帶故障樣本的彈性雙閾值SVDD在線故障

張敏龍 王濤 王旭平 趙軍紅

摘要： 提出一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法，該算法從故障樣本使用、實(shí)時樣本劃分以及訓(xùn)練樣本更新三個方面對傳統(tǒng)在線SVDD算法進(jìn)行優(yōu)化。一是在SVDD訓(xùn)練階段加入故障樣本，提高數(shù)據(jù)描述能力和診斷精度；二是提出球邊界偏移判別準(zhǔn)則，形成可變的雙層邊界將超球空間分成三個區(qū)域，同時增大對故障樣本的敏感性，降低漏檢風(fēng)險；三是引入滑動窗機(jī)制批量檢測更新樣本，減少計算量，并通過調(diào)節(jié)落入中間區(qū)域的樣本比例控制虛警率。對離心壓縮機(jī)喘振過程信號檢測的試驗(yàn)結(jié)果表明，該算法能夠自適應(yīng)更新模型和閾值，并在極少虛警和漏檢的情況下實(shí)現(xiàn)壓縮機(jī)喘振故障的準(zhǔn)確高效診斷。

關(guān)鍵詞： 故障診斷； 支持向量域描述； 故障樣本； 球邊界偏移判別； 滑動窗

中圖分類號： TH165+.3 文獻(xiàn)標(biāo)志碼： A 文章編號： 1004-4523（2016）03-0555-06

DOI：10.16385/j.cnki.issn.10044523.2016.03.023

引 言

在機(jī)械故障診斷中，設(shè)備正常運(yùn)行模式樣本多而故障運(yùn)行模式樣本少。從模式識別角度來看，監(jiān)測機(jī)器運(yùn)行狀態(tài)是一種少故障樣本情況下的異常檢測問題[1]。Tax等[2]提出的支持向量域描述（Support Vector Domain Description，SVDD）是一種經(jīng)典的單值分類器，能有效解決故障診斷問題中的小樣本、非線性等困難，目前已成功用于機(jī)械設(shè)備的故障診斷之中[35]。

近年來，實(shí)時監(jiān)測、在線診斷已成為故障診斷領(lǐng)域的重要發(fā)展方向，而SVDD在線算法的研究應(yīng)用也隨之成為一個新熱點(diǎn)。目前SVDD在線算法存在的問題和相應(yīng)的改進(jìn)方法有：（1）對于故障樣本，目前多數(shù)在線算法選擇棄用[7]或視為正常樣本的偏移繼續(xù)使用[8]，這樣會帶來很大的浪費(fèi)和誤差。文獻(xiàn)[6]指出，故障樣本富含寶貴的信息資源，在SVDD訓(xùn)練時加入少量故障樣本，可以適當(dāng)提高診斷精度。（2）帶故障樣本的SVDD算法（SVDD with Negative Samples，NSVDD）為保證模型的推廣能力，允許出現(xiàn)錯分樣本，這些樣本多數(shù)位于超球邊界附近，在實(shí)際應(yīng)用時會帶來一定的檢測誤差[9]，因此需要對這些樣本進(jìn)行更合理的劃分。文獻(xiàn)[7]使用雙閾值以區(qū)分故障樣本和非邊界支持向量；文獻(xiàn)[10]提出了一種υ_NSVDD算法克服了野點(diǎn)和噪聲的影響；文獻(xiàn)[11]對υ_NSVDD進(jìn)行了改進(jìn)，使之更適于樣本不平衡問題。（3）SVDD算法本質(zhì)是一個二次規(guī)劃問題，傳統(tǒng)二次規(guī)劃由于核矩陣的存儲導(dǎo)致計算緩慢，而在線故障診斷為適應(yīng)機(jī)械故障狀態(tài)的變化，需要不斷更新檢測模型，使得在線診斷效率低下，甚至無法進(jìn)行。目前提高在線算法效率的方法主要有兩種，一是針對二次規(guī)劃本身，如文獻(xiàn)[7]引入SMO算法訓(xùn)練SVDD模型，提高了二次規(guī)劃速度；二是改進(jìn)訓(xùn)練樣本的更新方式，如文獻(xiàn)[12]提出一種增量式SVDD，減少了新增樣本的訓(xùn)練時間。

綜上考慮，本文提出一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法（Variable Double Threshold NSVDD Online Diagnosis，VDTNOD）。該算法將故障樣本加入SVDD訓(xùn)練，提出球邊界偏移判別準(zhǔn)則，同時引入滑動窗機(jī)制[13]批量更新樣本。最后將其應(yīng)用于離心壓縮機(jī)喘振過程診斷，并分析了算法精度及自適應(yīng)診斷能力。

4 結(jié) 論

本文提出了一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法，對故障樣本的使用、實(shí)時樣本的劃分以及訓(xùn)練樣本的更新等進(jìn)行優(yōu)化，并將其成功應(yīng)用于離心壓縮機(jī)喘振故障診斷，主要結(jié)論如下：

（1）該算法使用少量故障樣本參與SVDD模型的訓(xùn)練，提高了診斷精度。

（2）該算法定義了球邊界偏移判別準(zhǔn)則，形成可變的雙層判別邊界，加大了對故障樣本的敏感性，減小了漏檢風(fēng)險。

（3）該算法通過使用較大的比例警告限和報警限，降低了診斷虛警。

（4）該算法利用滑動窗機(jī)制，批量檢測更新樣本，提高了診斷效率。

（5）該算法能夠在極少虛警和漏檢的情況下快速準(zhǔn)確地實(shí)現(xiàn)對壓縮機(jī)喘振的在線自適應(yīng)診斷。參考文獻(xiàn)：

[1] Mahadevan S， Shah S L. Fault detection and diagnosis in process data using oneclass support vector machines[J]. Journal of Process Control， 2009，19（10）：1627—1639.

[2] David M J Tax， Robert P W Duin. Support vector domain description[J]. Pattern Recognition Letters， 1999，20（1113）：1191—1199.

[3] 王濤， 李艾華， 王旭平， 等. 基于SVDD與距離測度的齒輪泵故障診斷方法研究[J]. 振動與沖擊， 2013，32（11）：62—65.

WANG T， LI A H， WANG X P， et al. Fault diagnosis method for a gear pump based on SVDD and distance measure[J]. Journal of Vibration and Shock， 2013，32（11）：62—65.

[4] 孫文柱， 曲建嶺， 袁濤， 等. 基于改進(jìn)SVDD的飛參數(shù)據(jù)新異檢測方法[J]. 儀器儀表學(xué)報， 2014，35（4）：932—939.

SUN W Z， QU J L， YUAN T， et al. Flight data novelty detection method based on improved SVDD[J]. Chinese Journal of Scientific Instrument， 2014，35（4）：932—939.

[5] Jordan M B， Markus T. Feature extraction for novelty detection as applied to fault detection in machinery[J]. Pattern Recognition Letters， 2011，32：1054—1061.

[6] David M J Tax， Robert P W Duin. Support vector data description[J]. Machine Learning， 2004，54：45—66.

[7] 胡雷， 胡蔦慶， 秦國軍. 雙閾值單類支持向量機(jī)在線故障檢測算法及應(yīng)用[J]. 機(jī)械工程學(xué)報， 2009，45（3）：169—173.

HU L， HU N Q， QIN G J. Online fault detection algorithm based on doublethreshold OCSVM and its application[J]. Journal of Mechanical Engineering， 2009，45（3）：169—173.

[8] Davy M， Desobry F， Gretton A， et al. An online support vector machine for abnormal events detection[J]. Signal Processing， 2006，86（8）：2009—2025.

[9] Guo S M， Chen L C， Tsai J S H. A boundary method for outlier detection based on support vector domain description[J]. Pattern Recognition， 2009，42：77—83.

[10] Mu T T， Nandi A K. Multiclass classification based on extended support vector data description[C]. IEEE Transactions on System， Man， and Cybernetics—Part B：Cybernetics， 2009，39（5）：1206—1202.

[11] 劉小平， 徐桂云， 任世錦， 等. 一種新的不平衡數(shù)據(jù)υNSVDD多分類算法[J]. 南京大學(xué)學(xué)報（自然科學(xué)版）， 2013，49（2）：150—158.

Liu X P， Xu G Y， Ren S J， et al. A new unbalanced data υNSVDD multiclass algorithm[J]. Journal of Nanjing University （Natural Sciences）， 2013，49（2）：150—158.

[12] 馮國瑜， 肖懷鐵， 付強(qiáng)， 等. 基于ISVDD的雷達(dá)高分辨距離像在線識別方法[J]. 系統(tǒng)工程與電子技術(shù)， 2012，34（3）：489—494.

FENG G Y， XIAO H T， FU Q， et al. Online recognition method of HRRP for radar systems based on ISVDD[J]. Systems Engineering and Electronic， 2012，34（3）：489—494.

[13] 張慶， 徐光華， 華成， 等. 一類支持向量機(jī)的設(shè)備狀態(tài)自適應(yīng)報警方法[J]. 西安交通大學(xué)學(xué)報， 2009，43（11）：61—65.

ZHANG Q， XU G H， HUA C， et al. Selfadaptive alarm method for equipment condition based on oneclass support vector machine[J]. Journal of Xi′an Jiaotong University， 2009，43（11）：61—65.