两阶段学习的半监督SVM故障检测技术

"基于两阶段学习的半监督SVM故障检测方法" 是一篇2012年的工程技术论文，由陶新民、曹盼东、宋少宇和付丹丹撰写，发表于《振动与冲击》杂志。该研究提出了一种创新的故障检测策略，主要针对半监督学习场景，尤其是那些标记数据有限而未标记数据丰富的环境。 文章的核心是利用两阶段学习策略来提升支持向量机（SVM）的故障检测性能。在第一阶段，研究者应用标识传递算法给未标记样本分配初步的伪标识。这个过程是通过分析样本间的相似性，即构建k近邻图，来推测样本的潜在类别。通过比较样本点的标识值，可能的噪声样本被识别并从样本集中剔除，以减少它们对后续模型训练的干扰。 第二阶段，经过去噪处理的样本集被输入到SVM模型中进行训练。这种方法允许SVM在训练时考虑到整个样本集的信息，不仅包括已知的标记样本，也包括那些经过初步分类的未标记样本。这样可以增强模型对未知故障模式的泛化能力，从而提高故障检测的准确性。 在实验部分，该方法与传统的SVM、模糊支持向量机（FSVM）、直推式支持向量机（TSVM）以及拉普拉斯支持向量机（LapSVM）算法进行了对比。实验结果显示，在不同数量的标记样本条件下，所提出的两阶段学习半监督SVM方法在故障检测精度上显著优于这些传统算法。此外，研究还探讨了在包含和不包含测试样本的训练条件下，该方法的故障检测性能，表明结合测试样本可以进一步提升检测性能。 这篇论文提出的两阶段学习半监督SVM方法提供了一种有效且实用的解决方案，尤其适用于工业设备故障诊断领域，当大量未标记数据可用但标记数据有限时，它能提高故障检测的准确性和效率。通过减少噪声样本的影响和充分利用所有可用信息，该方法在实际应用中具有很高的潜力。