基于SVM的岸橋起升電動機工作狀態分類

唐剛 李慶中 胡雄

摘要：為解決岸橋起升電動機的狀態識別和實時監測問題，分析起升電動機的大量樣本集，提出基于標準差的模糊C均值（standard deviation-based fuzzy C-means，S-FCM）聚類算法對起升電動機的狀態進行聚類分析，并構建兩種SVM模型。實驗結果表明：起升電動機振動烈度可以聚類為4類。對兩種SVM模型進行對比和驗證，選出最理想的實時監測模型。該方法可以為設備維護保養提供依據并且可以實時在線監測岸橋起升電動機的工作狀態。

關鍵詞：起升電動機; 模糊C均值（FCM）聚類; 工況分類; 支持向量機（SVM）

中圖分類號：U653.921

文獻標志碼：A

Abstract：In order to solve the problem of state recognition and real-time monitoring of hoisting motors of quay cranes， a large number of samples of hoisting motors are analyzed， and the standard deviation-based fuzzy C-means （S-FCM） clustering algorithm is proposed. The working states of hoisting motors are clustered and two support vector machine （SVM） models are constructed. The experimental results show that the vibration intensity of hoisting motors can be clustered into four categories. The two SVM models are compared and verified to select the optimal real-time monitoring model. The method can provide a basis for equipment maintenance and real-time on-line monitoring of the working states of the quay-crane hoisting motors.

Key words：hoisting motor; fuzzy C-means （FCM） clustering; working condition classification; support vector machine （SVM）

收稿日期：2018-05-28

修回日期：2019-02-26

基金項目：國家自然科學基金 （31300783）;國家高技術研究發展計劃（“八六三”計劃）（2013A20411606）;中國博士后科學基金（2014M561458）;教育部博士點基金 （20123121120004）;上海高校一流學科——管理科學與工程資助項目;上海海事大學科研基金 （20130474）

作者簡介：唐剛（1982—），男，重慶人，副教授，博士，研究方向為人機工程，（E-mail）gangtang@shmtu.edu.cn

*通信聯系人。（E-mail）huxiong@shmtu.edu.cn

0 引 言

隨著我國港口貿易量的迅速增加及工業科技水平的提高，港口起重設備系統伴隨工業4.0水平的提高朝著高度集成化、智能化方向發展，因此對港口起重設備的某些關鍵系統部位進行實時在線監控和工況狀態評估顯得尤為重要。21世紀計算機水平的提高和傳感器技術不斷完善，對岸橋設備進行監控能夠獲得大量的、多元化的與運行特征參數有關的數據[1-8]。張冰倩等[9]運用K-均值聚類算法和定量統計分析方法，對岸橋起升電動機的徑向和軸向振動烈度（振動速度的最大均方根值）進行研究，提出了岸橋載荷分類識別方法。王志欣[10]針對岸橋機械狀態識別中存在的特征向量維數過高的問題，利用增長神經元結構（growing cell structure，GCS）神經網絡對其進行了識別和3D可視化。上述研究對岸橋的機械狀態或起升電動機的振動狀態進行了識別，但是沒有一種對岸橋起升電動機每天的工作狀態進行分類識別的方法。岸橋起升電動機每天的工作量不同，每天的狀態也不同，因此其特征參數界限值也千差萬別。

為實現對岸橋起升電動機的長期維護及其工作狀態的精準識別，本文將基于標準差的模糊C均值（standard deviation-based fuzzy C-means，簡稱S-FCM）聚類算法應用在岸橋起升電動機的狀態聚類分析中，并利用最優參數構建支持向量機（support vector machine，SVM）模型，實現對岸橋起升電動機工作狀態的精準識別和實時監測，為其維護提供依據。

1 岸橋起升電動機的特征參數選擇和數據采集

1.1 特征參數選擇

機構的工作過程可以視為能量的輸入和輸出過程。在機構工作過渡階段，傳動系統的動載荷及其變化與電力驅動的特性有著密切的關系。

在絕大多數岸橋中，起升電動機在一個工作循環內經常啟動和制動，因此電流并非是常量。當啟動和制動時，電流峰值對起升電動機的發熱和振動具有不可忽略的影響。在起升電動機工作循環中，停歇時間總是與運動時間交叉出現的。

選取某岸橋起升電動機2010年3月15—21日的數據，對電動機的振動烈度、電動機溫度和變速箱溫度進行關聯分析。

由圖1可知，起升電動機徑向振動烈度與變速箱溫度有一定的對應關系。變速箱溫度跨度為40 ℃左右，可見其并不僅僅是隨外部天氣的變化而改變的，而且與電動機振動烈度并不是嚴謹的對應關系，因此根據變速箱溫度變化劃分工況是不合理的。

由圖2可知，起升電動機的振動次數與其溫度

之間沒有明顯的對應關系，且與理論上電動機溫度隨著載荷增加而上升的結論有著明顯的區別（比如在第5 000次振動時，電動機處于不工作狀態，但其溫度卻劇烈上升），因此電動機工作狀態與其溫度之間存在著復雜的關系。

綜上，岸橋工作環境惡劣，天氣溫度多變，不能簡單地根據溫度劃分電動機工作狀態，而其振動烈度數據最能反映電動機工作狀態的變化，因此選擇振動烈度作為特征參數對岸橋起升電動機工作狀態進行分類識別。

1.2 數據采集

本文對上海外高橋保稅區某岸橋的起升電動機工作狀態進行分類和檢測。該岸橋所使用的健康狀態在線監測系統（condition monitoring & assessing system on network，簡稱NetCMAS）是從2009年開始采集振動信號的，此岸橋也是在這個時間投入使用的，因此系統和設備在起初都處于健康狀態。本文利用2009年12月28日至2010年6月23日的正常工作數據進行研究。

NetCMAS是由上海海事大學胡雄教授科研團隊設計研發的，是我國首個針對大型岸橋的在線監測評價管理系統，已經在我國很多大中型港口投入使用，協助攻克了該領域的眾多關鍵性技術難題。該系統對于不同類型的信號采用不同的處理方法，比如對于振動信號，它是一邊采集原始信號一邊將采集的原始信號轉換成振動速度有效值的。

2 FCM算法的改進和工況分類

2.1 FCM算法的理論

FCM算法[11-13]本質上是通過求特征向量與聚類中心之間的加權距離最小值對目標函數進行分割的，因此 FCM 算法的目標函數就是加權距離：

式中：C為預先設定的聚類中心的個數;n為樣本特征參數總數;uij為第j個樣本的特征向量隸屬于第i類的隸屬度，且滿足約束條件0≤uij≤1和Ci=1uij=1;m為根據不同情況預先設定的模糊因子，是控制模糊程度的重要參數，m>1（當m=1時，

FCM算法就退化為硬C均值聚類算法），根據經驗，當m=2時分類效果最理想;dij=xj-vi是第j個特征向量xj

到第i個聚類中心vi的歐氏距離。

2.2 S-FCM算法的提出

為對起升電動機的工作狀態進行劃分，選取半年的振動烈度數據，對每天的數據進行分類。由于每天的工作量差別比較大，振動烈度劃分的界限值差別也比較大。針對這一問題，提出S-FCM算法，讓每類數據在很小的范圍內變化，標準差也盡可能小。

分類越多，標準差越大;分類越少，分類效果越不明顯，從而導致決策失誤。在不知道要分成多少類別的情況下，根據歷史經驗分成4個類別?；谄鹕妱訖C振動烈度數據樣本構建最佳加權距離J，其中{xj}是有著所屬聚類中心的樣本點序列。標準差表達式為式中，vi為樣本點振動烈度xj對應的聚類中心的振動烈度。因為本文選取的特征參數（即振動烈度）只有1個，所以xj和vi不是向量形式。將計算出的各個樣本的標準差S與閾值T=0.5比較，當第i類與第i+1類中的樣本標準差都小于閾值時，聚類中心vi與vi+1合并為新的聚類中心vl。新的隸屬度矩陣中的元素為新的聚類中心為再根據式（1）求出加權距離J。

2.3 工況分類

由圖3可知：振動烈度的變化幅度很大，且沒有規律;平穩時最大極值小于20 mm/s，陡峭時最大極值為63 mm/s;有峰值出現的時間點，前后波動都比較大，峰值并不是突然出現的。

利用S-FCM算法，把岸橋起升電動機兩個月的振動烈度進行劃分，見圖4。每類中振動烈度最大值的波動與其最小值的波動變化趨勢一致，同時增大或同時減小，振動烈度最小值的波動比振動烈度最大值的波動平穩。

類別之間的區別明顯。不同類別之間的振動烈度最大值與最小值之間的差距不同：第一類差距最小;第四類差距最大;從第一類到第四類差距依次增加。第一類中振動烈度最大值、最小值變化幅度最小;第四類中振動烈度最大值、最小值變化幅度最大;從第一類到第四類振動烈度最大值和最小值的變化幅度依次增加。

由表1可知：第一類中振動烈度最大值的平均值約為0.8 mm/s，為干擾工況;第二類、第三類、第四類依次對應低工況、中工況和高工況，屬于正常情況下電動機的振動烈度波動范圍。依據這個分類將訓練樣本代入后面的模型進行模型驗證和對比。

3 分類預測模型

在基于SVM的狀態分類識別中，由于一些參數是根據個人經驗或者歷史經驗獲取的，所以這種SVM模型并不能精確反映起升電動機的工作狀態。本文提出基于粒子群優化的SVM（particle swarm optimization-based SVM，PSO-SVM）算法和基于遺傳算法的SVM（genetic algorithm-based SVM，GA-SVM）對SVM中參數進行尋優，以此構建最優的SVM分類模型。

3.1 PSO基本原理和PSO-SVM分類預測

Kennedy和Eberhat在研究鳥群問題時，針對鳥群進食過程構建了一個PSO算法，研究發現該算法在多維空間中具有很好的尋優能力。在PSO算法中，種群中的個體用粒子表示，針對粒子本身及其運動設計一些參數。將M（M≥N）維樣本空間中包含一群樣本量為N的隨機粒子作為優化問題的初始解。每個粒子位置都用向量表示，個體最佳位置（Pbest）是個體歷史最佳位置，對應于單個粒子的歷史進化最優解，每次迭代中群體最佳位置對應群體最優解。單個粒子的個體最佳位置和群體最佳位置在迭代中不斷更新，實現粒子間信息的轉換。對于PSO中的每個粒子，算法會根據由目標函數確定的適應度值判斷最終結果是否理想。

在PSO-SVM算法[14-15]運算過程中，選取粒子群規模為5，核函數范圍為[0.01，500]，懲罰因子范圍為[0.01，500]。PSO-SVM算法的迭代過程和分類效果分別見圖5和6。圖6中：分別針對低工況、中工況、高工況等3個類別進行研究;共選取1 800組數據代入模型，每個類別對應600組數據;“△”是實際測試集，代表正確;“○”是預測測試集，代表出現偏差。由圖5和6可知：在第4次迭代時適應度值達到最大，PSO-SVM算法精度最終達到92.86%。

3.2 GA基本原理和GA-SVM分類預測

GA[16-17]是通過模擬自然界生物種群進化過程求解優化問題的一類自組織、自適應概率搜索算法。該算法不依賴于問題的具體模型，對各類復雜的優化問題都有很強的魯棒性。

GA的基本思想：根據待求解優化問題的目標函數構造一個適應度函數;按照一定的規則生成經過基因編碼的初始群體，對群體進行評價、選擇、交叉和變異等操作;經過多代進化獲得適應度最好的一個或幾個最優個體的最優解。

GA的步驟：制定編碼策略;產生初始種群;設計適應度函數;進行選擇、交叉和變異等遺傳操作;確定停止準則。

選取GA-SVM算法[8，16]的參數如下：種群規模為5，核函數范圍為[0.01，500]，懲罰因子范圍為[0.01，500]。GA-SVM算法的迭代過程和分類效果分別見圖7和8。由圖7和8可知：樣本進化迅速，第13次迭代后適應度值就達到了最大，測試集準確率高達93.68%。

3.3 實驗結果

由表2結果對比可知，PSO-SVM算法和GA-SVM算法的預測精度都較高，這說明模型建立很成功。分別利用PSO-SVM算法和GA-SVM算法尋找到了最優懲罰因子和核函數，并且GA-SVM算法的耗時較少。

4 結束語

本文以岸橋起升電動機的振動烈度為研究對象，采用改進的機器學習算法對電動機的工況進行研究。為對岸橋起升電動機實際的工作狀態進行分類，對大量的數據進行處理，對岸橋起升電動機振動烈度與其溫度之間的關系進行分析;利用基于標準差的模糊C均值聚類（S-FCM）算法將岸橋起升電動機的實際數據分為4類——干擾工況、低工況、中工況和高工況數據;構建基于粒子群優化的SVM（PSO-SVM）和基于遺傳算法的SVM（GA-SVM）算法模型，對其進行對比和驗證。結果表明，利用S-FCM算法可以實現對岸橋起升電動機工作狀態的在線實時監測，幫助工作人員更好地了解岸橋工況，為岸橋起升電動機的維修提供依據。

參考文獻：

[1]嚴旭東. 港口集裝箱裝卸和岸邊集裝箱起重機的發展前景[C]//上海市機械工程學會物流工程學會. 上海物流工程學會2003論文集. 2003：183-186.

[2]王功勇， 趙章焰. 起重機起升機構減速箱齒輪故障診斷[J]. 港口裝卸， 2000（3）：10-12.

[3]張樹兵， 時杰， 費學婷. 起重機健康監測研究現狀[J]. 建筑機械， 2016（6）：65-70. DOI：10.14189/j.cnki.cm1981.2016.06.005.

[4]張洋. 基于振動信號處理的電機軸承故障診斷方法研究[D]. 鞍山：遼寧科技大學， 2016.

[5]趙強， 劉志恒， 代曉丹， 等. 基于振動和聲發射信號的截齒磨損程度識別研究[J]. 機械設計與研究， 2018， 34（1）：126-132，136. DOI：10.13952/j.cnki.jofmdr.2018.0029.

[6]趙磊， 郭瑜， 伍星. 基于振動分離信號構建和同步平均的行星齒輪箱輪齒裂紋故障特征提取[J]. 振動與沖擊， 2018， 37（5）：142-147，163. DOI：10.13465/j.cnki.jvs.2018.05.021.

[7]GAO Li， YIN Bo， ZHU Zhicheng. Load identification of non-intrusive load-monitoring system based on time-frequency analysis and PSO-SVM[C]//Proceedings of 2017 2nd International Conference on Electrical and Electronics：Techniques and Applications （EETA2017）， 2017：283-289. DOI：10.12783/dtetr/eeta2017/7743.

[8]HUANG Yiming ， WU Di， ZHANG Zhifen， et al. EMD-based pulsed TIG welding process porosity defect detection and defect diagnosis using GA-SVM[J]. Journal of Materials Processing Technology， 2017， 239（2）：92-102. DOI：10.1016/j.jmatprotec.2016.07.015.

[9]張冰倩， 胡雄， 唐剛. 基于K-均值聚類算法的岸橋載荷分類識別[J]. 東華大學學報（自然科學版）， 2017， 43（4）：565-570.

[10]王志欣. 岸橋機械動態特征信息的數據挖掘與狀態識別[D]. 上海：上海交通大學， 2008.

[11]樸尚哲， 超木日力格， 于劍. 模糊C均值算法的聚類有效性評價[J]. 模式識別與人工智能， 2015， 28（5）：452-461.

[12]TASDEMIR K， MERENYI E. A validity index for prototype-based clustering of data sets with complex cluster structures[J]. IEEE Transactions on Systems， 2011， 41（4）：1039-1053.

[13]ZHANG Daoqiang， CHEN Songcan. Kernel-based fuzzy and possibilistic C-means clustering[C]//Proceedings of the International Conference on Artificial Neural Network， 2003：122-125.

[14]HAN Bing， BIAN Xiaoqiang. A hybrid PSO-SVM-based model for determination of oil recovery factor in the low-permeability reservoir[J]. Petroleum， 2018， 4：43-49.

[15]韓霞， 趙軍， 西熱娜依·白克力， 等. PSO-SVM及其在減速機齒輪診斷中的應用[J]. 傳感器與微系統， 2018， 37（4）：155-157. DOI：10.13873/J.1000-9787（2018）04-0155-03.

[16]王凱， 張永祥， 李軍. 遺傳算法和支持向量機在機械故障診斷中的應用研究[J]. 機械強度， 2008， 30（3）：349-353. DOI：10.16579/j.issn.1001.9669.2008.03.034.

[17]湯可宗.遺傳算法與粒子群優化算法的改進及應用研究[D]. 南京：南京理工大學， 2011.

（編輯 趙勉）