多元支持向量機在故障診斷中的應(yīng)用

1、多元支持向量機在故障診斷中的應(yīng)用摘要：為了克服傳統(tǒng)分類器訓(xùn)練時需要大量特征樣本的缺點，設(shè)計了一種基于多元支持向量機（MSVM）的離心式壓縮機轉(zhuǎn)子故障診斷分類器。支持向量機是一種新的機器學(xué)習(xí)方法，在小樣本和高維二元分類方面有非常突出的優(yōu)點。實驗證明，依據(jù)此優(yōu)點設(shè)計的MSVM分類器模型不僅可以在小樣本情形下對模型進行快速訓(xùn)練，并且可以快速識別多種故障類型，同時識別率也比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法有較大提高，從而達到提高設(shè)備監(jiān)測和故障診斷效率的目的。

2、關(guān)鍵詞：多元支持向量機離心式壓縮機故障診斷TheApplicationofMultiSupptVectMachinesinFaultDiagnosisfCompresssYuHuiyuan（WellTechR&DInstitutes，COSL，Yanjiao065201，China）Abstract：Fsolvingthedefectoftraditionalclassificatywithmanysamples，anewclassif

3、icatyrecognizingfaultsbasedonMultiSupptVectMachine（MSVM）isproposedfcentrifugalcompresss.SVMisanewmachinestudymethodwhichhasexcellentadvantagesinsmallsamplemultidimensionbinaryclassification.ThenewMSVMclassificatycanbestu

4、diedinafewsamplesrapidlytorecognizeseveralkindsofnewfaults.Atthe支持向量機不同于神經(jīng)網(wǎng)絡(luò)基于經(jīng)驗的算法，它是實現(xiàn)結(jié)構(gòu)風險最小化原則的一種學(xué)習(xí)算法，是利用核函數(shù)把特征樣本映射到高維特征空間，然后在此空間中構(gòu)造分類間隔最大的線性分類超平面，所以支持向量機比較適合于小樣本數(shù)據(jù)的分類。其基本思想如圖1所示，圖中圓點和三角點分別表示兩類訓(xùn)練樣本，H為把兩類樣本完全無誤分開的分類線，H

5、1、H2分別為通過樣本中離分類線最近的樣本且平行于分類線的直線，它們之間的間隔為分類間隔，圖中的樣本點就是支持向量。該最優(yōu)面不但可將兩類樣本無誤的分開，而且還要使分類間隔最大。前者保證經(jīng)驗風險最小，后者使問題的真實風險最小[4]。不同的核函數(shù)將導(dǎo)致不同的支持向量機算法，常見的核函數(shù)包括多項式內(nèi)積函數(shù)、徑向基函數(shù)、S型內(nèi)積函數(shù)等[5]。三、基于MSVM的故障識別分類器（一）基于MSVM的故障識別分類模型由于SVM是二元分類器，診斷過程中，

6、故障通常有多種類型。要對多種故障模式進行識別，必須構(gòu)造一種多元分類器才能進行這種多種模式的識別。通常通過組合多個兩類分類器的方法來實現(xiàn)多值分類器的分類，目前此類方法主要有以下幾類算法：一對一算法（oneagainstone，簡稱1v1）、一對多算法（oneversusrest，簡稱1vr）和決策導(dǎo)向無環(huán)圖算法（DecisionDirectedAcyclicGraph，DDAG）等幾種，可參見文獻[5，6]。通過比較分析，筆者采用一對一方