SVM在水泥機械故障診斷中的應用

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

1、SVM在水泥機械故障診斷中的應用 SVM在水泥機械故障診斷中的應用 2016/01/13 摘要: 基于支持向量機的故障預測和診斷方法是目前該領域的研究熱點。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)分類及回歸上的應用，針對經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，并通過試驗數據說明了其有效性。 關鍵詞: 支持向量機；模式識別；故障診斷；水泥 水泥生產所需的破碎機、粉磨機、冷卻機等大型機械設備是現代工業(yè)中的關鍵設

2、備。大型機械設備的安全運行是保證相關生產過程的關鍵。在生產過程中監(jiān)測這些設備的安全狀態(tài)，并進行故障趨勢分析和故障診斷,對保障設備安全可靠地運行，降低機械設備的故障停機率，提高經濟效益和社會效益有著重要作用。因此，故障診斷技術在現代工業(yè)上有著廣闊的應用前景。 近年來，隨著信號處理、模式識別、智能計算等許多學科的迅速發(fā)展和相互滲透，相關技術如小波分析、神經網絡、專家系統等在故障診斷中得到了良好的應用[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鍵技術之一，以設備的使用狀態(tài)為基礎數據，結合已知相關參數如結構特性、結構參數、運行環(huán)境條件、歷史運行參數和歷史故障等，對設備未來的工

3、作階段可能出現的故障進行預報、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，相關學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，逐漸被相關領域認可并推廣使用。 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以統計學中的VC維理論和結構風險最小原理為基礎，結合有限的樣本信息，在模型的復雜性（即對特定訓練樣本的學習精度）和

4、學習能力（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。直接法運算復雜，在實際中很少采用。分解法是通過某種方式構造一系列標準的兩類

5、SVM分類器,并將它們組合在一起來實現多類分類。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Φ,基本思想就是通過一個非線性映射，將輸入空間的數據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經典支持向量機不足在實際應用中，經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果存在誤差[5]。同時，核函數和模型參數的選取對SVM的性能影響很大，但是目前為止相關學者沒有研究出準確找到最優(yōu)參數的方法，這使得結果難以最優(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，則應該增加該特征的權重；反之則減少。Relief算法僅能處理類別數為兩類的數據分類問題,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，然后進行數據處理。通過Re-lidfF算法得到權重向量,進而利用輪盤法進行特征的選擇，對得到結果進行訓練并進行Bagging操作，最終得到分類結果[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、峰值指標、脈沖指標、裕度指標、偏斜度指標、峭度指標以及峰峰值作為特征向量中的7個參數。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，其中訓練集為300個樣本，測試集為200個樣本，基分類器個數為15個，支持向量機核函數為徑向基核函數，核函數參數通過網格法得到，識別結果如表1所示。試驗結果表明，雙重擾動法提高了支持向量機的正確識別率。 3總結 這里對傳統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、別技術中支持向量機及其改進算法在機械設備安全狀態(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、智能診斷領域具有廣闊的應用前景。 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故障預測研究[J].計算機工程與設計,2011,32(1):297-300. [4]齊保林,李凌均,李志農.基于支持向量機的故障模式識別研究[J].鄭州大學學報,2007,28(1):9-11. [5]張茂雨,陳聯盟,楊克家,等.結構損傷模式識別與試驗分析[J].自然災害學報,2010,19(4):89-94. [6]楊洪,古世甫,陶加貴,等.自適應分級多分類支持向量機在變壓器故障診斷中的應用[J].高壓電器,2010,46(5):49-52.