《SVM在水泥機械故障診斷中的應(yīng)用》由會員分享，可在線閱讀，更多相關(guān)《SVM在水泥機械故障診斷中的應(yīng)用（3頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、SVM在水泥機械故障診斷中的應(yīng)用 SVM在水泥機械故障診斷中的應(yīng)用 2016/01/13 摘要: 基于支持向量機的故障預(yù)測和診斷方法是目前該領(lǐng)域的研究熱點。這里介紹了支持向量機的原理、支持向量機在故障診斷過程中故障狀態(tài)分類及回歸上的應(yīng)用，針對經(jīng)典支持向量機的不足，提出了改進方法:雙擾動集成支持向量機，并通過試驗數(shù)據(jù)說明了其有效性。 關(guān)鍵詞: 支持向量機；模式識別；故障診斷；水泥 水泥生產(chǎn)所需的破碎機、粉磨機、冷卻機等大型機械設(shè)備是現(xiàn)代工業(yè)中的關(guān)鍵設(shè)

2、備。大型機械設(shè)備的安全運行是保證相關(guān)生產(chǎn)過程的關(guān)鍵。在生產(chǎn)過程中監(jiān)測這些設(shè)備的安全狀態(tài)，并進行故障趨勢分析和故障診斷,對保障設(shè)備安全可靠地運行，降低機械設(shè)備的故障停機率，提高經(jīng)濟效益和社會效益有著重要作用。因此，故障診斷技術(shù)在現(xiàn)代工業(yè)上有著廣闊的應(yīng)用前景。 近年來，隨著信號處理、模式識別、智能計算等許多學(xué)科的迅速發(fā)展和相互滲透，相關(guān)技術(shù)如小波分析、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等在故障診斷中得到了良好的應(yīng)用[1]，使得故障診斷得到了快速發(fā)展。故障趨勢分析作為故障診斷的關(guān)鍵技術(shù)之一，以設(shè)備的使用狀態(tài)為基礎(chǔ)數(shù)據(jù)，結(jié)合已知相關(guān)參數(shù)如結(jié)構(gòu)特性、結(jié)構(gòu)參數(shù)、運行環(huán)境條件、歷史運行參數(shù)和歷史故障等，對設(shè)備未來的工

3、作階段可能出現(xiàn)的故障進行預(yù)報、分析和判斷[2]。由于能夠較早的診斷出故障的類型、部位、原因、趨勢和后果，故障診斷對于避免重大故障的發(fā)生有著重要作用。因此，相關(guān)學(xué)者對故障診斷分析方法進行了廣泛的研究，其中，支持向量機（SupportVectorMachine，簡稱SVM）作為一種較為有效且精度較高的方法，逐漸被相關(guān)領(lǐng)域認可并推廣使用。 1支持向量機原理 1.1支持向量機簡介支持向量機（SVM）是CorinnaCortes和Vapnik等在1995年首先提出的[3]。SVM以統(tǒng)計學(xué)中的VC維理論和結(jié)構(gòu)風(fēng)險最小原理為基礎(chǔ)，結(jié)合有限的樣本信息，在模型的復(fù)雜性（即對特定訓(xùn)練樣本的學(xué)習(xí)精度）和

4、學(xué)習(xí)能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折中，以求獲得最好的推廣能力。SVM能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題，被認為是目前針對小樣本的分類、回歸等問題的最佳理論[4]。SVM能完成故障預(yù)測所需要進行的兩個映射，即從特征空間到趨勢空間的映射，從趨勢空間到故障空間的映射。該映射實際上是對特征向量進行趨勢預(yù)測，從而完成故障模式識別。 1.2基于SVM的分類和向量回歸基本的SVM算法是針對兩種不同類型之間的分類問題。針對多類識別問題，可以將SVM進行推廣。一般有兩種途徑:直接法和分解法。直接法運算復(fù)雜，在實際中很少采用。分解法是通過某種方式構(gòu)造一系列標(biāo)準的兩類

5、SVM分類器,并將它們組合在一起來實現(xiàn)多類分類。使用較多的分解方法是一對多（onevs.all，OVA)和一對一(onevs.one，OVO)。綜合比較而言，OVO方法優(yōu)于OVA方法。用SVM來估計回歸函數(shù)Φ,基本思想就是通過一個非線性映射，將輸入空間的數(shù)據(jù)x映射到高維特征空間G中，并在這個空間進行線性回歸。 1.3經(jīng)典支持向量機不足在實際應(yīng)用中，經(jīng)典支持向量機存在著一些不足之處，例如，SVM在解優(yōu)化問題時采用了逼近算法，這種方法使得到的結(jié)果存在誤差[5]。同時，核函數(shù)和模型參數(shù)的選取對SVM的性能影響很大，但是目前為止相關(guān)學(xué)者沒有研究出準確找到最優(yōu)參數(shù)的方法，這使得結(jié)果難以最優(yōu)化等。對

6、此可以通過對其進行優(yōu)化以得到較好的結(jié)果。 2雙擾動集成支持向量機 雙擾動集成支持向量機是一種較為有效的優(yōu)化方法。該種方法采用ReliefF算法得到權(quán)重向量，進而通過輪盤法得到子空間法所需要的特征子集，并與Bagging算法結(jié)合起來，形成了雙重擾動法，較好地提升了支持向量機的泛化能力。Relief算法是從訓(xùn)練集中隨機選擇一個樣本R，然后分別從同類、不同類樣本中尋找最近鄰樣本H、M。對于每維特征，如果R和H在其上的距離小于R和M上的距離，則應(yīng)該增加該特征的權(quán)重；反之則減少。Relief算法僅能處理類別數(shù)為兩類的數(shù)據(jù)分類問題,而將其擴展后得到的ReliefF算法可以解決多類問題以及回歸問

7、題。ReliefF算法在處理多類問題時，從每個不同類別的樣本集合中找到并選擇K個最近鄰樣本，然后進行數(shù)據(jù)處理。通過Re-lidfF算法得到權(quán)重向量,進而利用輪盤法進行特征的選擇，對得到結(jié)果進行訓(xùn)練并進行Bagging操作，最終得到分類結(jié)果[6]。 為了驗證其效果，對某機器在正常、不平衡、碰磨、半頻渦動的狀態(tài)下產(chǎn)生的信號進行收集。通過小波分析對信號進行時域特征提取。分別提取了波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、偏斜度指標(biāo)、峭度指標(biāo)以及峰峰值作為特征向量中的7個參數(shù)。再加上由小波包分解得到的16個特征,總共23個特征組成一個樣本。從這4種狀態(tài)中總共提出500個樣本，其中正常狀態(tài)100個樣

8、本，不平衡狀態(tài)200個樣本，碰磨狀態(tài)100個樣本，半頻渦動100個樣本。利用雙重擾動集成支持向量機和支持向量機對其進行分類識別，其中訓(xùn)練集為300個樣本，測試集為200個樣本，基分類器個數(shù)為15個，支持向量機核函數(shù)為徑向基核函數(shù)，核函數(shù)參數(shù)通過網(wǎng)格法得到，識別結(jié)果如表1所示。試驗結(jié)果表明，雙重擾動法提高了支持向量機的正確識別率。 3總結(jié) 這里對傳統(tǒng)支持向量機進行了研究，并針對其不足，提出了一種優(yōu)化方法，即采用適合的特征評估算法———ReliefF算法得到權(quán)重向量，進而通過輪盤法得到子空間法所需要的特征子集，并與Bag-ging算法結(jié)合起來，形成雙擾動集成支持向量機?？傮w而言，模式識

9、別技術(shù)中支持向量機及其改進算法在機械設(shè)備安全狀態(tài)檢測及故障診斷中,能夠很好地滿足工程實際要求，在機械故障監(jiān)測、智能診斷領(lǐng)域具有廣闊的應(yīng)用前景。 參考文獻: [1]王金彪,周偉,王澍.基于集成支持向量機的故障診斷方法研究[J].電光與控制,2012,19(2):87-91. [2]吉尚偉,金志浩,金文,等.基于小波—支持向量機的旋轉(zhuǎn)機械碰摩故障診斷[J].工業(yè)安全與環(huán)保,2010,36(3):1-3. [3]韓東,許葆華.基于支持向量機的電動機構(gòu)故障預(yù)測研究[J].計算機工程與設(shè)計,2011,32(1):297-300. [4]齊保林,李凌均,李志農(nóng).基于支持向量機的故障模式識別研究[J].鄭州大學(xué)學(xué)報,2007,28(1):9-11. [5]張茂雨,陳聯(lián)盟,楊克家,等.結(jié)構(gòu)損傷模式識別與試驗分析[J].自然災(zāi)害學(xué)報,2010,19(4):89-94. [6]楊洪,古世甫,陶加貴,等.自適應(yīng)分級多分類支持向量機在變壓器故障診斷中的應(yīng)用[J].高壓電器,2010,46(5):49-52.