SVM在水泥機械故障診斷中的應用研究

李興明 郭順生

武漢理工大學（430070）

SVM在水泥機械故障診斷中的應用研究

李興明 郭順生

武漢理工大學（430070）

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。

支持向量機；模式識別；故障診斷；水泥

0 引言

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中的關鍵設備。大型機械設備的安全運行是保證相關生產過程的關鍵。在生產過程中監測這些設備的安全狀態，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、運行環境條件、歷史運行參數和歷史故障等，對設備未來的工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。假設存在訓練樣本數據（xi，yi），i=1，2，…，n，x∈Rd，yi∈{+1，-1}，其中n為樣本數，d為輸入的維數。通過一個非線性映射，將輸入空間的數據映射到高維特征空間G中，再在高維特征空間中建立優化超平面。判別目標函數如下所示。

式中:αi——拉格朗日乘子，b——偏置。kΣxi,kΣ為核函數，需要滿足Mercer條件，常用的核函數有:線性核函數、多項式核函數和徑向基核函數等。

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。設訓練樣本集為（xi，yi），i=1，2，…，n，x∈Rd，y∈R，回歸函數用式（2）所示線性方程來表示。

式中:αi、——拉格朗日乘子，b——偏置，K Σxi，xΣ——核函數。

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參數的方法，這使得結果難以最優化等。對此可以通過對其進行優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RelidfF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種狀態中總共提出500個樣本，其中正常狀態100個樣本，不平衡狀態200個樣本，碰磨狀態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。

表1 故障診斷結果對比分析

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Bagging算法結合起來，形成雙擾動集成支持向量機。總體而言，模式識別技術中支持向量機及其改進算法在機械設備安全狀態檢測及故障診斷中,能夠很好地滿足工程實際要求，在機械故障監測、智能診斷領域具有廣闊的應用前景。

[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].工業安全與環保,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.