混合模糊FV-SCVM和改进遗传算法的自动车装配故障诊断

中文字数:2473,  英文字数:1455

混合模糊FV-SCVM和改进遗传算法的自动车装配故障诊断
摘要 本文提出一种新的版本的模糊支持向量机来诊断自动汽车组装故障诊断的输入、输出变量,被描述为模糊数和模糊数空间度量标准的界定。然后，把SVM与模糊理论相结合，就提出了FV-SVCM的建议。一个基于FV – SVCM的故障诊断方法及其相关参数的算法都已经提出了相应的选择方法. 在汽车组装的诊断中的应用结果证实了可行性和诊断方法的有效性。和FNN模型相比较，FV-SVCM方法需要较少的样本，具有较好的估计精度。
关键字：FV-SCVM 三角模糊数 遗传算法 故障诊断
1  引言
 由于维修在汽车制造业有重大影响，它已经受到了专家和实际维修的深刻注意。根据研究，维修成本是所有制造和生产工厂的总经营成本的重要组成部分，它也决定了一个企业的成败。根据不同特定的行业，维修费用可代表15％至40％的商品生产的成本。事实上，这些费用与维修人工和材料相关，通过新技术的发展增加，随着工厂的自动化这些费用在未来将会变得更高。
 如今，维修策略的发展无论是在硬件还是软件上都需要计算机技术的支持。 最近开发的方法是使用与日常维护工具人工智能（AI）的技术。基于一个优秀的易于维修的计划，它导致了实际维修去创建一个智能维护系统。智能维护包括一些组成部分（硬件和软件），这些组成部分可能会使系统按照人类一样做例行维护。专家系统作为人工智能在维修科（ES）的应用是解决方案之一。这个ES的基本思想很简单，它就是从人转移到一台计算机。然后把这方面的知识存储到计算机中，用户根据需要的具体建议对计算机进行呼叫。计算机可以做出推论，得出一个明确的结论。然后，像人类顾问，它给了意见和解释，如果有必要，建议背后还具有逻辑。
SVM是一种比较新基于统计学习理论的计算方法，可以作为ES提供服务。下面介绍一些开创性的论文，显示了SVM的发展，来自于由Vapnik（1995）等发展的统计学习理论。SVM是基于VC理论，最近作为一般的数学框架