基于支持向量機的故障診斷及應(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)動的故障診斷方法正成為當前研究的一個熱點方向。區(qū)別于傳統(tǒng)方法對精確數(shù)學(xué)模型的依賴，數(shù)據(jù)驅(qū)動式故障診斷通過分析和挖掘過程數(shù)據(jù)，采用一個反映系統(tǒng)輸入和系統(tǒng)狀態(tài)關(guān)系的“黑盒子”對目標系統(tǒng)進行描述，更適用于復(fù)雜非線性系統(tǒng)。而基于支持向量機(Support Vector Machines，SVM)的故障診斷方法則是數(shù)據(jù)驅(qū)動式故障診斷的一個重要組成部分。該方法采用結(jié)構(gòu)風險最小化原則求解最佳分類超平面，克服了維數(shù)災(zāi)難

2、和局部最小問題，且對故障樣本的需求量較小。因此采用SVM進行故障診斷，具有較高的理論價值和優(yōu)秀的工程應(yīng)用前景。論文首先對SVM的故障診斷的三個共性問題展開研究，包括：
　　 (1)如何有效地將二分類的SVM分類器擴展為多分類器，使之適用于系統(tǒng)的故障隔離：決策導(dǎo)向無環(huán)圖支持向量機(DAG－SVM)是目前較為先進的一種支持向量機多分類擴展策略，但其在決策時存在劃分偏好問題。針對該問題，論文提出了一種基于結(jié)點優(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決策結(jié)構(gòu)；更進一步，考慮到不同誤判帶來的損失存在差異，論文采用故障診斷中的誤判損失作為最小化目標，提出誤判損失最小化支持向量機。該方法在決策時，希望所選結(jié)構(gòu)能夠帶來最小的誤判損失，而非具備最小的誤判概率，更貼切工程實際。兩類方法運用至變壓器故障診斷實驗，得到了良好的效果。
　　 (2)在線故障診斷時，如何減少決策耗時，提高響應(yīng)速度：論文提出了一種借鑒標簽(Label)信息的在線診斷

4、方法。該方法將診斷系統(tǒng)分為“離線學(xué)習”和“在線診斷”兩部分，“離線學(xué)習”部分通過對標簽信息的深入挖掘，得到樣本的最佳特征子空間，然后在該特征子空間中實現(xiàn)“在線診斷”。由于特征子空間中包含的特征數(shù)一般要遠小于原始數(shù)據(jù)的特征數(shù)，“在線診斷”所處理的樣本維數(shù)較低。因此決策計算量得到減少，決策速度得到提高。
　　 (3)當用于訓(xùn)練SVM分類器的正、負訓(xùn)練樣本在數(shù)量上不對稱時，如何抑制分類超平面的偏移：論文提出一種自調(diào)整支持向量機。該方法

5、首先采用AdaBoost算法對訓(xùn)練樣本所含信息量進行評估，然后根據(jù)評估結(jié)果，為每個樣本設(shè)置了對應(yīng)的誤判懲罰因子。同時，自調(diào)整支持向量機能確保正、負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超平面的偏移。
　　 在討論了常規(guī)條件下，基于支持向量機故障診斷方法的一些改進后，論文同樣嘗試在故障樣本不完備的條件下，對此類故障診斷方法進行改進和優(yōu)化，包括：
　　 (4)在一類或多類樣本缺失條件下，如何提高故障診斷

6、的準確率：基于SVM的故障診斷方法對樣本的完備度非常敏感。當一類或多類故障樣本發(fā)生缺失時，SVM對故障區(qū)域的劃分會出現(xiàn)很大偏差。論文采用支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)對故障區(qū)域的劃分進行改進。有效降低了分類器對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確率。
　　 (5)在只有正常運行數(shù)據(jù)樣本而沒有故障樣本的情況下，如何有效實現(xiàn)故障檢測：論文提出一種