基于支持向量機(jī)的故障診斷及應(yīng)用研究.pdf

1、隨著工業(yè)系統(tǒng)日益復(fù)雜化，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法正成為當(dāng)前研究的一個(gè)熱點(diǎn)方向。區(qū)別于傳統(tǒng)方法對(duì)精確數(shù)學(xué)模型的依賴(lài)，數(shù)據(jù)驅(qū)動(dòng)式故障診斷通過(guò)分析和挖掘過(guò)程數(shù)據(jù)，采用一個(gè)反映系統(tǒng)輸入和系統(tǒng)狀態(tài)關(guān)系的“黑盒子”對(duì)目標(biāo)系統(tǒng)進(jìn)行描述，更適用于復(fù)雜非線(xiàn)性系統(tǒng)。而基于支持向量機(jī)(Support Vector Machines，SVM)的故障診斷方法則是數(shù)據(jù)驅(qū)動(dòng)式故障診斷的一個(gè)重要組成部分。該方法采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則求解最佳分類(lèi)超平面，克服了維數(shù)災(zāi)難

2、和局部最小問(wèn)題，且對(duì)故障樣本的需求量較小。因此采用SVM進(jìn)行故障診斷，具有較高的理論價(jià)值和優(yōu)秀的工程應(yīng)用前景。論文首先對(duì)SVM的故障診斷的三個(gè)共性問(wèn)題展開(kāi)研究，包括：
　　 (1)如何有效地將二分類(lèi)的SVM分類(lèi)器擴(kuò)展為多分類(lèi)器，使之適用于系統(tǒng)的故障隔離：決策導(dǎo)向無(wú)環(huán)圖支持向量機(jī)(DAG－SVM)是目前較為先進(jìn)的一種支持向量機(jī)多分類(lèi)擴(kuò)展策略，但其在決策時(shí)存在劃分偏好問(wèn)題。針對(duì)該問(wèn)題，論文提出了一種基于結(jié)點(diǎn)優(yōu)化的DAG－SVM決策結(jié)

3、構(gòu)選取方法，該方法能選取具有最小誤判概率的多分類(lèi)決策結(jié)構(gòu)；更進(jìn)一步，考慮到不同誤判帶來(lái)的損失存在差異，論文采用故障診斷中的誤判損失作為最小化目標(biāo)，提出誤判損失最小化支持向量機(jī)。該方法在決策時(shí)，希望所選結(jié)構(gòu)能夠帶來(lái)最小的誤判損失，而非具備最小的誤判概率，更貼切工程實(shí)際。兩類(lèi)方法運(yùn)用至變壓器故障診斷實(shí)驗(yàn)，得到了良好的效果。
　　 (2)在線(xiàn)故障診斷時(shí)，如何減少?zèng)Q策耗時(shí)，提高響應(yīng)速度：論文提出了一種借鑒標(biāo)簽(Label)信息的在線(xiàn)診斷

4、方法。該方法將診斷系統(tǒng)分為“離線(xiàn)學(xué)習(xí)”和“在線(xiàn)診斷”兩部分，“離線(xiàn)學(xué)習(xí)”部分通過(guò)對(duì)標(biāo)簽信息的深入挖掘，得到樣本的最佳特征子空間，然后在該特征子空間中實(shí)現(xiàn)“在線(xiàn)診斷”。由于特征子空間中包含的特征數(shù)一般要遠(yuǎn)小于原始數(shù)據(jù)的特征數(shù)，“在線(xiàn)診斷”所處理的樣本維數(shù)較低。因此決策計(jì)算量得到減少，決策速度得到提高。
　　 (3)當(dāng)用于訓(xùn)練SVM分類(lèi)器的正、負(fù)訓(xùn)練樣本在數(shù)量上不對(duì)稱(chēng)時(shí)，如何抑制分類(lèi)超平面的偏移：論文提出一種自調(diào)整支持向量機(jī)。該方法

5、首先采用AdaBoost算法對(duì)訓(xùn)練樣本所含信息量進(jìn)行評(píng)估，然后根據(jù)評(píng)估結(jié)果，為每個(gè)樣本設(shè)置了對(duì)應(yīng)的誤判懲罰因子。同時(shí)，自調(diào)整支持向量機(jī)能確保正、負(fù)樣本的總體誤判損失始終相等。因此，所提方法能夠很好的抑制分類(lèi)超平面的偏移。
　　 在討論了常規(guī)條件下，基于支持向量機(jī)故障診斷方法的一些改進(jìn)后，論文同樣嘗試在故障樣本不完備的條件下，對(duì)此類(lèi)故障診斷方法進(jìn)行改進(jìn)和優(yōu)化，包括：
　　 (4)在一類(lèi)或多類(lèi)樣本缺失條件下，如何提高故障診斷

6、的準(zhǔn)確率：基于SVM的故障診斷方法對(duì)樣本的完備度非常敏感。當(dāng)一類(lèi)或多類(lèi)故障樣本發(fā)生缺失時(shí)，SVM對(duì)故障區(qū)域的劃分會(huì)出現(xiàn)很大偏差。論文采用支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)對(duì)故障區(qū)域的劃分進(jìn)行改進(jìn)。有效降低了分類(lèi)器對(duì)樣本完備度的敏感性，在樣本不完備的情況下，有效提高了診斷的準(zhǔn)確率。
　　 (5)在只有正常運(yùn)行數(shù)據(jù)樣本而沒(méi)有故障樣本的情況下，如何有效實(shí)現(xiàn)故障檢測(cè)：論文提出一種