跳到主要內容

臺灣博碩士論文加值系統

(3.95.131.146) 您好!臺灣時間:2021/07/25 12:59
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:蕭朝文
研究生(外文):Hsiao,Chao-Wen
論文名稱:應用支援向量機於武器系統故障診斷分析-以高壓電源供應器為例
指導教授:鄧世剛鄧世剛引用關係
學位類別:碩士
校院名稱:國防大學中正理工學院
系所名稱:兵器系統工程研究所
學門:軍警國防安全學門
學類:軍事學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:75
中文關鍵詞:故障診斷支援向量機類神經網路
外文關鍵詞:fault diagnosissupport vector machinesneural networks
相關次數:
  • 被引用被引用:2
  • 點閱點閱:125
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
故障診斷對於武器系統裝備的正常運作與延長裝備的使用壽命等方面是ㄧ個重要的環節,且國軍所使用之武器裝備大都擔任戰備任務,對其恢復妥善時間要求極為迫切。因此亟需建立相關裝備故障診斷方法來使維修人員更精確快速地掌握失效,進而縮短維修時間。然而現今所發展之故障診斷方法,如最普遍運用於故障診斷研究之類神經網路必須在樣本數足夠時,才能獲得令人滿意的診斷結果,而樣本數增加時卻會造成診斷系統的負擔,進而使得診斷系統訓練時間增長。而且實際上裝備故障樣本數亦並非足夠使診斷系統獲得充分的訓練,因此如何在樣本數短少的情況下,進行故障診斷分析是十分重要的。
本研究運用支援向量機對國軍某裝備之高壓電源供應器進行故障診斷分析,支援向量機其主要的理論是來自統計學習理論中結構風險最小化的原則,而非傳統統計學的經驗風險最小化,所以適合應用於少故障樣本狀況下之故障診斷。本研究另探討支援向量機核函數參數的選擇,透過網格搜尋法及交叉驗證,找尋最佳之支援向量機參數組合,以建構最佳之支援向量機故障診斷架構。並與類神經網路相比較,支援向量機故障診斷架構在小樣本數之準確度優於類神經網路診斷架構。
Fault diagnosis forms an important aspect of the proper functioning, as well as extending the service life, of the weapon system. Recovery time is crucial, especially when the weapon equipments used by our military base are targeted mainly on duty. Therefore, there is a need for building a fault diagnosis method whereby the maintenance personnel can detect and repair the fault efficiently, and minimize the recovery time. Most of the modern fault diagnosis methods need an adequate sample sizes in order to achieve satisfactory results. With the increment of the sample size, it poses a great burden upon the diagnosing system, and lengthens the training time. From the practical point of view, the sample sizes rarely meet the requirements needed to train the diagnosing system. Thus how to diagnose faults under a smaller sample size is of utter importance.
The research used support vector machines (SVM) to analyze and diagnose the faults of the high-voltage power supply system, which used in military weapon system. The main theory of the support vector machines comes from the structural risk minimization (SRM) principle, and not the experienced risk minimization (ERM) principle. So it is most suitable for fault diagnosis of a smaller sample size. This research also looks at the parameters of kernel functions of the support vector machines, using grid search and cross valuation to search for the best parameters of the kernel functions, and to build the best fault diagnosis grid for the support vector machines. In comparison with back propagation neural networks, the support vector machines fault diagnosis grid is more accurate than back propagation neural networks fault diagnosis grid when the sample size is of a smaller quantity.
誌謝 ii
摘要 iii
ABSTRACT iv
目錄 v
表目錄 viii
圖目錄 ix
符號說明 xi
1. 緒論 1
1.1 研究動機 1
1.2 研究目的 2
1.3 研究流程 2
1.4 論文架構 4
2. 文獻探討 5
2.1 故障診斷簡介 5
2.1.1 故障診斷歷史 7
2.1.2 故障診斷方法 8
2.2 倒傳遞類神經網路 9
2.3 支援向量機 11
3. 研究方法 13
3.1 倒傳遞類神經網路 13
3.1.1 神經網路 13
3.1.2 類神經網路 14
3.1.3 倒傳遞類神經網路 16
3.1.4 倒傳遞類神經網路應用於故障診斷 17
3.2 支援向量機 26
3.2.1 支援向量機之理論基礎 26
3.2.2 支援向量機應用於分類問題 27
3.2.3 核函數 33
3.2.4 支援向量機應用於故障診斷 34
4. 實例驗證 38
4.1 本研究故障裝備資訊 38
4.1.1 裝備介紹 38
4.1.2 故障徵候及原因 40
4.1.3 故障資料蒐集 42
4.2 驗證結果 43
4.2.1 倒傳遞類神經故障診斷設定 43
4.2.2 倒傳遞類神經故障診斷結果 44
4.2.3 支援向量機故障診斷設定 47
4.2.4 支援向量機故障診斷結果 51
4.3 比較分析 55
5. 結論與未來研究方向 57
5.1 研究結論 57
5.2 未來研究方向 58
參考文獻 60
附錄壹 63
附錄貳 69
自傳 75
[1]吳今培、蕭建華,智能故障診斷與專家系統,科學出版社,北京,第4頁,1997年。
[2]楊軍、馮振聲、黃考利,裝備智能故障診斷技術,國防工業出版社,北京,第1-2頁,2004年。
[3]趙春華、趙新澤、高虹亮、晏紅,“故障樹分析法在挖泥船故障診斷中之應用”,三峽大學學報,第二十六卷,第一期,第31-34頁,2004。
[4]Weiner, A. J., Thurman, D. A., and Mitchell, C. M., “Applying Case-Based Reasoning to Aid Fault Management in Supervisory Control,” IEEE International Conference on Systems, Vol.5, pp. 4213-4218, July, 1995.
[5]Kramer, M. A., “Malfunction Diagnosis Using Quantitative Models with Non-Boolean Reasoning in Expert Systems,” AIChE Journal, Vol.33, No.1, pp. 130-140, January, 1987.
[6]Petti, T. F., Klein, J., and Dhurjati, P. S., “Diagnostic Model Processor: Using Deep Knowledge for Process Fault Diagnosis,” AIChE Journal, Vol.36, No.4, pp. 565-575, April, 1990.
[7]Surma, J., and Braunschweig, B., “Case-Based Retrieval in Process Engineering: Supporting Design by Reusing Flowsheets,” Engineering Applications of Artificial Intelligence, Vol.9, No.4, pp. 385-391, March, 1996.
[8]葉怡成,類神經網路模式應用與實作,儒林圖書有限公司,台北,第19頁,1993年。
[9]Kuan, C. M., and Hornik, K., “Convergence of Learning Algorithms with Constant Learning Rates,” IEEE Transactions on Neural Networks, Vol.2, No.5, pp. 484-490, September, 1991.
[10]Yam, Y. F., and Chow, T. W. S., “Extended Backpropagation Algorithm,” Electronics Letters, Vol.29, No.19, pp. 1701-1702, September, 1993.
[11]Fun, M. H., and Hagan, M. T., “Levenberg-Marquardt Training for Modular Networks,"IEEE International Conference, Vol.1, pp. 468-473, May, 1996.
[12] Hagan, M. T., and Menhaj, M. B., “Training Feedforward Networks with the Marquardt Algorithm,” IEEE Transaction on Neural Networks, Vol.5, No.6, pp. 989-993, November, 1994.
[13]李合平、鄒明虎、王志雲、黃允華,“基于L-M 算法的雷達板級電路快速故障診斷”,測試技術學報,第十八卷,第四期,第364-368頁,2004。
[14]張斐章、張麗秋、黃浩倫,類神經網路理論與實務,東華書局,台北,第136-139頁,2004年。
[15]Vapnik, V. N., and Lerner, A. Ya., “Pattern Recognition using Generalized Portrait Method,” Automation and Remote Control, Vol. 24, No. 6, pp. 709-715, June, 1963.
[16]王宏漫、歐宗瑛,“基於支持向量機的人臉識別方法研究”,小型微型計算機系統,第二十五卷,第一期,第139-142頁,2004。
[17]都雲琪、蕭詩斌,“基於支持向量機的中文文本自動分類研究”,計算機工程,第二十八卷,第十一期,第137-139頁,2002。
[18]鄧乃揚、田英杰,數據挖掘中的新方法-支持向量機,科學出版社,北京,第101頁,2004年。
[19] Hsu, C. W., and Lin, C. J., “A Comparison of Methods for Multiclass Support Vector Machines,” IEEE Transactions on neural networks, Vol.13, No.2, pp. 415-425, March, 2002.
[20]Yuan, S., and Chu, F., “Fault Diagnosis Based on Support Vector Machines with Parameter Optimisation by Artificial Iimmunisation Algorithm,” Mechanical Systems and Signal Processing, Vol.21, pp.1318-1330, 2007.
[21]Ganyun, L. V., Haozhong1, C., Haibao, Z., and Lixin, D., “Fault Diagnosis of Power Transformer Based on Multi-Layer SVM Classifier,” Electric Power Systems Research, Vol.74, pp.1-7, 2005.
[22]Shen, B., Yao, M., and Yuan, B., “SVM and classification ensembles based high-voltage transmission line fault diagnosis,” Computer and Information Technology, PP.11-17, September, 2005.
[23]張周鎖、李凌均、何正嘉,“基於支持向量機的多故障分類器及應用”,機械科學與技術,第二十三卷,第五期,第536-538頁,2004。
[24]張周鎖、李凌均、何正嘉,“基於支持向量機的機械故障智能分類研究”,小型微型計算機系統,第二十五卷,第四期,第667-670頁,2004。
[25]Vapnik, V. N., “An Overview of Statistical Learning Theory,” IEEE Transaction on neural networks, Vol.10, No.5, pp.988-999, September, 1999.
[26]http://www.csie.ntu.edu.tw/~cjlin/libsvm/。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top