SVM在水泥机械故障诊断中的应用范文

本站小编为你精心准备了SVM在水泥机械故障诊断中的应用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要:

基于支持向量机的故障预测和诊断方法是目前该领域的研究热点。这里介绍了支持向量机的原理、支持向量机在故障诊断过程中故障状态分类及回归上的应用，针对经典支持向量机的不足，提出了改进方法:双扰动集成支持向量机，并通过试验数据说明了其有效性。

关键词:

支持向量机；模式识别；故障诊断；水泥

水泥生产所需的破碎机、粉磨机、冷却机等大型机械设备是现代工业中的关键设备。大型机械设备的安全运行是保证相关生产过程的关键。在生产过程中监测这些设备的安全状态，并进行故障趋势分析和故障诊断,对保障设备安全可靠地运行，降低机械设备的故障停机率，提高经济效益和社会效益有着重要作用。因此，故障诊断技术在现代工业上有着广阔的应用前景。

近年来，随着信号处理、模式识别、智能计算等许多学科的迅速发展和相互渗透，相关技术如小波分析、神经网络、专家系统等在故障诊断中得到了良好的应用[1]，使得故障诊断得到了快速发展。故障趋势分析作为故障诊断的关键技术之一，以设备的使用状态为基础数据，结合已知相关参数如结构特性、结构参数、运行环境条件、历史运行参数和历史故障等，对设备未来的工作阶段可能出现的故障进行预报、分析和判断[2]。由于能够较早的诊断出故障的类型、部位、原因、趋势和后果，故障诊断对于避免重大故障的发生有着重要作用。因此，相关学者对故障诊断分析方法进行了广泛的研究，其中，支持向量机（SupportVectorMachine，简称svm）作为一种较为有效且精度较高的方法，逐渐被相关领域认可并推广使用。

1支持向量机原理

1.1支持向量机简介支持向量机（SVM）是CorinnaCortes和Vapnik等在1995年首先提出的[3]。SVM以统计学中的VC维理论和结构风险最小原理为基础，结合有限的样本信息，在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以求获得最好的推广能力。SVM能较好地解决小样本、非线性、高维数和局部极小点等实际问题，被认为是目前针对小样本的分类、回归等问题的最佳理论[4]。SVM能完成故障预测所需要进行的两个映射，即从特征空间到趋势空间的映射，从趋势空间到故障空间的映射。该映射实际上是对特征向量进行趋势预测，从而完成故障模式识别。

1.2基于SVM的分类和向量回归基本的SVM算法是针对两种不同类型之间的分类问题。针对多类识别问题，可以将SVM进行推广。一般有两种途径:直接法和分解法。直接法运算复杂，在实际中很少采用。分解法是通过某种方式构造一系列标准的两类SVM分类器,并将它们组合在一起来实现多类分类。使用较多的分解方法是一对多（onevs.all，OVA)和一对一(onevs.one，OVO)。综合比较而言，OVO方法优于OVA方法。用SVM来估计回归函数Φ,基本思想就是通过一个非线性映射，将输入空间的数据x映射到高维特征空间G中，并在这个空间进行线性回归。

1.3经典支持向量机不足在实际应用中，经典支持向量机存在着一些不足之处，例如，SVM在解优化问题时采用了逼近算法，这种方法使得到的结果存在误差[5]。同时，核函数和模型参数的选取对SVM的性能影响很大，但是目前为止相关学者没有研究出准确找到最优参数的方法，这使得结果难以最优化等。对此可以通过对其进行优化以得到较好的结果。

2双扰动集成支持向量机

双扰动集成支持向量机是一种较为有效的优化方法。该种方法采用ReliefF算法得到权重向量，进而通过轮盘法得到子空间法所需要的特征子集，并与Bagging算法结合起来，形成了双重扰动法，较好地提升了支持向量机的泛化能力。Relief算法是从训练集中随机选择一个样本R，然后分别从同类、不同类样本中寻找最近邻样本H、M。对于每维特征，如果R和H在其上的距离小于R和M上的距离，则应该增加该特征的权重；反之则减少。Relief算法仅能处理类别数为两类的数据分类问题,而将其扩展后得到的ReliefF算法可以解决多类问题以及回归问题。ReliefF算法在处理多类问题时，从每个不同类别的样本集合中找到并选择K个最近邻样本，然后进行数据处理。通过Re-lidfF算法得到权重向量,进而利用轮盘法进行特征的选择，对得到结果进行训练并进行Bagging操作，最终得到分类结果[6]。

为了验证其效果，对某机器在正常、不平衡、碰磨、半频涡动的状态下产生的信号进行收集。通过小波分析对信号进行时域特征提取。分别提取了波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标以及峰峰值作为特征向量中的7个参数。再加上由小波包分解得到的16个特征,总共23个特征组成一个样本。从这4种状态中总共提出500个样本，其中正常状态100个样本，不平衡状态200个样本，碰磨状态100个样本，半频涡动100个样本。利用双重扰动集成支持向量机和支持向量机对其进行分类识别，其中训练集为300个样本，测试集为200个样本，基分类器个数为15个，支持向量机核函数为径向基核函数，核函数参数通过网格法得到，识别结果如表1所示。试验结果表明，双重扰动法提高了支持向量机的正确识别率。

3总结

这里对传统支持向量机进行了研究，并针对其不足，提出了一种优化方法，即采用适合的特征评估算法———ReliefF算法得到权重向量，进而通过轮盘法得到子空间法所需要的特征子集，并与Bag-ging算法结合起来，形成双扰动集成支持向量机。总体而言，模式识别技术中支持向量机及其改进算法在机械设备安全状态检测及故障诊断中,能够很好地满足工程实际要求，在机械故障监测、智能诊断领域具有广阔的应用前景。

参考文献:

[1]王金彪,周伟,王澍.基于集成支持向量机的故障诊断方法研究[J].电光与控制,2012,19(2):87-91.

[2]吉尚伟,金志浩,金文,等.基于小波—支持向量机的旋转机械碰摩故障诊断[J].工业安全与环保,2010,36(3):1-3.

[3]韩东,许葆华.基于支持向量机的电动机构故障预测研究[J].计算机工程与设计,2011,32(1):297-300.

[4]齐保林,李凌均,李志农.基于支持向量机的故障模式识别研究[J].郑州大学学报,2007,28(1):9-11.

[5]张茂雨,陈联盟,杨克家,等.结构损伤模式识别与试验分析[J].自然灾害学报,2010,19(4):89-94.

[6]杨洪,古世甫,陶加贵,等.自适应分级多分类支持向量机在变压器故障诊断中的应用[J].高压电器,2010,46(5):49-52.

作者：李兴明 郭顺生 单位：武汉理工大学