1. 研究目的与意义（文献综述）

1.1目的及意义

支持向量数据描述（svdd）是一种重要的数据描述方法，它能够对目标数据集进行超球形描述，可以被用于数据的分类以及异类点的检测。svdd的主要思想是，将原始的训练样本通过非线性映射，映射到高维的特征空间，并在其中寻找一个包含全部映射至空间的训练样本的最优超球体，之后将超球体投射回原本的空间中，就能得到一个浪费空间最小，且尽可能多包含训练样本的“球体”；若通过非线性映射的新的样本点落在超球体外，则新样本点被视为异类点。基于这一思想，svdd能够被用于故障检测，当机器运行出现异常时，新检测到的样本点落在超球之外，便能狗判断机器运行出现了异常。

本文旨在通过对现有的基于svdd的故障诊断方法的研究，来进一步了解svdd在故障诊断中的具体算法以及其语言代码的实现。同时了解针对传统svdd方法的缺点，现在的svdd相关方法有何改进。

2. 研究的基本内容与方案

2.1设计的基本内容：

故障诊断的主要任务有故障检测、故障类型判断、故障定位及故障恢复等。故障检测是利用各种检查和测试方法，发现系统和设备是否存在故障的过程；而进一步确定故障所在大致部位的过程是故障定位。要求把故障定位到实施修理时可更换的产品层次（可更换单位）的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。

基于svdd的故障诊断就是利用svdd的思想，对机器运行的实时数据进行处理，利用svdd进行异类点检测，判断出采集样本点是否属于机器正常运行时的数据类，从而判断机器运行是否发生故障。

3. 研究计划与安排

1-3周，文献调研与整理，完成英文翻译，完成开题报告。

4-6周，svdd算法的研究，代码与程序设计。

7-9周，svdd算法实现以及故障诊断应用。

4. 参考文献（12篇以上）

[1]sangwook kim,yonghwa choi,minho lee,deep learning with support vector data description,neurocomputing,2015(165):111-117。

[2]guangxin huang,huafu chen,zhongli zhou,feng yin,ke guo, two-class support vector data description,pattern recognition,2011,44(2):320-329

[3]uwe kruger,tim littler,shuqing wang,xueqin liu , lei xie, statistical-based monitoring of multivariate non-gaussian systems