毕业论文课题相关文献综述
文献综述
一、研究背景与意义
随着科学技术的发展与现代工业的进步，各种机械设备日趋大型化、高速化和重载化，自动化程度也越来越高[1]。这一方面提高了生产效率、降低了生产成本，另一方面，这些设备一旦发生故障，轻者会给企业带来巨大的经济损失，重者还会导致严重灾难性事故，造成恶劣的社会影响。因此，如何保证这些咽喉设备能够长周期、满负荷、安全稳定的运行，对于企业和社会都具有十分重要的意义。
变压器作为电力系统的重要枢纽设备，长期处于运行状态，所以若对其能实现随时诊断，将对整个电网安全稳定运行具有重要意义[2]。近年来，人们借助人工神经网络、模糊数学、聚类原理、灰色系统理论探索变压器故障诊断已获得了一些应用成果，但仍存在不足[3-6]。因为它们都属于有监督分类算法，所以需要大量数目相同且不同类别的样本对其进行训练才能获得较好的泛化能力。然而，在故障诊断检测这种特殊的应用领域中，人们往往无法收集到各种故障数据样本，甚至根本无法得到任何故障数据样本，针对传统分类算法在没有故障样本信息的情况下无法有效实现故障检测不足的问题。提出了一种基于支持向量数据描述的变压器故障诊断方法，以避免传统有监督分类方法必需故障样本信息的不足[7]。同时，通过实验表明了该方法在数据不均衡情况下分类性能较其他算法有较大幅度提高。该算法只需要目标样本，即正常样本进行训练，无需故障样本信息，最终得到描述正常样本空间结构信息的超球体，决策阶段利用与超球体中心的距离进行判断。通过实验表明，提出的方法在故障样本不均衡的情况下能有效实现变压器的故障检测[8]。
二、支持向量数据描述概述
支持向量数据描述（Supportvectordatadescription，SVDD）是在支持向量机的基础上提出的一种单值分类算法，它不同于传统模式分类算法[9]。传统模式分类方法一般需要利用两类样本或多类，通过这些决定决策边界。大多数传统的分类器都对数据的平衡度有或多或少的要求，当其中一类样本数据很少甚至完全没有时表现很不理想。而支持向量数据描述方法只需要正常状态下时的样本作为训练样本就可以建立分类器，并判断出测试样本是不是和训练样本属于一类，在故障诊断中也就是说是属于正常样本还是故障样本[10]。
支持向量数据描述的基本思想是将要描述的对象作为一个整体,在高维特征空间中建立一个最小超球体,使被描述的对象全部或尽可能多地落在该超球体内,非该类对象没有或尽可能少地位于该超球体内[11]。超球体内的点被认为属于目标类，而超球体外的点则被认为不属于该类，从而达到两类分开的目的。
支持向量数据描述算法是由DavidM.J.Tax和R.P.W.Duin于1999年提出的一种单值分类方法。其理论基础源于V.N.Vapnik提出的支持向量机[12]。
基于支持向量数据描述的变压器故障检测方法具有很强的推广能力，不仅适合于故障检测，同样也适用于不均衡数据情况下的其他分类应用领域。SVDD在解决小样本、非线性和高维的机器学习中表现出许多特有的优势,将克服传统的智能诊断技术在典型故障样本缺乏时的不足。SVDD所具有的众多优点已经引起学者的关注,并成功将支持向量数据描述应用于设备状态评估、故障诊断、预警系统、人脸识别、语音识别、图像识别等领域得到应用[13]。
三、国内外现状
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
