典型文献
基于SVDD优化的南极望远镜驱动非预期故障研究
文献摘要：
支持向量数据描述SVDD(Support Vector Data Description,SVDD)算法,在小样本故障检测中表现出良好的学习能力.然而,现有的SVDD故障检测方法由于对实验数据和参数过于依赖,从而限制了故障检测的精度.针对上述问题,提出了一种基于SVDD的智能寻优非预期故障检测算法.实验数据采取核主成分分析法(Kernel Princi-pal Component Analysis,KPCA)降维去噪处理;并对 SVDD 算法与粒子群优化(Particle Swarm Optimization,PSO)算法结合,对算法参数优化.待检测样本点的球心距与超球体半径之差为衡量标准,实现非预期故障的检测.数据采集于南极望远镜的驱动系统,实验结果表明,优化后的SVDD算法检测精度提高.基于半实物仿真平台验证该算法,在非预期故障检测中具有很高的应用价值.
文献关键词：
南极望远镜;驱动系统;SVDD;非预期故障;参数优化;KPCA降维
中图分类号：
作者姓名：
邓壮壮;杨世海;朱节中;李运;高志文
作者机构：
南京信息工程大学电子信息学院,南京,210044;中国科学院国家天文台南京天文光学技术研究所,南京,210042;中国科学院天文光学技术重点实验室(南京天文光学技术研究所),南京210042
文献出处：
引用格式：
[1]邓壮壮;杨世海;朱节中;李运;高志文-.基于SVDD优化的南极望远镜驱动非预期故障研究)[J].自动化与仪器仪表,2022(01):18-22
A类：
南极望远镜,非预期故障,Princi
B类：
SVDD,故障研究,支持向量数据描述,Support,Vector,Data,Description,小样本,故障检测方法,智能寻优,检测算法,核主成分分析法,Kernel,pal,Component,Analysis,KPCA,去噪处理,粒子群优化,Particle,Swarm,Optimization,PSO,算法参数优化,检测样本,样本点,球心,超球,球体,衡量标准,驱动系统,检测精度,半实物仿真平台
AB值：
0.317619
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
