买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：常熟理工学院

摘要：本发明公开了一种基于密度诱导支持向量数据描述递归特征消除的故障诊断方法，包括：采集数据并对数据进行标准化预处理，得到正常数据和故障数据；利用正常数据训练得到检测模型；利用故障数据训练得到诊断模型，通过诊断模型得到故障特征排序集；对测试数据进行标准化预处理并输入到检测模型进行检测，若测试数据预测为异常数据则进入下一步骤，否则输出为正常数据：得到异常数据的特征排序，并与故障特征排序集进行对比，确认故障类型。本发明在密度诱导支持向量数据描述的基础上利用递归特征消除的特征选择方法得到特征排序，从而确认故障类型，实现完整的故障诊断流程。

主权项：1.一种基于密度诱导支持向量数据描述递归特征消除的故障诊断方法，其特征在于，包括如下步骤：S1：采集数据并对数据进行标准化预处理，得到正常数据和故障数据；S2：利用正常数据训练得到检测模型；S3：对故障数据进行训练得到故障特征排序集，通过故障特征排序集训练得到诊断模型；S4：对测试数据进行标准化预处理并输入到检测模型进行检测，若测试数据预测为异常数据则进入到步骤S5，否则输出为正常数据：S5：得到异常数据的特征排序，并与故障特征排序集进行对比，确认故障类型；步骤S2中检测模型的训练方法为：B1：计算样本间的相对密度ρi，计算方式如下： 其中为样本xi的K近邻样本，为样本xi和间的欧式距离，表示所有样本到其K近邻样本的平均距离；B2：对预处理后的正常训练数据进行学习得到密度诱导支持向量数据描述模型，模型的目标函数如下： 其中ρi为相对密度，C≥0为惩罚项系数，R为最优超球面的半径，a为最优超球面的中心，ξi为松弛变量；B3：通过拉格朗日乘子法求解目标函数，得到其对偶形式： 其中αi为拉格朗日系数；B4：得到系数αi后计算模型的半径R2，计算方式如下： 其中为相对密度的均值；步骤S3中利用密度诱导支持向量数据描述递归特征消除方法对预处理后的故障训练数据进行学习，得到故障特征排序集；步骤S3中故障特征排序集的获取包括如下步骤：C1：初始化特征集为数据的整个特征集合，即s＝{1,2,…,m}，m为特征数量，初始化排序后的特征子集为C2：利用特征集为s的故障数据训练密度诱导支持向量数据描述模型，得到模型的半径C3：计算剔除特征p，此时特征集为s-p，即当前特征集为s＝{1,…,p-1,p+1,…,m}；C4：取故障数据的特征s为训练数据，构建密度诱导支持向量数据描述模型，得到模型的半径为R2Xs；C5：计算准则函数C6：找到具有最大准则值的特征将这个特征从特征子集剔除即s←s-s*，更新特征排序子集r←[s*；r]；C7：返回步骤C2，直到s中剩余最后一个特征为s*；C8：更新排序子集r←[s*；r]，得到最终的特征排序集r；步骤S5中利用密度诱导支持向量数据描述递归特征消除方法得到异常数据的特征排序。

全文数据：

权利要求：

百度查询： 常熟理工学院 一种基于密度诱导支持向量数据描述的故障诊断方法