基于逐輪淘汰制OVO-RVM的振動(dòng)傳感器故障診斷方法*

陳耿新

開發(fā)設(shè)計(jì)

基于逐輪淘汰制OVO-RVM的振動(dòng)傳感器故障診斷方法*

陳耿新

（揭陽職業(yè)技術(shù)學(xué)院機(jī)電工程系，廣東 揭陽 522000）

針對振動(dòng)傳感器不同類型故障診斷對準(zhǔn)確率和實(shí)時(shí)性要求高的需求，提出基于逐輪淘汰制一對一RVM（OVO-RVM）的振動(dòng)傳感器故障診斷方法。首先，研究RVM二分類模型及其超參數(shù)優(yōu)化、模型稀疏化方法；然后，分析分類準(zhǔn)確率高的OVO-RVM多分類模型工作原理及分類速度慢的原因，研究逐輪淘汰制OVO-RVM振動(dòng)傳感器故障診斷方法，該方法在各輪分類中僅對相鄰類別進(jìn)行分類判別并淘汰包括本輪在內(nèi)的前幾輪分類決策概率和最低的類別，經(jīng)過多輪分類和淘汰后獲得最終分類類別；接著，提出按照平均分類可靠性最低的兩類別盡可能遠(yuǎn)離和各相鄰類別平均分類可靠性盡量高的原則，對各類別進(jìn)行合理排列并頭尾相連，以提高分類判別的準(zhǔn)確率；最后，將該方法應(yīng)用于振動(dòng)傳感器不同類型故障的診斷，并進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，本文方法在保證較高分類判別準(zhǔn)確率的同時(shí)有效提高分類判別速度。

相關(guān)向量機(jī)；多分類模型；振動(dòng)傳感器；故障診斷

0　引言

振動(dòng)傳感器由于外界強(qiáng)干擾、供電不穩(wěn)定、自身老化等原因可能發(fā)生故障。在某些應(yīng)用場合，傳感器故障需在極短時(shí)間內(nèi)自動(dòng)發(fā)現(xiàn)和處理，否則可能導(dǎo)致整個(gè)系統(tǒng)性能下降、誤差積累、誤操作甚至癱瘓[1]。

傳感器故障診斷技術(shù)是及時(shí)自動(dòng)發(fā)現(xiàn)傳感器故障的有效途徑，也是傳感器智能化的重要內(nèi)容之一，已成為智能傳感器主要研究方向。傳感器故障診斷的經(jīng)典方法主要包括硬件冗余法、解析冗余法[2]、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（support vector machine, SVM）5類。其中，硬件冗余法、解析冗余法分別通過多傳感器冗余、數(shù)學(xué)模型得到的殘差來分析傳感器性能及故障，前者增加了硬件成本，后者需構(gòu)建傳感系統(tǒng)的動(dòng)態(tài)數(shù)學(xué)模型，該模型難以準(zhǔn)確構(gòu)建；專家系統(tǒng)需要大量正常、故障數(shù)據(jù)樣本或先驗(yàn)知識(shí)，現(xiàn)實(shí)應(yīng)用受限；神經(jīng)網(wǎng)絡(luò)無需建立數(shù)學(xué)模型，且非線性映射效果較好，自學(xué)習(xí)、自適應(yīng)、泛化能力強(qiáng)，近年來在傳感器故障診斷領(lǐng)域被廣泛研究[3-6]，但由于神經(jīng)網(wǎng)絡(luò)理論本身固有的不足，導(dǎo)致其易陷入局部最小，需大量訓(xùn)練樣本，存在過學(xué)習(xí)等問題，在實(shí)際應(yīng)用中受限；SVM通過結(jié)構(gòu)風(fēng)險(xiǎn)最小原理提高泛化能力，可在小樣本集中獲得全局最優(yōu)解，避免陷入局部最優(yōu)、過學(xué)習(xí)、維數(shù)災(zāi)難等問題[7]，在傳感器故障診斷領(lǐng)域得到廣泛應(yīng)用[8-10]，但SVM核函數(shù)選擇受限、模型稀疏性有限，且無法計(jì)算后驗(yàn)概率分布，不適用于多分類問題。相關(guān)向量機(jī)（relevance vector machine, RVM）是基于稀疏Bayesian框架的稀疏概率模型，可計(jì)算輸出概率分布[11]，克服了傳感器故障診斷經(jīng)典方法的缺點(diǎn)，具有SVM優(yōu)點(diǎn)的同時(shí)避免了SVM的不足[12]，可通過改進(jìn)模型應(yīng)用于多分類問題。

本文在OVO-RVM多分類模型基礎(chǔ)上，利用其分類準(zhǔn)確率高的特點(diǎn)，以提高分類速度為目標(biāo)，提出逐輪淘汰制OVO-RVM多分類模型，并將其應(yīng)用于分類評判準(zhǔn)確率和實(shí)時(shí)性要求較高的振動(dòng)傳感器不同類型故障的診斷。

1　RVM二分類模型

1.1　RVM二分類理論模型

式中，(,x)是核函數(shù)，= [0,1, …,w]T是權(quán)值向量。

對于二分類問題，RVM分類器通過Logistic Sigmoid函數(shù)() = 1/(1+)將(;)映射到區(qū)間(0, 1)，分類決策的概率分布函數(shù)為

當(dāng)樣本滿足獨(dú)立同分布，且{|·}滿足Bernoulli分布時(shí)，整個(gè)樣本集的似然函數(shù)為

在Bayes框架下，可通過最大化似然函數(shù)來估計(jì)權(quán)值向量。為避免過學(xué)習(xí)，RVM為每個(gè)權(quán)值定義Gauss先驗(yàn)概率分布來約束參數(shù)：

式中，= [0,1,…,α]為+1維超參數(shù)。對每個(gè)權(quán)值w引入超參數(shù)α是RVM的重要特征，使RVM模型具有稀疏特性。

利用式(5)不斷迭代，優(yōu)化權(quán)值w和超參數(shù)α。式(5)中，Σ是式(6)所示后驗(yàn)協(xié)方差矩陣中第個(gè)對角元素；w是最大可能權(quán)值，如式(7)所示。式(6)和式(7)中，是×(+1)矩陣[(1),(2),…,(x)]，(x) = [1,(x,1),(x,2), …,(x,x)]T；=(1,2,…,β)是對角陣，β=[(x;w)]{1?[(x;w)]}；=(0,1, …,α) 是對角陣。

= (T+)-1(6)

w=T(7)

上述迭代計(jì)算最終使大量α趨于無窮、大部分w趨于0、少量w趨于穩(wěn)定有限值，從而實(shí)現(xiàn)超參數(shù)優(yōu)化以及模型稀疏化。

將測試樣本或待分類信號(hào)數(shù)據(jù)的特征量向量輸入訓(xùn)練好的RVM二分類模型，即可進(jìn)行分類測試驗(yàn)證或分類實(shí)際應(yīng)用。RVM二分類模型的分類決策準(zhǔn)則為：當(dāng){t= 1|}≥0.5時(shí)，分類結(jié)果為一類t= 1；當(dāng){t= 1|}<0.5時(shí)，分類結(jié)果為另一類t= 0。RVM二分類模型可獲取樣本類別信息及后驗(yàn)概率信息，概率信息表征其分類結(jié)果的不確定性。

1.2　RVM二分類方法步驟

RVM二分類方法步驟如下：

1）選擇核函數(shù)Logistic Sigmoid，將低維特征向量向高維空間映射；

2）標(biāo)準(zhǔn)化訓(xùn)練樣本集合、測試樣本集合中的輸入樣本數(shù)據(jù)，將訓(xùn)練樣本集合分類目標(biāo)向量中t分別定義為t= 1（類別一）和t= 0（類別二）；

3）初始化超參數(shù)α，其初始值對最終迭代結(jié)果影響不大；

4）按式(6)和式(7)計(jì)算最大可能權(quán)值w和后驗(yàn)協(xié)方差矩陣；

5）按式(5)迭代、優(yōu)化各超參數(shù)α和權(quán)值w，實(shí)現(xiàn)模型稀疏化；

6）重復(fù)步驟4）和步驟5），直至達(dá)到合適收斂尺度，RVM二分類模型構(gòu)建完成；

7）將訓(xùn)練樣本集合輸入RVM二分類模型，對其進(jìn)行訓(xùn)練；

8）將測試樣本集合輸入RVM二分類模型，驗(yàn)證RVM二分類模型分類效果；

9）若步驟8）中RVM二分類模型對測試樣本分類結(jié)果正確，則輸入待分類數(shù)據(jù)進(jìn)行分類，否則重新構(gòu)建RVM二分類模型。

2　逐輪淘汰制OVO-RVM多分類模型

傳統(tǒng)RVM模型僅適用于二分類，將其應(yīng)用于振動(dòng)傳感器不同類型故障診斷時(shí)，需進(jìn)行OVR、OVO、BT或DAG等形式多分類擴(kuò)展，構(gòu)建對應(yīng)的RVM多分類模型。這些RVM多分類模型利用不同判斷決策思路和路徑，將多個(gè)不同類別組合的RVM二分類器構(gòu)建為不同結(jié)構(gòu)和不同決策路徑的RVM多分類模型，但這些RVM多分類模型也有自身的局限性。本文在RVM二分類模型及OVO-RVM多分類模型基礎(chǔ)上，開展逐輪淘汰制OVO-RVM多分類模型研究與應(yīng)用。

標(biāo)準(zhǔn)OVO-RVM多分類模型對訓(xùn)練樣本進(jìn)行兩兩分類，故個(gè)類別分類需要(?1)/2個(gè)RVM二分類器。首先，將類訓(xùn)練樣本子集兩兩組合構(gòu)成訓(xùn)練樣本集合；然后，按照前述RVM模型二分類方法步驟，利用任意兩類訓(xùn)練樣本集合訓(xùn)練對應(yīng)的RVM二分類器S-v-S；最后，完成全部RVM二分類器分類訓(xùn)練后，利用測試樣本集合對整個(gè)標(biāo)準(zhǔn)OVO-RVM多分類模型進(jìn)行有效性驗(yàn)證后，便可進(jìn)行后續(xù)實(shí)際分類。標(biāo)準(zhǔn)OVO-RVM多分類模型的測試樣本分類驗(yàn)證過程及實(shí)際應(yīng)用分類過程相同，分類原理如圖1所示。

圖1　標(biāo)準(zhǔn)OVO-RVM分類模型原理示意圖

標(biāo)準(zhǔn)OVO-RVM多分類模型將每個(gè)測試樣本（或?qū)嶋H應(yīng)用中待分類數(shù)據(jù)的特征量向量）經(jīng)過全部(?1)/2個(gè)RVM二分類器進(jìn)行分類判別，并統(tǒng)計(jì)各個(gè)RVM二分類器分類結(jié)果，如在類別、類別之間分類時(shí)，若RVM二分類器S-v-S判別結(jié)果為類，則類統(tǒng)計(jì)值加1，否則類統(tǒng)計(jì)值加1。所有RVM二分類器分類完成后統(tǒng)計(jì)各類別的統(tǒng)計(jì)值，統(tǒng)計(jì)值最高的類別即為測試樣本（或者待分類數(shù)據(jù)）所屬類別。可見，標(biāo)準(zhǔn)OVO-RVM多分類模型在分類過程中需遍歷所有類別的RVM二分類，若分類種類較多，運(yùn)算量很大，分類速度大大降低。振動(dòng)傳感器故障診斷對識(shí)別速度要求較高，標(biāo)準(zhǔn)OVO-RVM多分類模型不適用于此類分類應(yīng)用。本文將逐輪淘汰制OVO-RVM多分類模型應(yīng)用于振動(dòng)傳感器多類型故障診斷，在保證較高分類準(zhǔn)確率的同時(shí)減少分類比較次數(shù)，以提高分類速度。

逐輪淘汰制OVO-RVM多分類模型采用思路：OVO-RVM多分類模型在分類過程中，若發(fā)現(xiàn)某些類別的統(tǒng)計(jì)值已明顯低于其他類別，可考慮將其淘汰，以減小分類評判復(fù)雜度和提高分類速度。逐輪淘汰制OVO-RVM多分類模型開展類別分類的原理及步驟如下：

1）按照前述RVM二分類模型分類方法，利用任意兩類訓(xùn)練樣本集合訓(xùn)練對應(yīng)的RVM二分類器S-v-S，需訓(xùn)練所有(?1)/2個(gè)RVM二分類器；

2）將各類別測試樣本集合分別輸入與本類別分類相關(guān)的?1個(gè)RVM二分類器，同時(shí)獲得后驗(yàn)概率；所有測試樣本集合輸入、測試完成即驗(yàn)證了(?1)/2個(gè)RVM二分類器的分類效果，若所有RVM二分類器驗(yàn)證有效則進(jìn)行步驟3），否則找出無效原因并重新構(gòu)建相應(yīng)的RVM二分類器；

3）根據(jù)步驟2）得到的后驗(yàn)概率計(jì)算各RVM二分類器的平均分類可靠性；

設(shè)R, j為RVM二分類器S-v-S分類判別類別和類別的平均分類可靠性，其值越大，表示此分類器的分類越可靠，計(jì)算公式為

式中，x是輸入測試樣本，測試樣本序列號(hào)= 1, 2,…,；測試樣本分類結(jié)果t∈{0, 1}；

4）按照平均分類可靠性最低的兩類別盡可能遠(yuǎn)離、各相鄰類別平均分類可靠性盡量高的原則，將各類別進(jìn)行排列，且首尾相連形成封閉排列，以類別A、B、C、D四分類為例，若AB≥AC≥AD≥BC≥BD≥CD，根據(jù)上述原則按照A、C、B、D順序進(jìn)行排列且首尾A、D相連，形成封閉排列，如圖2中最左邊的第1輪分類判別排列圖所示；

5）逐輪分類，每輪分類對本輪所有相鄰類別進(jìn)行分類判別并淘汰包括本輪在內(nèi)的前幾輪分類決策概率和最低的類別，多輪分類后獲得最終分類判別類別。

按照步驟4）形成的類別封閉排列，利用相應(yīng)的OVO-RVM多分類模型對各相鄰類別進(jìn)行分類判別，淘汰包括本輪在內(nèi)的前輪分類決策概率和最低的類別。類別的前輪分類決策概率和P(H)為

式中，P(0)= 0；類別u和類別v為第輪重新排列后與類別相鄰的兩個(gè)類別，待分類輸入量在第輪被分類判別為類別時(shí)t= 0。

后續(xù)繼續(xù)開展逐輪淘汰制OVO-RVM多分類，同樣每輪分類淘汰包括本輪在內(nèi)的前幾輪分類決策概率和最低的類別。每輪分類（最后一輪分類除外）中，被淘汰類別的前后兩個(gè)相鄰類別變?yōu)樾碌南噜忣悇e，形成新的封閉排列進(jìn)入下一輪分類判別。經(jīng)過逐輪淘汰制OVO-RVM多分類后，最后一輪分類得到最終留下的類別即為最后分類判別的類別。

逐輪淘汰制OVO-RVM多分類模型原理示意圖如圖2所示。其中，類別所在圓圈變?yōu)榛疑硎驹擃悇e在上一輪分類中被淘汰；實(shí)線表示本輪實(shí)際進(jìn)行的分類判別行為；虛線表示本輪無需進(jìn)行分類判別，可利用前面某輪分類判別的結(jié)果。

圖2　逐輪淘汰制OVO-RVM多分類模型原理示意圖

圖2分類過程如下：

1）第1輪分類中，各相鄰類別A與C、C與B、B與D、D與A分別通過對應(yīng)的RVM二分類器SA-v-SC、SC-v-SB、SB-v-SD、SD-v-SA進(jìn)行分類，然后淘汰本輪分類決策概率和最低的類別B；

2）經(jīng)過第1輪分類后淘汰的類別B原相鄰的類別C、D變?yōu)樾碌南噜忣悇e，在第2輪分類中僅利用RVM二分類器SC-v-SD對類別C、D進(jìn)行分類，A與C、D與A無需再次分類，可利用第1輪分類結(jié)果，經(jīng)過分類判別淘汰前2輪（包括第2輪）分類決策概率和最低的類別D；

3）經(jīng)過第2輪分類后僅剩下類別A、C，其分類判別結(jié)果可由第1輪分類獲得，此時(shí)僅需利用前面分類結(jié)果即可。最后，淘汰前3輪（包括第3輪）分類決策概率和最低的類別A，最終留下的類別C即為最終分類判別的類別。

對于個(gè)類別分類，標(biāo)準(zhǔn)OVO-RVM多分類模型需要(? 1)/2個(gè)RVM二分類器進(jìn)行(? 1)/2次分類；本文逐輪淘汰制OVO-RVM多分類模型在模型訓(xùn)練及測試驗(yàn)證時(shí)同樣需要(? 1)/2個(gè)RVM二分類器，但在實(shí)際分類應(yīng)用過程僅需個(gè)RVM二分類器進(jìn)行2? 3次分類，在保證較高分類準(zhǔn)確率的同時(shí)減少分類次數(shù)、運(yùn)算量，提高分類速度。逐輪淘汰制OVO-RVM多分類模型的二分類器數(shù)量及分類次數(shù)隨類別呈線性增長，當(dāng)較多時(shí)，優(yōu)勢更加明顯。

3　實(shí)驗(yàn)驗(yàn)證

某壓縮機(jī)上振動(dòng)傳感器的正常狀態(tài)與固定偏大、固定偏小、漂移偏差、精度下降、沖擊失效、完全失效6類故障狀態(tài)分別作為類別1～7。獲取這7類傳感器狀態(tài)信號(hào)的訓(xùn)練樣本、測試樣本，樣本輸入特征量是傳感信號(hào)特征量向量。本文通過基于三角Shepard的Hermite插值改進(jìn)算法（Hermite interpolation based on triangular Shepard, TSHI）對信號(hào)包絡(luò)曲線插值，以及應(yīng)用基于TSHI的局部均值分解（local mean decomposition, LMD）提取信號(hào)特征量，獲取的訓(xùn)練樣本、測試樣本輸入特征量為相應(yīng)傳感信號(hào)的前5個(gè)乘積函數(shù)分量（product function, PF）的能量1()、2()、3()、4()、5()，這些能量組成構(gòu)成特征量向量=[1(),2(),3(),4(),5()]?；赥SHI的LMD提取的壓縮機(jī)振動(dòng)傳感器7種狀態(tài)的特征量向量如表1所示。

首先，將各類別的訓(xùn)練樣本兩兩組合，構(gòu)成對應(yīng)訓(xùn)練樣本集，構(gòu)建7個(gè)類別分類所需的21個(gè)RVM二分類器，利用各訓(xùn)練樣本集分別訓(xùn)練對應(yīng)RVM二分類器S-v-S；然后，將各類別測試樣本分別輸入與本類別相關(guān)的6個(gè)RVM二分類器，保存后驗(yàn)概率，驗(yàn)證本實(shí)驗(yàn)構(gòu)建的所有RVM二分類器的有效性；最后，計(jì)算、存儲(chǔ)各RVM二分類器的平均分類可靠性；按照逐輪淘汰制OVO-RVM多分類模型的類別排列原則和根據(jù)平均分類可靠性，將上述振動(dòng)傳感器7類狀態(tài)類別進(jìn)行排列如下：類別6（沖擊失效）、類別7（完全失效）、類別2（固定偏大）、類別5（精度下降）、類別1（正常）、類別4（漂移偏差）、類別3（固定偏小），其中引發(fā)沖擊失效的沖擊為50 μs持續(xù)時(shí)間、8 900 g幅值的強(qiáng)干擾。

表1　基于TSHI的LMD提取的壓縮機(jī)振動(dòng)傳感器7種狀態(tài)的特征量向量

利用本實(shí)驗(yàn)構(gòu)建的逐輪淘汰制OVO-RVM多分類模型判別振動(dòng)傳感器7個(gè)狀態(tài)，其分類結(jié)果與標(biāo)準(zhǔn)OVO-RVM多分類模型、OVR-RVM多分類模型、BT-RVM多分類模型、DAG-RVM多模型的分類結(jié)果進(jìn)行比較，結(jié)果如表2所示。其中，CA為平均分類判別準(zhǔn)確率；CT為各類測試樣本集合的平均分類判別時(shí)間（不包括訓(xùn)練時(shí)間）；BT-RVM多分類模型采用均衡二叉樹結(jié)構(gòu)；DAG-RVM多分類模型采用最優(yōu)決策路徑結(jié)構(gòu)。

表2　逐輪淘汰制OVO-RVM多分類模型與其他多分類RVM模型性能比較表

由表2可以看出：逐輪淘汰制OVO-RVM多分類模型的平均分類判別準(zhǔn)確率較高，僅略低于標(biāo)準(zhǔn)OVO-RVM多分類模型，但高于其余3種RVM多分類模型；其平均分類判別時(shí)間遠(yuǎn)低于標(biāo)準(zhǔn)OVO-RVM多分類模型，而略高于其余3種RVM多分類模型。綜上所述，逐輪淘汰制OVO-RVM多分類模型在保證高分類判別準(zhǔn)確率的同時(shí)降低分類判別時(shí)間，適用于振動(dòng)傳感器故障診斷等對故障診斷準(zhǔn)確率、可靠性及實(shí)時(shí)性要求較高的場合。

為進(jìn)一步驗(yàn)證逐輪淘汰制OVO-RVM多分類模型在類別較多的傳感器故障診斷場合相對于標(biāo)準(zhǔn)OVO-RVM多分類模型的優(yōu)越性，本文以上述振動(dòng)傳感器狀態(tài)為研究對象，分別利用這2種多分類模型進(jìn)行三類別、四類別、五類別、六類別以及七類別的分類，并進(jìn)行性能比較。面向振動(dòng)傳感器不同狀態(tài)類別數(shù)的逐輪淘汰制OVO-RVM多分類模型與標(biāo)準(zhǔn)OVO-RVM多分類模型的性能比較圖如圖3所示。

由圖3可以看出：逐輪淘汰制OVO-RVM多分類模型的平均分類判別準(zhǔn)確率高，但略低于標(biāo)準(zhǔn)OVO-RVM多分類模型；隨著類別數(shù)量的增加，逐輪淘汰制OVO-RVM多分類模型、標(biāo)準(zhǔn)OVO-RVM多分類模型的平均分類判別時(shí)間分別呈接近線性增加和接近指數(shù)增加，而當(dāng)類別較多時(shí)，前者的平均分類判別時(shí)間遠(yuǎn)低于后者，且前者的優(yōu)勢越來越明顯。

(a)　平均分類判別準(zhǔn)確率比較 (b)　平均分類判別時(shí)間比較

4　結(jié)語

本文在分析RVM二分類模型及其超參數(shù)優(yōu)化、模型稀疏化方法的基礎(chǔ)上，針對振動(dòng)傳感器不同類型故障診斷需求，以及標(biāo)準(zhǔn)OVO-RVM多分類模型分類準(zhǔn)確率高但運(yùn)算量大、分類速度慢等問題，研究逐輪淘汰制OVO-RVM多分類模型原理及方法。該方法按照平均分類可靠性最低的兩類別盡可能遠(yuǎn)離、各相鄰類別平均分類可靠性盡量高的原則，將各類別進(jìn)行合理排列且頭尾相連，以此提高分類判別的準(zhǔn)確率；該方法不對各類別進(jìn)行全程投票，其核心思路是每輪分類僅對所有相鄰類別進(jìn)行分類判別并淘汰包括本輪在內(nèi)的前幾輪分類決策概率和最低的類別，經(jīng)過多輪分類后獲得最終分類判別類別。實(shí)驗(yàn)結(jié)果表明：逐輪淘汰制OVO-RVM多分類模型的分類準(zhǔn)確率接近于分類準(zhǔn)確率高的標(biāo)準(zhǔn)OVO-RVM多分類模型，且提高了分類判別的速度和實(shí)時(shí)性；沒有標(biāo)準(zhǔn)OVO-RVM多分類模型中最高票數(shù)超過一類時(shí)出現(xiàn)不可分區(qū)域的問題，可應(yīng)用于振動(dòng)傳感器故障診斷等分類準(zhǔn)確率、實(shí)時(shí)性要求較高的場合。

[1] 孫京生,李國豪,甘智勇,等.磁電式速度傳感器故障導(dǎo)致發(fā)電機(jī)組跳機(jī)分析[J].自動(dòng)化與儀表,2019,34(3):55-57.

[2] 帕孜來?馬合木提,董小亮,楊蓮,等.新型解析冗余關(guān)系法在傳感器故障診斷中的應(yīng)用[J].傳感器與微系統(tǒng),2014,33(7): 157-160.

[3] 吳耀春,趙榮珍,靳伍銀,等.利用DCNN融合多傳感器特征的故障診斷方法[J].振動(dòng).測試與診斷,2021,41(2):362-369,416.

[4] 陳保家,張海龍. BP神經(jīng)網(wǎng)絡(luò)在水輪機(jī)振動(dòng)傳感器故障診斷上的應(yīng)用[J].機(jī)電信息,2017(15):50-51.

[5] 馬天兵,杜菲,熊能,等.柔性機(jī)械臂振動(dòng)控制中的壓電傳感器故障診斷[J].電子測量與儀器學(xué)報(bào),2014,28(12):1408-1413.

[6] 安汪悅.基于光纖傳感的滾動(dòng)軸承性能退化評估方法研究[D].重慶:重慶郵電大學(xué),2020.

[7] 王冰,刁鳴,宋凱.基于小波奇異熵和相關(guān)向量機(jī)的氫氣傳感器故障診斷[J].電機(jī)與控制學(xué)報(bào),2015,19(1):96-101.

[8] 李翼飛,吳春平,涂煊.基于PCA與SVM的振動(dòng)傳感器故障診斷方法[J].自動(dòng)化儀表,2019,40(10):48-52.

[9] 李佳,汪輝,魯業(yè)明.基于改進(jìn)BT-SVM的空調(diào)加熱器單元傳感器故障識(shí)別[J].儀表技術(shù)與傳感器,2019(6):67-71.

[10] 宮文峰,陳輝,WANG Dan-wei.基于改進(jìn)LSTM-SVM的多傳感器船舶旋轉(zhuǎn)機(jī)械快速故障診斷方法[J].船舶力學(xué), 2021,25(9):1239-1250.

[11] TIPPING M E. Sparse Bayesian Learning and the Relevance Vector Machine[J].Journal of Machine Learning Research, 2001,1(3):211-244.

[12] 范庚,馬登武,張繼軍,等.基于決策樹和相關(guān)向量機(jī)的智能故障診斷方法[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(14):267-270.

[13] PSORAKIS I, DAMOULAS T, GIROLAMI M A. Multiclass relevance vector machines: sparsity and accuracy[J]. IEEE Trans on Neural Networks, 2010,21(10):1588-1598.

[14] 李睿,王曉丹.基于RVM的多類分類概率輸出方法[J].計(jì)算機(jī)科學(xué),2017,44(3):242-246.

[15] LIU Yu, ZHANGJunhong, LINJiewei, et al. Application of improved LMD, SVD technique and RVM to fault diagnosis of diesel valve trains[J].Transactions of Tianjin University, 2015,21(4):304-311.

[16] 易輝,梅磊,李麗娟,等.基于多分類相關(guān)向量機(jī)的水電機(jī)組振動(dòng)故障診斷[J].中國電機(jī)工程學(xué)報(bào),2014,34(17):2843-2850.

Fault Diagnosis Method of Vibration Sensor Based on Elimination in Each Round OVO-RVM

Chen Gengxin

(Department of Mechanical and Electrical Engineering, Jieyang Polytechnic, Jieyang 522000, China)

Aiming at the high accuracy and real-time requirements of different types of vibration sensor fault diagnosis, a fault diagnosis method of vibration sensor based on elimination in each round OVO-RVM is proposed. Firstly, the RVM binary classification model and its hyper parametric optimization and model sparsity methods are studied. Then, the working principle of OVO-RVM multi classification model with high classification accuracy and the reasons for slow classification speed are analyzed, and the fault diagnosis method of vibration sensor based on elimination in each round OVO-RVM is studied. In each round of classification, this method only classifies the adjacent categories, and eliminates the previous rounds of classification decision probability and the lowest category including this round. After multiple rounds of classification and elimination, the final classification category is obtained. Then, it is proposed according to the principle that the two categories with the lowest average classification reliability should be as far away as possible and the average classification reliability of adjacent categories should be as high as possible, each category should be reasonably arranged and connected head to tail, so as to improve the accuracy of classification and discrimination. Finally, the method is applied to the diagnosis of different types of faults of vibration sensors and verified by experiments. The experimental results show that the proposed method can effectively improve the classification speed while ensuring high classification accuracy.

relevance vector machine; multiple classification model; vibration sensor; fault diagnosis

2018年度廣東省普通高校青年創(chuàng)新人才類項(xiàng)目（2018GkQNCX067）；2018年度揭陽職業(yè)技術(shù)學(xué)院科學(xué)研究重點(diǎn)項(xiàng)目（2018JYCKZ02）。

陳耿新，男，1984年生，碩士研究生，講師/工程師，主要研究方向：智能傳感技術(shù)、現(xiàn)代檢測技術(shù)。E-mail: chengxkenny@gmail.com

TP277；TP212

A

1674-2605(2021)06-0007-07

10.3969/j.issn.1674-2605.2021.06.007