9、支持向量机与K折交叉验证检测虚假警报

支持向量机与K折交叉验证检测虚假警报

在风力涡轮机（WT）的故障检测和诊断领域，支持向量机（SVM）是一种广泛应用的监督式机器学习算法。近年来，关于SVM的研究不断增加，其在WT故障检测中的应用也取得了不少成果。

1. SVM在WT故障检测中的研究现状

许多研究将SVM应用于WT不同组件的故障检测，以下是一些研究成果的总结：
| 参考文献 | 方法 | 组件 | 准确率 | 验证方式 |
| — | — | — | — | — |
| (Yang et al., 2021) | SVM高斯径向 | 叶片 | 82.93% | 无数据 |
| (Hübner et al., 2021) | SVM线性核 | 转子 | 84% | 无数据 |
| (Turnbull et al., 2019) | 带多项式核的SVM | 发电机 | 64% | 5折交叉验证 |
| (Carroll et al., 2019) | SVM线性核 | 齿轮箱 | 60% | 留出法：70%训练，30%测试 |
| (Santos et al., 2015) | SVM线性核 | WT | 98.26% | 5×2交叉验证 |
| (Dhiman et al., 2021) | 自适应阈值和双支持向量机 | 齿轮箱 | 95.75% | 十折交叉验证 |
| (Dhiman et al., 2021) | 带类权重的SVM | 发电机加热故障 | 精度 = 0.24 | 留出法：80%训练，20%测试 |
| (Tang et al., 2014) | 香农小波支持向量机 | 传动系统 | 92% | 无数据 |