基于優化支持向量機多分類器的水電機組故障診斷

秦正飛，高 磊，王軍現，康 健

（1.安徽金寨抽水蓄能有限公司，安徽省六安市 237000；2.河北張河灣蓄能發電有限責任公司，河北省石家莊市 050000；3.國網新源檢修分公司，天津市 300000）

0 引言

水輪機和發電機作為水力發電的主要設備，機組的運行狀況事關電網以及人身的安全，這要求機組擁有良好的運行狀態。文獻[1]是利用小波分解提取故障信號特征分量，再用SVM對其進行訓練來建立故障診斷模型；文獻[2]對于SVM的參數問題，利用粒子群算法來對SVM的參數進行優化，將由EEMD分解得到的IMF作為特征輸入，將其進行故障上應用。故障診斷實質是如何準確進行分類，分類方式也比較多。于是，使用一種基于優化SVM的融合模型分類診斷辦法。并對SVM的參數選擇問題用ABC進化處理，獲得進化子分類器。EMD克服了小波分解能量泄漏和不能針對性自適應選取基函數[3]的不足，但EMD存在端點效應[4]和可能產生虛假的本質模式函數，于是提出EMD的優化方法DEMD對信號進行特征提取作為融合診斷模型的輸入特征向量，通過仿真分析該優化融合模型能明顯提高分類的準確度。

1 子分類器

1.1 支持向量機分類器

SVM是由Vapnik[5]等人提出，對水電機組具有的小樣本非線性等特征具有比較好的分類能力。缺點是SVM的參數問題通常都要進行一定的優化。核函數是可分與不可分的一個變換，進而求解凸規劃極值問題，獲得最優分類超平面，最終獲得分類結果，所以采用該方法進行分類。

SVM在應用時，核函數選擇、參數σ和C的選擇對分類結果非常重要。因高斯徑向基函數分類效果好于其他類型，本文采用該類型。由文獻[6]知，參數σ和C對數據樣本的映射復雜度、擬合及泛化能力起平衡作用，采用ABC算法對其進行優化處理，以達到全局最優分類效果。

ABC方法是由Dervis Karaboga提出以模擬蜜蜂采蜜過程的智能搜索方法，適應度用蜜源花蜜量呈正比關系來評價，蜜源表示可能的最優解。算法以采蜜、觀察和偵查蜂之間分工合作搜索解空間中的蜜源，從而獲得最優解。本文利用ABC全局優化的特點對參數σ和C進行搜索，減少計算盲目性，提高分類效果，參數尋優如圖1所示。

圖1 SVM參數優化過程圖Fig．1 SVM parameter optimization process diagram

1.2 加權樸素貝葉斯分類器

針對NBC的樣本屬性與類別之間存在不同關聯程度問題，參照文獻[7]的方法將NBC最大化計算公式：

進行加權處理，如下式：

權值的處理按照文獻[8]中的方法進行，得：

式中Cj——分類標簽；

X——樣本集；

x——未知樣本；

D——維數；

xd——樣本變量；

Xd——d維條件下的屬性集合；

xd——樣本變量；

S（d）——歸一化屬性相似度；

V（d）——屬性權重。

將式（3）帶入式（2）中就得到加權的NBC，即FWNBC分類器。

1.3 基于 Mahalanobis 距離的分類器

它是由P．C．Mahalanobis首先使用的一種有效計算未知樣本相關度方法[9]，馬氏距離與其呈反相關關系，所以其判別函數為：

式中Ci——分類標簽；di——馬氏距離。

2 基于融合分類器診斷原理

融合分類器診斷主要分為三個部分，一是對原始數據樣本進行特征向量提取，以此作為融合模型的輸入向量；二是融合模型中各分塊進行分類診斷，得出各自最優分類診斷結果；三是將各分塊進行融合通過一定方法獲得最終結果，示意圖如圖2所示。

圖2 融合模型分類診斷流程Fig．2 Fusion model classification diagnosis process

3 特征量優化提取

原始樣本數據中往往含有反應故障特征的信息，在進行故障分類診斷時需要對原始數據樣本進行特征提取。DEMD是以EMD為基礎，先微分在積分處理的一個過程，其分解圖如圖3所示。

由文獻[10]知，DEMD在對原始數據信號進行分解的效果比EMD好，因為DEMD是建立在EMD的基礎上的，故其也存在端點效應問題，下面來看一個仿真分析。信號為式（5），波形圖如圖4所示。

圖3 DEMD分解示意圖Fig．3 DEMD decomposition diagram

圖4 仿真信號波形圖Fig．4 Simulation signal waveform figure

由圖5和圖6知，DEMD分解過程中在低頻分量時誤差較大，在端點發生能量丟失現象。于是本文用SVR（信號延拓）和窗函數進行優化處理。現將優化處理的DEMD對如下仿真信號進行分析：

從圖7和圖8與圖5和圖6對比發現，經優化處理的DEMD分解能夠有效地解決端點效應問題。

4 融合模型的水電機組故障診斷分析

將信號通過上文中經優化的DEMD分解，獲得的IMF分量作特征向量輸入。將DEMD分解的E1、E2、E3、E4、E5（E為不同倍數轉頻時的能量）作為輸入的特征向量IMF，將其進行三個子分類器的分類診斷得出對應的分類診斷結果，將三個結果通過投票的決策方法獲得最后的結果。其融合分類器的診斷步驟如圖9所示。

圖5 仿真信號經DEMD分解圖Fig．5 DEMD analysis of the simulation signal

圖6 仿真信號的頻譜圖Fig．6 Simulation signal spectrum

圖7 優化DEMD分解仿真信號圖Fig．7 Optimization DEMD simulation signal decomposition

圖8 優化DEMD分解仿真信號頻譜圖Fig．8 Optimized DEMD decomposition simulation signal spectrum

圖9 融合分類器診斷流程Fig．9 Classifier fusion diagnosis process

5 實例診斷

利用文中優化DEMD分解方法對某水電機組轉子對中、質量失衡和尾水管渦帶偏心問題的振動樣本數據進行特征提取，將提取特征分量作為模型輸入特征向量。其訓練樣本和測試樣本如表1和表2所示。

表1 機組振動訓練樣本Tab.1 The vibration of the training sample

表2 機組振動測試樣本Tab.2 The vibration test samples

現在以數據樣本經DEMD和優化DEMD提取特征向量的前提下，進行SVM、優化SVM、FWNBC、MDC、FWNBC+MDC+優化SVM的對比分類診斷分析，結果如表3和表4 所示，其中1至4分別對應故障類別。

表3 在DEMD提取信號特征的前提下Tab.3 Under the premise of the DEMD extract signal features

表4 在優化DEMD提取信號特征的前提下Tab.4 Under the premise of extracted by optimizing the DEMD signal characteristics

由表3和表4中的對比分析可知，在同等條件下，MDC的分類診斷效果最差，SVM經優化后效果好于優化前，融合型（FWNBC+MDC+優化SVM）的效果最好。另外，在不同前提條件下，經優化DEMD分解后的輸入特征向量，對模型的分類診斷效果要好于未經優化的DEMD分解方法。以上分析反映出，振動信號的提取過程經優化后能提高故障診斷的準確率，同時，融合分類器的分類診斷能力比單一分類器有明顯提高。

6 結束語

文中通過對SVM的參數以及DEMD端點效應問題進行優化處理，仿真分析表明經優化的SVM和DEMD在機組的故障診斷中起到積極作用，有利于對數據樣本的分析。經水電機組振動實例對比分析，表明優化融合分類器模型比單獨使用及為優化前對故障分類診斷的效果好，提高了準確度。

[1] 鄒敏，周建中，劉忠．基于支持向量機的水電機組故障診斷[J]．中國農村水利水電，2008（1）：114-117．ZOU Min．Hydropower generating unit’s fault diagnosis based on support vector machine （SVM）[J]．China Rural Water and Hydropower，2008（1）：114-117．

[2] Tang X，Zhuang L，Cai J，etal．Multi-fault classification based on support vectormachine trained by chaos particle swarm optimization[J]．Knowledge-Based Systems，2010，23（5）：486-490．

[3] 盧娜，肖志懷，符向前．基于蟻群初始化小波網絡的水電機組振動故障診斷[J]．水力發電學報，2014，33（2）：251-258．LU Na，XIAN Zhihuai，FU Xiangqian．Hydropower generating unit’s fault diagnosis based on wavelet networks of ant colony initialization[J]．Journall of Hydroelectric Engineering，2014，33（2）：251-258．

[4] 曠歡，王如龍，張錦，等．基于SVM的EMD端點效應抑制方法研究 [J]．計算機工程與應用，2015，51（11）：96-200，227．KUANG Huan，WANG Rulong，ZHANG Jin，etal． Research based on the EMD endpoint effect suppression method of SVM [J]．Computer Engineering and Applications，2015，51（11）：96-200，227．

[5] 張孝遠，周建中，黃志偉，等．基于粗糙集和多類支持向量機的水電機組振動故障診斷[J]．中國電機工程學報，2010，30（20）：88-93．ZHANG Xiaoyuan，ZHOU Jianzhong，HUANG Zhiwei，etal．Hydropower generating unit’s fault diagnosis based on Various kinds of support vector machine and rough sets[J]．Proceeding of the Csee，2010，30（20）：88-93．

[6] 劉路，王太勇．基于人工蜂群算法的支持向量機優化[J]．天津大學學報，2011，44（9）：803-809．LIU Lu，WANG Taiyong．Support vector machine optimization based on artificial bee colony algorithm[J]．Transactions of Tianjin University，2011，44（9）：803-809．

[7] 秦鋒，任詩流，程澤凱，等．基于屬性加權的樸素貝葉斯分類算法[J]．計算機工程與應用，2008，44（6）： 107-109．QIN Feng，REN Shiliu，CHEN Zekai，etal．Based on the attribute weighted naive bayes classification algorithm[J]．Computer Engineering and Applications，2008，44（6）： 107-109．

[8] 劉達，張國英，劉冠洲，等．基于特征篩選的云分類器[J]．北京石油化工學院學報，2011，19（1）：11-13．LIU Da，ZHANG Guoying，LIU Guanzhou，etal．Cloud classifier based on feature selection[J]．Journal of Beijing institute of petrochemical，2011，19（1）：11-13．

[9] Schloegl A，Lee F，Bischof H，et al． Characterization of fourclass motor imagery EEG data for the bci-competiton[J]．2005，2（4） ：536-543．

[10] 景蓓蓓，李鴻光．基于微分的經驗模式分解方法在轉子裂紋和碰摩故障診斷的應用[J]．噪聲與振動控制，2009，10：66-69．JING Beibei，LI Hongguang．Crack the rotor rubbing fault diagnosis application based on the empirical mode decomposition method of differential[J]． Noise and Vibration Control，2009，10：66-69．