量式支持向量数据描述故障诊断方法,使支持向量数据描述故障检测方法具有增量学习的能力,以处理实际数据随时间变化的情况:

◆ 随着科技发展，现代设备日益高速化、自动化、精密化和集成化.人们对机械设备的依赖性越来越强,一旦机械设备发生故障,轻则降低生产效率,影响产品质量,造成不同程度的经济损失,重则导致机毁入亡的重大事故.近年来,基于数据驱动的故障检测方法得到了广泛应用，包括代价敏感支持向量机[1]、代价敏感概率神经网络[2]和K-最邻近（KNN）等方法.代价敏感概率神经网络和代价敏感支持向量机在进行故障检测时均假设样本集中至少有两类样本,而在实际应用中往往类别不均衡,甚至只能获取某一类样本,如正常类样本.因此,这两种方法利用有限的有色冶金过程故障类样本和正常类样本建立的故障检测模型应用于实际有色冶金过程时受到限制.文献[3]提出的KNN算法用一类样本便可以进行故障诊断,但在预测时存在过拟合现象.

◆ 国内外研究者对故障检测技术展开了大量研究工作.近20年来,随着科学技术的发展和进步,尤其是计算机技术的迅速发展和普及,故障检测技术逐步形成了一门较为完整的新兴边缘工程学科.现有的故障检测方法大致可分为如下几类[4]:基于系统数学模型的检测方法,基于系统输入输出信号处理的检测方法,基于人工智能的检测方法.