基于單分類支持向量機(jī)的煤礦防爆電氣設(shè)備振動(dòng)故障自動(dòng)檢測(cè)

摘要：煤礦防爆電氣設(shè)備在運(yùn)行過(guò)程中產(chǎn)生的振動(dòng)會(huì)損害其機(jī)械完整性，導(dǎo)致緊固件松動(dòng)、零部件磨損，并改變?cè)O(shè)備的結(jié)構(gòu)與振動(dòng)模態(tài)，進(jìn)而引發(fā)信號(hào)特征的復(fù)雜變化，使得正常振動(dòng)頻率與故障引發(fā)的新頻率成分相互混淆，模糊了正常信號(hào)與故障信號(hào)之間的界限，從而降低傳統(tǒng)檢測(cè)方法在故障檢測(cè)中的準(zhǔn)確性。針對(duì)上述問(wèn)題，提出一種基于單分類支持向量機(jī)（OCSVM）的煤礦防爆電氣設(shè)備振動(dòng)故障自動(dòng)檢測(cè)方法。首先，構(gòu)造設(shè)備的正常狀態(tài)特征和振動(dòng)故障狀態(tài)特征，根據(jù)OCSVM 的特性，將正常狀態(tài)特征序列設(shè)定為OCSVM 核函數(shù)的決策邊界學(xué)習(xí)目標(biāo)。考慮煤礦防爆電氣設(shè)備振動(dòng)故障信號(hào)呈現(xiàn)非線性和高維特征，選定多項(xiàng)式核作為OCSVM 的核函數(shù)。然后，采用網(wǎng)格搜索和K?交叉驗(yàn)證相結(jié)合的方式對(duì)OCSVM 進(jìn)行參數(shù)調(diào)優(yōu)，以使OCSVM 達(dá)到更好的性能。最后，通過(guò)求取OCSVM 目標(biāo)函數(shù)的最優(yōu)解，確定最優(yōu)決策邊界，以此實(shí)現(xiàn)煤礦防爆電氣設(shè)備振動(dòng)故障的自動(dòng)檢測(cè)。實(shí)驗(yàn)結(jié)果顯示：① 在迭代次數(shù)為20 時(shí)，OCSVM 算法算法可完成收斂，達(dá)到穩(wěn)定。② 基于OCSVM 的電氣設(shè)備信號(hào)劃分實(shí)驗(yàn)中，借助多項(xiàng)式核函數(shù)能精準(zhǔn)劃分樣本實(shí)現(xiàn)檢測(cè)。③ 振動(dòng)故障自動(dòng)檢測(cè)性能分析中，所提方法在各樣本量下準(zhǔn)確率均顯著高于紅外熱成像技術(shù)檢測(cè)方法、基于灰狼優(yōu)化支持向量機(jī)模型檢測(cè)方法，小樣本量時(shí)準(zhǔn)確率達(dá)98.25% 且穩(wěn)定性好。

關(guān)鍵詞：煤礦防爆電氣設(shè)備；振動(dòng)故障檢測(cè)；單分類支持向量機(jī)；變分模態(tài)分解；熵矩陣

中圖分類號(hào)：TD684 文獻(xiàn)標(biāo)志碼：A

0 引言

煤礦井下環(huán)境具有高濕度、高粉塵、高溫和高壓等特點(diǎn)，對(duì)防爆電氣設(shè)備的穩(wěn)定運(yùn)行提出了嚴(yán)峻挑戰(zhàn)[1]。在這種環(huán)境下，防爆電氣設(shè)備不僅要承受常規(guī)的電力負(fù)荷，還要應(yīng)對(duì)各種物理和化學(xué)因素的影響。煤礦開(kāi)采過(guò)程中，防爆電氣設(shè)備的運(yùn)行和巖層的移動(dòng)都會(huì)產(chǎn)生振動(dòng)，這些振動(dòng)傳遞到電氣設(shè)備上，易導(dǎo)致設(shè)備內(nèi)部的緊固件松動(dòng)或零部件磨損（緊固件松動(dòng)可能導(dǎo)致電氣設(shè)備接觸不良，零部件磨損會(huì)引起信號(hào)傳輸路徑的變化），從而改變?cè)O(shè)備的機(jī)械結(jié)構(gòu)，導(dǎo)致信號(hào)波動(dòng)或失真[2-3]，使正常信號(hào)和故障信號(hào)之間的界限變得模糊，增加了故障檢測(cè)的難度。為了確保煤礦安全生產(chǎn)，減少因電氣設(shè)備振動(dòng)故障引發(fā)的事故，需要開(kāi)發(fā)能夠適應(yīng)煤礦井下復(fù)雜環(huán)境的振動(dòng)故障自動(dòng)檢測(cè)技術(shù)。

在電氣設(shè)備故障檢測(cè)領(lǐng)域，國(guó)內(nèi)外學(xué)者和工程技術(shù)人員已經(jīng)進(jìn)行了大量的研究和實(shí)踐工作。文獻(xiàn)[4]利用紅外熱成像技術(shù)對(duì)電氣設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)，將被檢對(duì)象的不規(guī)則區(qū)域反映為異常區(qū)域，檢測(cè)中壓裝置電氣設(shè)備的故障，但紅外熱像儀的穿透力不強(qiáng)，對(duì)溫差有依賴性，且會(huì)受到煤礦復(fù)雜環(huán)境中溫度、濕度、粉塵等因素的干擾，影響檢測(cè)。文獻(xiàn)[5]提出基于灰狼優(yōu)化支持向量機(jī)模型，采集常見(jiàn)家用線性和非線性電氣正常及電弧故障波形信號(hào)并進(jìn)行頻域特征提取，實(shí)現(xiàn)電氣設(shè)備的故障檢測(cè)，但將故障信號(hào)的頻域特征作為灰狼優(yōu)化支持向量機(jī)模型的輸入來(lái)實(shí)現(xiàn)故障檢測(cè)會(huì)丟失部分時(shí)域信息，無(wú)法準(zhǔn)確反映設(shè)備狀態(tài)。文獻(xiàn)[6]基于非子采樣剪切波變換和自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)比、融合設(shè)備的紅外圖像與可見(jiàn)光圖像，完成故障檢測(cè)，但2 種圖像的物理特性和成像條件存在較大差異，特征匹配精度較低，進(jìn)而導(dǎo)致故障檢測(cè)不準(zhǔn)確。文獻(xiàn)[7]將蜻蜓算法?蟻群優(yōu)化技術(shù)與尖峰神經(jīng)網(wǎng)絡(luò)模型進(jìn)行融合，依據(jù)蜻蜓算法?蟻群優(yōu)化技術(shù)所提取的特征，借助尖峰脈沖序列來(lái)實(shí)現(xiàn)對(duì)電氣設(shè)備故障的檢測(cè)，但蜻蜓算法?蟻群優(yōu)化技術(shù)存在算法復(fù)雜、參數(shù)調(diào)優(yōu)難、局部最優(yōu)等問(wèn)題，影響檢測(cè)性能。文獻(xiàn)[8]基于UNet 網(wǎng)絡(luò)和深度殘差網(wǎng)絡(luò)，根據(jù)電氣設(shè)備紅外圖像的分割結(jié)果完成故障檢測(cè)，但深度殘差網(wǎng)絡(luò)的冗余層會(huì)增加模型的復(fù)雜性和計(jì)算成本，減少圖像的有效感受野，降低檢測(cè)效率。

針對(duì)現(xiàn)有研究存在受環(huán)境因素干擾大、信息丟失、特征匹配精度低、算法復(fù)雜且優(yōu)化困難、模型復(fù)雜導(dǎo)致計(jì)算成本高等問(wèn)題，本文提出一種基于單分類支持向量機(jī)（One-Class Support Vector Machine，OCSVM）的煤礦防爆電氣設(shè)備振動(dòng)故障自動(dòng)檢測(cè)方法。該方法圍繞設(shè)備正常與故障狀態(tài)特征構(gòu)造、核函數(shù)選擇、參數(shù)調(diào)優(yōu)及最優(yōu)決策邊界確定等步驟展開(kāi)，以實(shí)現(xiàn)對(duì)煤礦防爆電氣設(shè)備振動(dòng)故障的精準(zhǔn)自動(dòng)檢測(cè)。

1 方法原理

首先，采用網(wǎng)格搜索算法結(jié)合 K?交叉驗(yàn)證對(duì)OCSVM 的參數(shù)進(jìn)行尋優(yōu)操作，找到一組最優(yōu)的參數(shù)組合，使OCSVM 能夠以最佳的性能狀態(tài)來(lái)處理數(shù)據(jù)。然后，在經(jīng)過(guò)優(yōu)化后的OCSVM 模型中，利用正常狀態(tài)下防爆電氣設(shè)備的信號(hào)樣本進(jìn)行訓(xùn)練，自動(dòng)檢測(cè)出設(shè)備的振動(dòng)故障。最后，針對(duì)煤礦井下環(huán)境中信號(hào)特征復(fù)雜的特點(diǎn)，進(jìn)一步調(diào)整 OCSVM 的關(guān)鍵參數(shù)，讓模型更好地適應(yīng)環(huán)境，從而提高振動(dòng)故障檢測(cè)的準(zhǔn)確性。

1.1 防爆電氣設(shè)備信號(hào)特征劃分

變分模態(tài)分解（Variational Mode Decomposition，VMD）作為一種有效的信號(hào)處理方法，能夠通過(guò)對(duì)信號(hào)特征的精細(xì)剖析，將復(fù)雜信號(hào)分解成一系列固有模態(tài)函數(shù)（Intrinsic Mode Functions，IMF）[9]，每個(gè)IMF代表信號(hào)的一個(gè)特定頻率分量。在進(jìn)行VMD 時(shí)，IMF 分量個(gè)數(shù)的確定需要綜合考慮信號(hào)的復(fù)雜度、采樣頻率及期望分析的頻率分辨率等因素。通常采用基于中心頻率估計(jì)法確定M，假設(shè)原始信號(hào)經(jīng)過(guò)離散化后得到離散信號(hào)，其傅里葉變換結(jié)果為x＾（ f ），f為估計(jì)信號(hào)。首先，對(duì)信號(hào)的頻譜進(jìn)行初步分析，估計(jì)信號(hào)主要頻率成分的數(shù)量和分布范圍。如果信號(hào)的頻譜在某個(gè)頻段內(nèi)呈現(xiàn)出N個(gè)明顯的峰值，且這些峰值之間的間隔相對(duì)較大，則將M設(shè)定為接近的值。然后，對(duì)M（M =|fs/2Δf|，其中fs為采樣頻率，Δf為期望的頻率分辨率）進(jìn)一步調(diào)整。在確定頻率分辨率時(shí)，需要考慮信號(hào)中不同頻率成分的間隔及分析的精度要求。最后，通過(guò)VMD 用IMF 描述設(shè)備信號(hào)。結(jié)合IMF 混疊密度和皮爾遜相關(guān)系數(shù)[10]，可得界定函數(shù)：

式中：η（ f ）為運(yùn)行信號(hào)的頻域模態(tài)混疊密度；XM（ f ），X（ f ）為由相鄰的2 個(gè)IMF 經(jīng)傅里葉變換得到的頻域函數(shù)；ρ為重構(gòu)信號(hào)與初始信號(hào)的相關(guān)系數(shù)；li 和yi分別為重構(gòu)信號(hào)和初始信號(hào)的第i個(gè)樣本點(diǎn)；-l 和-y 分別為li和yi的平均值；A 為頻率對(duì)應(yīng)的幅值與頻率的頻域函數(shù)中心頻率處幅值的重疊面積。

煤礦防爆電氣設(shè)備表現(xiàn)出復(fù)雜的非線性行為，相空間重構(gòu)方法適用于分析非線性系統(tǒng)，能夠更好地捕捉系統(tǒng)的非線性特征，從而提高振動(dòng)故障檢測(cè)的準(zhǔn)確性。已知防爆電氣設(shè)備運(yùn)行信號(hào)序列為S={s1，"s2，…，"sj}，sj為第j個(gè)個(gè)防爆電氣設(shè)備運(yùn)行信號(hào)，則基于界定函數(shù)的信號(hào)相空間重構(gòu)矩陣為

式中：s1為第1 個(gè)防爆電氣設(shè)備運(yùn)行信號(hào)；s1+wτ-τ為S={s1，"s2，…，"sj}中按照相空間重構(gòu)規(guī)則確定的一個(gè)特定位置的信號(hào)值， w為嵌入維數(shù)， τ為延遲時(shí)間。

通過(guò)延遲時(shí)間和嵌入維數(shù)可以有效重構(gòu)出煤礦防爆電氣設(shè)備信號(hào)的動(dòng)態(tài)相空間。采用互信息法選擇延遲時(shí)間，使信號(hào)與自身延遲之間的互信息達(dá)到最小。當(dāng)互信息最小時(shí)，意味著該延遲時(shí)間既能保持信號(hào)內(nèi)部的相關(guān)性，保證重構(gòu)后的相空間能夠反映原信號(hào)的動(dòng)態(tài)特性，又能最大程度地減少冗余信息，避免信息的重復(fù)和干擾。采用虛假最近鄰法確定嵌入維數(shù)，通過(guò)檢查隨著嵌入維數(shù)增加，原本接近的點(diǎn)是否仍然保持接近來(lái)確定足夠的嵌入維數(shù)，以揭示系統(tǒng)的真實(shí)動(dòng)態(tài)行為。經(jīng)過(guò)信號(hào)相空間重構(gòu)，得到維相空間映射下的正常狀態(tài)特征序列和振動(dòng)故障狀態(tài)特征序列[11]。設(shè)正常狀態(tài)特征序列為{a1，a2，…，an}，振動(dòng)故障狀態(tài)特征序列為{b1，b2，…，bn}，ai和bi分別為第i個(gè)正常和故障特征信號(hào)經(jīng)過(guò)歸一化處理后的熵值。對(duì)熵值進(jìn)行歸一化處理，能夠在統(tǒng)一的尺度下對(duì)正常狀態(tài)和故障狀態(tài)特征進(jìn)行比較和分析。

為進(jìn)一步量化正常狀態(tài)和振動(dòng)故障狀態(tài)之間的差異，采用熵矩陣Y 揭示煤礦防爆電氣設(shè)備信號(hào)在正常和振動(dòng)故障狀態(tài)下表現(xiàn)出的差異[12]，以實(shí)現(xiàn)對(duì)防爆電氣設(shè)備信號(hào)特征的劃分，并將熵值變化明顯的特征作為振動(dòng)故障檢測(cè)的關(guān)鍵特征。

式中：e11為正常狀態(tài)特征序列的熵值統(tǒng)計(jì)量；e12為正常狀態(tài)特征序列與振動(dòng)故障狀態(tài)特征序列之間的熵值關(guān)聯(lián)量；e21為正常狀態(tài)特征序列的熵值統(tǒng)計(jì)量；e22為正常狀態(tài)特征序列與振動(dòng)故障狀態(tài)特征序列之間的熵值關(guān)聯(lián)量。

1.2 防爆電氣設(shè)備振動(dòng)故障自動(dòng)檢測(cè)

通過(guò)分析熵矩陣，可將信號(hào)的復(fù)雜性量化，從而更好地理解和區(qū)分正常和振動(dòng)故障信號(hào)。然而，由于煤礦井下環(huán)境的復(fù)雜性，即使有了熵矩陣，正常和振動(dòng)故障狀態(tài)特征信號(hào)之間的界限仍然不夠清晰。為了實(shí)現(xiàn)對(duì)防爆電氣設(shè)備振動(dòng)故障的自動(dòng)檢測(cè)，采用OCSVM 在高維特征空間中找到一個(gè)最優(yōu)的決策邊界，并將獲取的正常狀態(tài)特征作為OCSVM 核函數(shù)的學(xué)習(xí)目標(biāo)。

核函數(shù)是OCSVM 復(fù)雜度和泛化能力的決定性因素。采用線性核函數(shù)[13]分隔線性可分?jǐn)?shù)據(jù)，將不可分?jǐn)?shù)據(jù)核映射[14]至高維空間后再進(jìn)行線性劃分。因此，根據(jù)煤礦防爆電氣設(shè)備振動(dòng)故障的非線性和高維特征特點(diǎn)，結(jié)合不同核函數(shù)的分隔方式，選取多項(xiàng)式核[15]作為OCSVM 的核函數(shù)。

多項(xiàng)式核能夠有效處理非線性關(guān)系和高維特征，且具有較好泛化能力。已知多項(xiàng)式核的獨(dú)立項(xiàng)gH、偏移項(xiàng)cH和多項(xiàng)式的度數(shù)，則OCSVM 的核函數(shù)為

式中：z1 ×z2為輸入向量z1和z2在初始空間中的內(nèi)積運(yùn)算；‖z1 +z2‖為輸入向量z1和z2對(duì)應(yīng)元素相加后所得向量的模長(zhǎng)。

采用OCSVM 檢測(cè)煤礦防爆電氣設(shè)備振動(dòng)故障時(shí)，模型參數(shù)對(duì)性能影響重大，不合理的參數(shù)選擇會(huì)導(dǎo)致過(guò)擬合或欠擬合，影響故障檢測(cè)效果。為找到最優(yōu)參數(shù)組合，采用網(wǎng)格搜索和K?交叉驗(yàn)證方法實(shí)施參數(shù)調(diào)優(yōu)，以實(shí)現(xiàn)OCSVM 的最佳性能。網(wǎng)格搜索能夠遍歷所有可能的參數(shù)組合，找到最優(yōu)解；K?交叉驗(yàn)證[16-17]則可以有效避免評(píng)估偏差。因此，結(jié)合這2 種方法，可以更有效地優(yōu)化OCSVM 的參數(shù)，提高故障檢測(cè)的準(zhǔn)確性。煤礦防爆電氣設(shè)備振動(dòng)故障自動(dòng)檢測(cè)方法步驟如下。

1） 首先，初始化OCSVM 的參數(shù)范圍和尋優(yōu)步長(zhǎng)，同時(shí)指定訓(xùn)練樣本集和交叉驗(yàn)證的K 值。分割參數(shù)為網(wǎng)格，按照各參數(shù)的尋優(yōu)步長(zhǎng)，在極限內(nèi)進(jìn)行搜索，遍歷各參數(shù)的所有可能值。

2） 對(duì)訓(xùn)練樣本集進(jìn)行劃分操作，將其劃分為K 個(gè)互不相交的子集，這些子集將用于交叉驗(yàn)證，每個(gè)子集都只作為一次驗(yàn)證集。循環(huán)遍歷每一折樣本，令當(dāng)前折為驗(yàn)證集，其余所有折合并作為訓(xùn)練集。使用當(dāng)前折的驗(yàn)證集和其余折合并后的訓(xùn)練集訓(xùn)練OCSVM，并計(jì)算驗(yàn)證精確率Bk。在完成所有折的驗(yàn)證后，求解所有Bk的均值，得到平均驗(yàn)證精確率-Bk。

3） 循環(huán)以上步驟直到-Bk不再增加，則對(duì)應(yīng)的參數(shù)組合即為OCSVM 的最佳參數(shù)組合，完成OCSVM參數(shù)調(diào)優(yōu)。

4） 將構(gòu)造的正常狀態(tài)特征序列作為OCSVM 核函數(shù)的決策邊界學(xué)習(xí)目標(biāo)，通過(guò)求解目標(biāo)函數(shù)Wocsvm，在高維空間內(nèi)找到最優(yōu)的決策邊界。

式中：δ，L分別為決策邊界的法向量和截距；ξ為松弛系數(shù)；p為邊界支持向量率的上限；m為訓(xùn)練樣本數(shù)。

根據(jù)拉格朗日對(duì)偶理論[18-19]，結(jié)合拉格朗日乘子α，設(shè)立Wocsvm的對(duì)偶問(wèn)題：

maxmin J （δ，"ξ，L，α） ：maxmin J （δ，"ξ，L，α） = Wocsvm -α[δ?（xi）-"L+ξ]（8）

式中?（xi）為信號(hào)xi的非線性映射函數(shù)。

分別對(duì)δ，L，ξ求偏導(dǎo)數(shù)并置零，將置零偏導(dǎo)數(shù)后的條件代入式（8），得到Wocsvm的最優(yōu)解：

式中P'為OCSVM 高維決策閾值參數(shù)。

5） 依據(jù)基于拉格朗日對(duì)偶理論求解最優(yōu)解的過(guò)程中得出的P'確定高維空間內(nèi)的最優(yōu)決策邊界[20-21]，根據(jù)下式辨識(shí)信號(hào)xi類別，實(shí)現(xiàn)OCSVM 對(duì)防爆電氣設(shè)備振動(dòng)故障的自動(dòng)檢測(cè)。

2 實(shí)例驗(yàn)證

2.1 實(shí)驗(yàn)準(zhǔn)備

本文選取YBX3-132S-4 隔爆型三相異步電動(dòng)機(jī)作為待檢測(cè)目標(biāo)，其技術(shù)參數(shù)見(jiàn)表1。

采用高精度加速度傳感器， 采樣頻率設(shè)置為5 120 Hz，以捕捉設(shè)備在不同工況下的微小振動(dòng)變化。振動(dòng)數(shù)據(jù)通過(guò)三軸加速度計(jì)同時(shí)采集。使用熱敏電阻溫度傳感器，采樣頻率設(shè)為1 Hz，用于監(jiān)測(cè)設(shè)備關(guān)鍵部件的溫度變化，預(yù)防過(guò)熱導(dǎo)致的故障。通過(guò)電流互感器和電壓分壓器采集電氣信號(hào)，采樣頻率為100 Hz，用于分析設(shè)備的電氣性能，如電動(dòng)機(jī)負(fù)載情況、電源穩(wěn)定性等。采用麥克風(fēng)或聲級(jí)計(jì)，采樣頻率為44 100 Hz，用于捕捉設(shè)備運(yùn)行中的異常聲響，如軸承磨損、齒輪嚙合不良等聲音特征。實(shí)驗(yàn)工況設(shè)置： ① 設(shè)備在額定負(fù)載下連續(xù)運(yùn)行24 h， 每隔1 h 記錄1 次數(shù)據(jù)，包括上述所有類型的信號(hào)。② 將設(shè)備負(fù)載調(diào)整至額定負(fù)載的50%，運(yùn)行4 h，同樣每隔1 h 記錄1 次數(shù)據(jù)。③ 將設(shè)備負(fù)載增加至額定負(fù)載的120%（確保在安全范圍內(nèi)） ， 運(yùn)行2 h， 每隔30 min 記錄1 次數(shù)據(jù)，以觀察設(shè)備在高負(fù)荷下的表現(xiàn)。在不同負(fù)載工況的數(shù)據(jù)采集過(guò)程中，除了上述各種負(fù)載條件下的數(shù)據(jù)記錄，還需分別記錄設(shè)備從靜止到全速運(yùn)行（啟動(dòng)）和從全速運(yùn)行到靜止（停止）的過(guò)程。每個(gè)過(guò)程持續(xù) 1 min， 采樣頻率調(diào)整為10 000 Hz，以捕捉瞬態(tài)變化。將采集到的數(shù)據(jù)進(jìn)行預(yù)處理，以提高數(shù)據(jù)質(zhì)量，確保數(shù)據(jù)具有可靠的使用性。使用預(yù)處理后的正常狀態(tài)數(shù)據(jù)訓(xùn)練OCSVM，學(xué)習(xí)設(shè)備的正常狀態(tài)邊界。調(diào)優(yōu)后的參數(shù)：權(quán)衡因子為0.002，緩存大小為349 MiB，最多迭代284 次，收斂容忍度為1；多項(xiàng)式核函數(shù)中，獨(dú)立項(xiàng)為100，偏移項(xiàng)為1，多項(xiàng)式度數(shù)為15。

將自動(dòng)檢測(cè)方法編程為OCSVM 算法集成到電氣設(shè)備振動(dòng)故障監(jiān)測(cè)裝置中，使其能夠自動(dòng)識(shí)別和報(bào)告設(shè)備的異常狀況，以實(shí)現(xiàn)對(duì)隔爆型三相異步電動(dòng)機(jī)振動(dòng)故障的自動(dòng)檢測(cè)。

2.2 OCSVM 性能驗(yàn)證

對(duì)OCSVM 算法性能進(jìn)行驗(yàn)證，結(jié)果如圖1 所示。可看出隨著迭代次數(shù)的遞增，算法逐漸趨近收斂狀態(tài)，在迭代次數(shù)為20 時(shí)，通過(guò)網(wǎng)絡(luò)搜索算法結(jié)合K?交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)后的OCSVM 算法可完成收斂，達(dá)到穩(wěn)定。

2.3 基于OCSVM 的電氣設(shè)備信號(hào)劃分

利用OCSVM 實(shí)現(xiàn)對(duì)電氣設(shè)備信號(hào)的有效劃分，進(jìn)而檢測(cè)隔爆型三相異步電動(dòng)機(jī)的振動(dòng)故障，信號(hào)劃分結(jié)果如圖2 所示。

從圖2（a）可看出，振動(dòng)故障信號(hào)呈現(xiàn)出較為復(fù)雜且不規(guī)則的波動(dòng)形態(tài)，其幅值在時(shí)間軸上不斷變化，波動(dòng)幅度較大且頻繁。這些特征表明設(shè)備的振動(dòng)故障信號(hào)具有明顯的動(dòng)態(tài)特性和復(fù)雜性。這種復(fù)雜的波動(dòng)特征為后續(xù)信號(hào)特征提取和故障檢測(cè)提供了重要依據(jù)。由圖2（b）可看出，正常樣本的信號(hào)特征曲線相對(duì)平穩(wěn)，呈現(xiàn)出一定的規(guī)律性，波動(dòng)范圍較小。而故障樣本的信號(hào)特征曲線波動(dòng)較為劇烈，整體趨勢(shì)不如正常樣本穩(wěn)定，且在某些時(shí)刻出現(xiàn)明顯的峰值和谷值變化。說(shuō)明正常樣本與故障樣本在信號(hào)特征上存在顯著差異，這為利用OCSVM 進(jìn)行樣本分類提供了有效的特征基礎(chǔ)。由圖2（c）可看出，正常樣本和故障樣本在空間中呈現(xiàn)出一定的分布規(guī)律，通過(guò)多項(xiàng)式核函數(shù)的非線性映射能力，OCSVM尋找到了一個(gè)合適的曲面型決策邊界，將正常樣本和故障樣本有效地劃分開(kāi)來(lái)。這表明所提方法通過(guò)構(gòu)造防爆電氣設(shè)備信號(hào)特征，以其為尋優(yōu)后OCSVM核函數(shù)的決策邊界學(xué)習(xí)目標(biāo)，能夠精準(zhǔn)地在高維空間中利用最優(yōu)決策邊界完成正常樣本與故障樣本的類別劃分，從而有效地自動(dòng)檢測(cè)出隔爆型三相異步電動(dòng)機(jī)中存在的振動(dòng)故障。同時(shí)，也證明了多項(xiàng)式核函數(shù)在處理這種復(fù)雜分類問(wèn)題時(shí)的有效性，它使得OCSVM 能夠適應(yīng)信號(hào)特征的非線性關(guān)系，提高了故障檢測(cè)的準(zhǔn)確性和可靠性。

2.4 振動(dòng)故障自動(dòng)檢測(cè)性能分析

為了驗(yàn)證所提方法對(duì)煤礦防爆電氣設(shè)備振動(dòng)故障的檢測(cè)準(zhǔn)確性，將所提方法對(duì)目標(biāo)防爆電氣設(shè)備的振動(dòng)故障檢測(cè)結(jié)果與文獻(xiàn)[4]提出的基于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)、文獻(xiàn)[5]提出的基于灰狼優(yōu)化和支持向量機(jī)方法作比較，結(jié)果見(jiàn)表2。

由表2 可看出，所提方法在所有樣本量下的檢測(cè)準(zhǔn)確率均顯著高于文獻(xiàn)[4]和文獻(xiàn)[5]方法。尤其是在小樣本量（100 個(gè)樣本）下，所提方法的準(zhǔn)確率達(dá)到了98.25%，遠(yuǎn)高于其他方法。隨著樣本量的增加，所提方法的準(zhǔn)確率雖有一定變化，但整體波動(dòng)幅度較小，表現(xiàn)出較高的穩(wěn)定性。這是因?yàn)樵摲椒軌蛴行幚矸辣姎庠O(shè)備振動(dòng)故障的非線性關(guān)系和高維特征，在區(qū)分正常信號(hào)與振動(dòng)故障信號(hào)方面具備更強(qiáng)的辨識(shí)能力，進(jìn)而有效避免了誤檢和漏檢現(xiàn)象。

3 結(jié)論

1） 在驗(yàn)證 OCSVM 性能實(shí)驗(yàn)中，隨著迭代次數(shù)遞增，電氣設(shè)備振動(dòng)故障數(shù)量減少。迭代20 次時(shí)，OCSVM 能在較短時(shí)間內(nèi)收斂并穩(wěn)定，優(yōu)化效果良好。

2） 利用 OCSVM 對(duì)電氣設(shè)備信號(hào)劃分，振動(dòng)故障信號(hào)復(fù)雜、不規(guī)則，正常與故障樣本信號(hào)特征差異顯著。通過(guò)多項(xiàng)式核函數(shù)，OCSVM 能在高維空間用曲面型決策邊界有效劃分正常與故障樣本，檢測(cè)振動(dòng)故障準(zhǔn)確可靠。

3） 所提方法在各樣本量下振動(dòng)故障檢測(cè)準(zhǔn)確率均較對(duì)比方法高，小樣本量時(shí)優(yōu)勢(shì)明顯，且隨著樣本量增加，準(zhǔn)確率波動(dòng)小、穩(wěn)定性高。

4） OCSVM 在處理新數(shù)據(jù)時(shí)泛化能力有限，尤其是在面對(duì)未見(jiàn)過(guò)的故障類型時(shí)；計(jì)算復(fù)雜度較高，在大規(guī)模數(shù)據(jù)集上運(yùn)行時(shí)可能影響實(shí)時(shí)性；特征選擇主要依賴人工經(jīng)驗(yàn)，缺乏自動(dòng)化的特征選擇機(jī)制。未來(lái)的研究將致力于引入深度學(xué)習(xí)等先進(jìn)技術(shù)，提升OCSVM 的學(xué)習(xí)能力和自適應(yīng)能力，進(jìn)一步增強(qiáng)模型的泛化能力；建立更完善、涵蓋更多故障類型的大型數(shù)據(jù)集，為模型提供更全面的數(shù)據(jù)支持。

參考文獻(xiàn)（References）：

[ 1 ]雷志鵬，姜宛廷，門汝佳，等. 礦用三元乙丙橡膠高壓電纜絕緣老化機(jī)理及狀態(tài)評(píng)估技術(shù)研究進(jìn)展[J]. 工礦自動(dòng)化，2023，49（9）：167-177.

LEI Zhipeng， JIANG Wanting， MEN Rujia， et al.Research progress on insulation aging mechanism andcondition evaluation technology of mining EPDM highvoltagecables[J]. Journal of Mine Automation， 2023，49（9）：167-177.

[ 2 ]劉思莉，張宇，劉軍. 地下儲(chǔ)氣庫(kù)生產(chǎn)站場(chǎng)防爆電氣設(shè)備使用與管理[J]. 石油化工安全環(huán)保技術(shù)， 2022，38（6）：42-44，7.

LIU Sili，ZHANG Yu，LIU Jun. Use and management ofexplo-sion-proof electrical equipment in production sitesof underground gas storage[J]. Petrochemical Safetyand Environmental Protection Technology， 2022，38（6）：42-44，7.

[ 3 ]羅振敏，王曉悅，丁旭涵，等. 碳?xì)?生物表面活性劑在電解質(zhì)加載下的降塵及防爆性能研究[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2023，19（增刊2）：166-173.

LUO Zhenmin， WANG Xiaoyue， DING Xuhan， et al.Study on dust reduction and explosion-proofperformance of hydrocarbon-bio surfactants underelectrolyte loading[J]. Journal of Safety Science andTechnology，2023，19（S2）：166-173.

[ 4 ]LAIB DIT LEKSIR Y，GUERFI K，AMOURI A，et al.Detection of electrical fault in medium voltageinstallation using support vector machine and artificialneural network[J]. Russian Journal of NondestructiveTesting，2022，58（3）：176-185.

[ 5 ]ZOU Xin， LYU Rongxin， LI Xinyan， et al. Intelligentelectrical fault detection and recognition based on graywolf optimization and support vector machine[J].Journal of Physics： Conference Series， 2022， 2181（1） .DOI：10.1088/1742-6596/2181/1/012058.

[ 6 ]SHI Wenyun， REN Xiaoming. Electrical fault detectionequipment based on infrared image fusion[J]. ProcediaComputer Science，2022，208：509-515.

[ 7 ]CHELLAMUTHU S， SEKARAN E C， ANNAMALAIS， et al. Fault detection in electrical equipment byinfrared thermography images using spiking neuralnetwork through hybrid feature selection[J]. Journal ofCircuits， Systems and Computers， 2022， 32（8） . DOI：10.1142/S0218126623501396.

[ 8 ]劉赫，趙天成，劉俊博，等. 基于深度殘差UNet 網(wǎng)絡(luò)的電氣設(shè)備紅外圖像分割方法[J]. 紅外技術(shù)， 2022，44（12）：1351-1357.

LIU He， ZHAO Tiancheng， LIU Junbo， et al. Deepresidual UNet network-based infrared imagesegmentation method for electrical equipment[J].Infrared Technology，2022，44（12）：1351-1357.

[ 9 ]鄧軍， 王志強(qiáng)， 王偉峰， 等. 基于LSTM?AE?OCSVM 的帶式輸送機(jī)火災(zāi)監(jiān)測(cè)隱患識(shí)別技術(shù)[J]. 煤炭技術(shù)，2023，42（1）：225-229.

DENG Jun， WANG Zhiqiang， WANG Weifeng， et al.Hidden danger identification technology of beltconveyor fire monitoring based on LSTM-AEOCSVM[J]. Coal Technology，2023，42（1）：225-229.

[10]黃宇斐，石新發(fā)，賀石中，等. 一種基于主成分分析與支持向量機(jī)的風(fēng)電齒輪箱故障診斷方法[J]. 熱能動(dòng)力工程，2022，37（10）：175-181.

HUANG Yufei，SHI Xinfa，HE Shizhong，et al. A faultdiagnosis method of wind turbine gearbox based on PCAand SVM[J]. Journal of Engineering for ThermalEnergy and Power，2022，37（10）：175-181.

[11]閆匯聰，劉德山，陳浪，等. 散度核協(xié)同表示與空譜融合特征的高光譜圖像分類算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2023，40（2）：287-295.

YAN Huicong， LIU Deshan， CHEN Lang， et al. Ahyperspectral image classification algorithm based ondivergence kernel collaborative representation andspatial-spectral fusion feature[J]. Computer Applicationsand Software，2023，40（2）：287-295.

[12]余柏楊，呂宏強(qiáng)，周巖，等. 基于機(jī)器學(xué)習(xí)的高速?gòu)?fù)雜流場(chǎng)流動(dòng)控制效果預(yù)測(cè)分析[J]. 實(shí)驗(yàn)流體力學(xué)，2022，36（3）：44-54.

YU Baiyang， LYU Hongqiang， ZHOU Yan， et al.Predictive analysis of flow control in high-speedcomplex flow field based on machine learning[J].Journal of Experiments in Fluid Mechanics， 2022，36（3）：44-54.

[13]金長(zhǎng)宇，于佳強(qiáng)，王強(qiáng)，等. 基于集成學(xué)習(xí)CatBoost 優(yōu)化模型的爆堆大塊率預(yù)測(cè)[J]. 東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（12）：1743-1750.

JIN Changyu， YU Jiaqiang， WANG Qiang， et al.Prediction of blasting fragment large block percentageratio based on ensemble learning CatBoost model[J].Journal of Northeastern University（Natural Science） ，2023，44（12）：1743-1750.

[14]花靖，蔣秀，于超，等. 基于改進(jìn)型SVM 算法的氣液兩相流持液率計(jì)算模型[J]. 西安石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，37（6）：103-110，118.

HUA Jing， JIANG Xiu，YU Chao， et al. Liquid holdupcalculation model of gas-liquid two-phase flow based onimproved SVM algorithm[J]. Journal of Xi'an ShiyouUniversity（Natural Science Edition） ， 2022， 37（6） ：103-110，118.

[15]榮統(tǒng)瑞， 侯恩科， 夏冰冰. 基于二次分解和BOBiLSTM組合模型的采煤工作面瓦斯涌出量預(yù)測(cè)方法研究[J]. 煤礦安全，2024，55（5）：83-92.

RONG Tongrui， HOU Enke， XIA Bingbing. Researchon prediction method of coal mining face gas outflowbased on quadratic decomposition and BO-BiLSTMcombination model[J]. Safety in Coal Mines， 2024，55（5）：83-92.

[16]師素珍，石貴飛，劉最亮，等. 基于多變量LSTM 網(wǎng)絡(luò)的K2 灰?guī)r富水區(qū)預(yù)測(cè)——以陽(yáng)泉泊里礦區(qū)為例[J].煤田地質(zhì)與勘探，2023，51（5）：155-163.

SHI Suzhen，SHI Guifei，LIU Zuiliang，et al. Predictingthe water-yield properties of K2 limestones based onmultivariate LSTM neural network： a case study of thePoli Mining Area in Yangquan[J]. Coal Geology amp;Exploration，2023，51（5）：155-163.

[17]代鑫，胡斌，李京，等. 炭質(zhì)泥頁(yè)巖剪切破壞聲發(fā)射特性及其分形特征[J]. 科學(xué)技術(shù)與工程，2024，24（12）：4909-4915.

DAI Xin， HU Bin， LI Jing， et al. Acoustic emission ofcarbonaceous shale and its fractal characteristics undershear failure[J]. Science Technology and Engineering，2024，24（12）：4909-4915.

[18]XU Weihua， BU Qinyuan. Matrix-based incrementalfeature selection method using weight-partitionedmultigranulation rough set[J]. Information Sciences，2024，681. DOI：10.1016/j.ins.2024.121219.

[19]王靜紅，田長(zhǎng)申，李昊康，等. 基于拉格朗日對(duì)偶的小樣本學(xué)習(xí)隱私保護(hù)和公平性約束方法[J]. 計(jì)算機(jī)科學(xué)，2024，51（7）：405-412.

WANG Jinghong，TIAN Changshen，LI Haokang，et al.Lagrangian dual-based privacy protection and fairnessconstrained method for few-shot learning[J]. ComputerScience，2024，51（7）：405-412.

[20]張先鋒. 具終端狀態(tài)約束的無(wú)窮維隨機(jī)發(fā)展方程的線性二次最優(yōu)控制[J]. 四川大學(xué)學(xué)報(bào)（自然科學(xué)版） ，2024，61（3）：75-80.

ZHANG Xianfeng. Linear quadratic optimal controlproblem for stochastic evolution equations with terminalstate constraints in infinite dimensions[J]. Journal ofSichuan University（Natural Science Edition） ， 2024，61（3）：75-80.

[21]林韌昊，周清雷，扈天卿，等. 基于決策邊界分析的深度神經(jīng)網(wǎng)絡(luò)魯棒性評(píng)估與優(yōu)先次序驗(yàn)證[J]. 計(jì)算機(jī)學(xué)報(bào)，2024，47（4）：862-876.

LIN Renhao， ZHOU Qinglei， HU Tianqing， et al.Robustness evaluation and prioritization verification fordeep neural networks via decision boundary analysis[J].Chinese Journal of Computers，2024，47（4）：862-876.

基金項(xiàng)目：山西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（202102100401014）。