SVM模式識別技術(shù)在機械故障診斷中的應(yīng)用進展

第卷 第期0年月

桂林電子科技大學(xué)學(xué)報GnUyfcy

VN39M模式識別技術(shù)在機械故障診斷中的應(yīng)用進展王長林陳鴻寶林瑋秦啟茂宋宜梅桂林電子技大學(xué)機電工程學(xué)院廣西桂林 ；廣西右江礦務(wù)局廣西田東 )摘 要支持量機pMM是一種基于統(tǒng)計學(xué)理論的新型機器學(xué)方法對小樣本決策具有較好的學(xué)習(xí)推廣性為在機械故障診斷更好地運用該方法從基于支持量機理論模式識別技術(shù)和機械故障診斷應(yīng)用兩方面綜述了近年來支持向量機國內(nèi)外研究應(yīng)用現(xiàn)狀分析了技術(shù)特點存在問題解決方案及其在機械工程領(lǐng)域應(yīng)用前景。關(guān)鍵詞支持量機機器學(xué)習(xí)模式識別故障診斷中圖分類號7 文獻標識碼A 文章編號4nRndntVrMedsAnntDsWGnHNoNWQGQmoGmi．MdnUcnI．uMg)eMwmddn—gT．sdnsnmsew．mftrmeewddmewssntse．mey—dmdegsedn．Kyrmmenns1機械設(shè)備故障診斷技術(shù)機械設(shè)備故障診斷技術(shù)是現(xiàn)代化生產(chǎn)發(fā)展的產(chǎn)物成為保證生產(chǎn)系統(tǒng)安全穩(wěn)定運行和提高產(chǎn)品質(zhì)量的重要手段和關(guān)鍵技術(shù)故障診斷技術(shù)研究的關(guān)鍵問題在于信號獲取模式分類及判別決策而故障的模式分類則是故障診斷過程的核心所在從本質(zhì)上而言械備故診斷過也是故障式識別的過程模式識別系統(tǒng)主要包括個部分如圖所示。前人工神經(jīng)網(wǎng)絡(luò)智能診斷技術(shù)是較常用的故障模式分類方法之一在故障診斷領(lǐng)域得到較多的研究和應(yīng)用然而人工神經(jīng)網(wǎng)絡(luò)的算法基礎(chǔ)為傳統(tǒng)統(tǒng)計學(xué)理論具有一些不可克服的缺點和不足最

圖1模式識別統(tǒng)基本構(gòu)成框圖直接的問題就是推廣泛化能力不足需要大量的訓(xùn)練樣本并且存在學(xué)習(xí)題工程實際中的機械故障診斷問題尤其是大型機械設(shè)備獲取大量的典型故障樣本非常困難。因此在機械故障診斷中處理的一般是小樣本問題在樣本的數(shù)量上和質(zhì)量上都不能滿足收稿期1基金項目國家然科學(xué)基金廣西然科學(xué)青年金)作者簡介王長林一男江蘇鹽城人碩士研究生主要研究方為機械設(shè)備故障智能診技術(shù)@n第期 王林等M模式識別技術(shù)及在機械故障診斷中的應(yīng)用進展 7像神經(jīng)網(wǎng)絡(luò)等現(xiàn)有的故障診斷方法對學(xué)習(xí)樣本的要求而制這些論很優(yōu)算法實際應(yīng)用效果。因此選擇一種具有好的推廣泛化能力適合樣情況的學(xué)機進機故診斷非關(guān)鍵。支持向量機突出優(yōu)點是推廣泛化能力強適合于樣本題求解前成機故診斷的沿研究方向本文系統(tǒng)地闡述支持向量機的模式識別技術(shù)及在機械故障診斷中的應(yīng)用現(xiàn)狀。2基于M理論模式識技術(shù)研究進展早在年博士在解決模式識別問題上提出的支持向量機方法是指從訓(xùn)練集中選擇一組特征子集使得對特征子集的劃分等價于對整個數(shù)據(jù)集的劃分這組特征子集被稱為支持向量t年博士提出了支持向量機的一個重要理論基礎(chǔ)C維理論。年，和博士等人進一步提出了具有劃時代意義的結(jié)構(gòu)風(fēng)險最小化原理。其后支持向量機理論研究停滯不前直到年博士正式提出統(tǒng)計學(xué)習(xí)理論用完整的支持向量機分類器，較好地解決了線性不可分問題為有限樣本情況下的統(tǒng)計學(xué)習(xí)問題提供了一種有效的解決途徑禰補了傳統(tǒng)統(tǒng)計學(xué)理論的不足奠定了支持向量機的理論基礎(chǔ)近幾年來國外許多者對支持量機結(jié)構(gòu)、算法進行了一系列的理論研究。在傳統(tǒng)的模式識別技術(shù)中模式分類的基本方法是利用判別函數(shù)來劃分每一個類別如何選擇有效的判別函數(shù)形式以及如何在識別過程中對判別函數(shù)的有關(guān)參數(shù)進行修正有很多不同的解決方法其中支持向量機方法是一種較新的分類算法標準的支持向量機一般解決的是二分類題而實際需要解決的一般是多類問題。前利用支持向量機處理模式識別中的多類分類問題是當前研究的熱點之一研究者們提出的一些卓有成效的多類支持向量機方法可大致歸納為兩大類：第一大類是以W博士在年提出的多類算法為代表該算法是在經(jīng)典支持向量機理論的基礎(chǔ)上重新構(gòu)造多值分類模型通過改寫博士的支持向量機二值分類中的優(yōu)化標函數(shù)實現(xiàn)多類分類類選擇的標分雜實現(xiàn)難計算復(fù)雜度也非常高。第二大類引入了組合的思想通過組合多個兩類分類器實現(xiàn)多值分類器的分類前此類方法主要有以下幾類算法：一對多算法簡稱。對多算法由博士提出其基本思想是針

對類問題構(gòu)造個兩類分類器用一個兩類支持向機類將類其他所有類分開來到個類數(shù)在測試本進行分類時采用較法，將未知樣本分類為具有最大分類函數(shù)值的那類。一對一算法簡稱。對一算法由提出該方法基本思想是在每兩類間訓(xùn)練一個分類器因此對于一個類問題，將有一個分類函數(shù)在對測試樣本進行分類時采用投票法最后得票最多的類別既作為該未知樣本的類別。決導(dǎo)無環(huán)算法—對于算法J引入了圖論的思想提出G算法在訓(xùn)練階段G和算法投票一樣也要構(gòu)造出每兩類間的分類面即有一個分類器但是在分類階段該方法將所用分類器構(gòu)造成一種兩向無環(huán)圖形狀如圖所示包括一個節(jié)點和個葉當對個未知樣本進行分類時首先從頂層的二值分類器開始根據(jù)頂部的二值分類器分類結(jié)果確定采用下層的左節(jié)點還是右節(jié)點的二值分類器繼續(xù)分類直到底層的某個葉為止該葉所表示的類別即為未知樣本的類別。圖2M分類示意圖以上多類分類算法相較而言一對多算法易于實現(xiàn)但它的推廣誤差無界任何一個分類器的錯誤分類都將會帶來分類的二義性一對一算法的速度在般情況下均優(yōu)于一對多算法在增量學(xué)習(xí)中這一差別尤為明顯。因此現(xiàn)有的應(yīng)用在模式識別中的多值分類算法一般采用一對一算法或在一對一算法和對多算法的基礎(chǔ)上進行改進的一些算法如上所闡述的t提出的決策導(dǎo)向無環(huán)圖算法雖然這種算法的訓(xùn)練段和一對一算法一樣但在分類階段只用了一個分類器速度優(yōu)于一對一算法。支持向量機方法由于其出色的學(xué)習(xí)性能和分類性能很領(lǐng)域都到很成功應(yīng)用特是在模式識別領(lǐng)域這是支持向量機一個最重要也是最成功的應(yīng)用之一也是支持向量機二分類和多分類算法8 桂林電子科技大學(xué)學(xué)報 0年月的直接應(yīng)用涵蓋了文本動分類人臉檢測遙感象析等個面其最突的用研是貝實驗室對美國郵政手寫體字庫的實驗結(jié)果表明用支持向量機方法得到的識別結(jié)果均優(yōu)于專家系統(tǒng)和多層神經(jīng)網(wǎng)絡(luò)除了在模式識別領(lǐng)域外在數(shù)據(jù)挖掘金融時間序列預(yù)測非線性系統(tǒng)建摸與控制等領(lǐng)域支持向量機都顯示出了良好的性能這些研究表明其應(yīng)用范圍是非常廣泛的是一項很有發(fā)展前途的機器學(xué)習(xí)算法。3M在機械故障診斷的應(yīng)用進展機械故診斷過是一個故模式識別過程此研適于展械設(shè)故障狀識別識別理論是解決問題的關(guān)鍵之一鑒于機械設(shè)備在整個國民經(jīng)濟中所處的重要地位以及支持向量機針對小樣本情況所表現(xiàn)來的優(yōu)良分類性能已引起了眾多機械故障診斷領(lǐng)域研究人員的廣泛關(guān)注前國內(nèi)外研究人員都試圖在這一領(lǐng)域有所突破。等將支持向量機應(yīng)用于滾動軸承的狀態(tài)檢測并用遺傳算法優(yōu)化支持向量機的參數(shù)取得比較好的推廣能力1彭問季提出了一種利用小波包析提取水組振動故障特和基支持向機的水電組振動的故障診斷方法王凱等提出一基支持機輪故診斷方法用小變換對齒輪的振動信號進行處理來構(gòu)造特征量在小樣本情況下神經(jīng)網(wǎng)絡(luò)獲得更高的診斷精度饒泓、虞國全采用了幾種基于支持向量機的徑向基網(wǎng)絡(luò)故障診斷方法結(jié)合了支持向量機和徑向網(wǎng)絡(luò)兩者各的優(yōu)點解決了故障樣本數(shù)據(jù)不足問題縮短了訓(xùn)練時間并取得更高的準確率齊保林李凌均將支持向量機分類算法用于滾動軸承的多類故障模式分類中并與人工神經(jīng)網(wǎng)絡(luò)進行了對研究實驗表明在有限樣本條件下支持向量機算法比人工神經(jīng)網(wǎng)絡(luò)具有更好的分類性能孫剛等在利用支持向量機進行模式分類時提出了根據(jù)分類權(quán)值來進行特征的選擇提高支持向量機分類器的分類性能r官理等在處理多分類問題上提出了結(jié)合導(dǎo)向無環(huán)圖方法和簡化支持向量機方法的一種快速支持向量機多類分類方法減少了支持向量的數(shù)量并加快了分類的速度余輝等針對支持向量機多類分類方法中的分解重構(gòu)法進行深入分析討論了影響分類性能的兩個關(guān)鍵因素并通過實驗驗證其觀點張龍等針對旋轉(zhuǎn)機械振動信號存在非平穩(wěn)性提出一種基于時變參數(shù)自回歸模型和支持向量機相結(jié)合的旋轉(zhuǎn)機械故障診斷方法2何學(xué)文等提出了一種基于小波分析

和支持向量機相結(jié)合的旋轉(zhuǎn)機械故障診斷方法實驗表該方法可獲得高旋轉(zhuǎn)機械故障診斷準確率2?；鄯宓柔槍υ谝簤罕霉收显\斷中故障樣本難以獲得的問題融合人工免疫系統(tǒng)中的實值否定選擇算法和支持向量機算法提出了一種混合的故障診斷方法2吳峰崎等針對轉(zhuǎn)子在升降速運行時的故障特征數(shù)據(jù)樣本有限而制約有效智能診斷的問題提出了基于支持向量機的加速度信號故障診斷方法2毛榮富等將后驗概率引入到故障診斷中提出了一種基于后驗概率的支持向量機方法實驗表明，該方法無論對測試樣本還是對訓(xùn)練樣本都有更高的診斷準確率。這些針對不同機械故障對象的診斷研究表明將支持向量機應(yīng)用在機械故障診斷模式分類方面其性能優(yōu)于許多已有的方法對于小樣本診斷精度高于神經(jīng)網(wǎng)絡(luò)方法對于高維樣本其診斷速度比神經(jīng)網(wǎng)絡(luò)快研究表明機械故障診斷技術(shù)發(fā)展的的瓶頸之是故障樣本的缺乏而不僅于診方法本身，此可見支持向機在機械故診斷中很好的應(yīng)用前景。遺憾的是前絕大多數(shù)研究還是處于實驗室階段應(yīng)該在相當長一段時間內(nèi)著重支持向量機的應(yīng)用研究。4M的特點及存在的問題支持向量機是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上產(chǎn)生的一種新型的以結(jié)構(gòu)風(fēng)險最小化為歸納原則尋求使經(jīng)驗風(fēng)險和置信范圍之和最小的學(xué)習(xí)機器在解決小樣本問題的同時又能解決人工神經(jīng)網(wǎng)絡(luò)算法中的高維問題和局部極值問題支持向量機算法兼顧了經(jīng)驗風(fēng)險和推廣能力對解決小樣本的模式分類問題具有獨特的優(yōu)勢。研究表明支持向量機現(xiàn)有的模式識別方法現(xiàn)優(yōu)的類性能更適于機故障診斷這種小樣本情況下的實際工程問題的解決。然而作為一項新興的尚在發(fā)展中的技術(shù)支持向量機本身也存在著一些不足。隨著研究的深入支持向量機算法及應(yīng)用必將得到進一步的完善和發(fā)展。針對具體實際問題尋找快速訓(xùn)練滿足實時要求泛化能力強的高效算法一直是今后研究的方向?qū)τ谄湓趯嶋H工程應(yīng)用中有著重大的意義。在實際應(yīng)用中有關(guān)支持向量機核函數(shù)中的些關(guān)鍵參數(shù)優(yōu)化選擇問題依然沒有得到很好的解決因此確定出合理的核參數(shù)選取準則使得支持向量機獲得更好的性能也是一值得深入研究的方向。由于支持向量機最初是為了解決模式識別中的二分類問題而提出的不能直接用來解決多值分第期 王長林等M模式識別技術(shù)及在機械故障診斷中的應(yīng)用進展 9類問題。因此有必要研究更好的多類支持向量機得到實用方便簡捷的機械多故障診斷方法也是今后值得研究的一個重要方向。)前像人工神經(jīng)網(wǎng)絡(luò)等其他現(xiàn)有的學(xué)習(xí)算法的理論相對比較成熟應(yīng)用也較廣泛因此將支持向量機和其他已有的算法思想相結(jié)合也是支持向量機今后研究的一個方向。)前支持向量機主要集中在然科學(xué)工程運用和學(xué)領(lǐng)域居多在機械設(shè)備故障診斷領(lǐng)域應(yīng)用相對少得多其次研究成果大多還處于理論階段。因此拓寬支持向量機的應(yīng)用領(lǐng)域面向機械設(shè)備故障診斷工程應(yīng)用開發(fā)出實用的產(chǎn)品也將是下一步的研究重點。5結(jié)束語基于支持向量機的模式識別方法是近年來發(fā)展起來的一種新興技術(shù)在理論和實際應(yīng)用中仍然存在著一些需要深入研究和改進的地方關(guān)于它的理論和實際應(yīng)用也仍在研究之中前支持量機在機械故障診斷模式識別領(lǐng)域中取得一定進展對于機械故障診斷模式分類而言具有很強的現(xiàn)實意義為機械故障診斷提供了一種新的研究方法。參考文獻：]DO張宏東等，譯北京機械工業(yè)版社．]MRN統(tǒng)計學(xué)習(xí)理論張學(xué)工等譯北京電子工業(yè)出版社．]ON支持量機導(dǎo)論M李正等譯．北京子工業(yè)出版社．]NWS．sM—，Uy，mtmr，，．]UR—rm：aeynwntnhR，，5．]TJR．enMsMT，．]UCNPGC—r／，．]ADgrfCVRoR：．

]SKV-．]YM·MW，．]YoLr，．3廖振生陳光喜基于M對隱寫分析法的改進桂林子科技大學(xué)學(xué)報．]TPMnRrmCenw．]NRAHRrnm-sfehEEgWpn·。．]KDAendngg．lfMg，，：．]KLArmsdlwsmdyc—g6．]彭文季羅興琦基于小波包分析和支持向量機的水機組振動故障診斷研究中國電機工程學(xué)報6：．]王凱張永祥李軍基于支持向量機齒輪故障診斷方法研究振動與沖擊．]饒泓虞國全基于支持向量機的徑向基網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化．計算機工程與應(yīng)用．]齊保林李凌均基于支持量機的故障診斷方研究口煤礦機械．]孫剛王志平王新一種提高支持量機性能的特征選擇新方法計算機工程與應(yīng)用．]