基于支持向量机的故障诊断
基于支持向量机和模糊评判的故障诊断方法研究
故 障 诊 断 就 本 质 而 言 是 一 类 分 类 问题 。 支 持 向量 机 （ｕ ｐ ｒＶｅ ｔｒ ｃ ｉｅ Ｓ ｐ ｏｔ ｃｏ ｈｎ ）具 有 在 小样 本 Ｍａ
收稿 日期 ：２ １ －４２ ０ ００ —７
下 即 可获 得 满 意 的 学 习效 果 以 及 保 证 所 求 解 为 全 局 最 优 解 等 优 点 ， 此 基于 Ｓ 因 ＶＭ 的分 类 方 法具 有
其进行模 拟仿真 ，结果 与实际试验 结果基 本相符 。克服 了根据单一 的频谱 变化来判 断故障的类 型 ，有效地
提 高 了故 障 诊 断性 能 。 父赴 “ ：模糊理论 ；支持 向量机 ；故障诊断 ｌ 分 类 ：Ｔ ２ Ｉ Ｉ Ｐ９ 文献 标 ’码 ：Ｂ ｊ ：
基于支持向量机的故障诊断方法
基于支持向量机的故障诊断方法郑媛媛1，杨鹏2，冀香雅11东北电力大学自动化工程学院，吉林吉林（132012）2东北电力大学理学院，吉林吉林 (132012)E-mail: zhgynyn@摘要：通过对支持向量机原理的分析，将凸壳理论用于基于支持向量机的故障诊断中，用凸壳顶点集来代替整个样本集来训练，运用实际数据进行仿真，仿真结果表明，本文方法在学习性能和推广性能方面与采用整个样本集基本相同，但降低了存储空间，提高了学习速度。
关键词：支持向量机；故障诊断；凸壳1．引言在现代化生产中，生产过程的任何故障不仅直接影响产品的产量和质量，而且还可能造成严重的设备和人身事故。
长期的生产实践使人们认识到，要使机组设备安全、可靠、有效地运行，充分发挥其效益，必须发展过程监测和故障诊断技术[1]。
故障智能诊断技术代表了诊断技术的发展方向，其发展与人工智能技术的发展密切相关。
回顾诊断技术的发展历程，专家系统在诊断技术中的应用，为故障诊断的智能化提供了可能性，使诊断技术进入了新的发展阶段。
但专家系统只是依赖于经验知识库，却不能创新和发展。
由于人工神经网络具有很强的自学习能力，因此人工神经网络理论成为计算机与人工智能、认知科学等相关专业的新的研究热点，并且在故障智能诊断领域得到了较多的应用。
人工神经网络的算法基础是传统统计学，传统统计学所研究的主要是当样本趋向于无穷多时的统计性质。
但在现实问题中，样本的数目通常是有限的，因此需要学习机器具有较强的推广能力，即对符合某规律，虽然没有学习过的样本也能给出合理的结论。
但神经网络算法对于当样本数有限的问题，训练效果良好的一个算法结构却可能表现出很差的推广能力，即所谓的神经网络过学习问题。
并且人工神经网络仅仅试图使风险最小化，并没有使期望风险最小化，因而造成了推广性方面较为严重的缺陷。
近年来，人们认识到神经网络的学习算法缺乏定量的分析与机理完备的理论结果，从而使新的学习算法的研究成为机器学习的研究热点和关键问题。
支持向量机的舰船发动机故障诊断
关键词：舰船发动机；特征降维；故障诊断；模式识别；误诊率
中图分类号：TP391 文献标识码：A
文章编号： 1672 – 7649(2019)11A – 0106 – 03
doi：10.3404/j.issn.1672 – 7649.2019.11A.036
Fault diagnosis of ship engine based on support vector machine
第 41 卷 第 11A 期 2019 年 11 月
舰船科学技术 SHIP SCIENCE AND TECHNOLOGY
Vol. 41, No. 11A Nov. , 2019
支持向量机的舰船发动机故障诊断
张毅 (长治学院 电子信息与物理系，山西 长治 046011)
摘 要: 发动机故障诊断是舰船领域的一项关键研究内容，舰船发动机故障与多种因素相关，而且故障类型 很多，针对传统舰船发动机故障诊断模型存在的局限性，设计基于支持向量机的舰船发动机故障模型。首先采集舰 船发动机工作状态信号，并从工作信号中提取舰船发动机工作状态特征；然后对舰船发动机工作状态特征进行降维 处理，并采用支持向量机构建舰船发动机故障诊断的多分类器；最后采用仿真模拟实验测试了本文舰船发动机故障 诊断模型的性能，支持向量机可以准确识别各种舰船发动机故障，舰船发动机故障诊断性能要优于传统舰船发动机 故障诊断模型，而且诊断效率可以满足舰船发动机故障在线诊断要求。
ZHANG Yi (Electronic Information and Physics Department, Changzhi University, Changzhi 046011, China)
Abstract: Engine fault diagnosis is a key research content in the field of warship. The fault of warship engine is related to many factors, and there are many types of fault. Aiming at the limitation of traditional fault diagnosis model of warship engine, a fault model of warship engine based on support vector machine is designed. Firstly, the working state signals of marine engine are collected, and the working state characteristics of marine engine are extracted from the working signals. Then, the working state characteristics of marine engine are processed by dimensionality reduction. A multi-classifier for fault diagnosis of marine engine is built by using support vector mechanism. Finally, the ship is tested by simulation experiment. The performance of the fault diagnosis model of marine engine can be accurately identified by support vector machine.arine engine is better than that of traditional marine engine, and the diagnosis efficiency can meet the requirements of online fault diagnosis of marine engine.
基于支持向量机的变压器故障多层次诊断及定位
ｍａ ｈ ｎ ｎ ｓ ｌ ｉ ｇ ｔ ｅ ｓ ｌ ｓ ｍｐ ｅ ｎ ｎ ｉｅ ｒ ａ ｄ ｈｇ ｉ ｎ ｉ ｎ ｌｐ ｔ ｒ ｅ ｏ ｎ ｔ ｎ ａ ｄ ｏｈ ｒａ ｐ ｃ ｓｔ ｏｖ ｈ ｒ ｂ ｅ ｃ ｉ ｅ ｉ ｏ ｖｎ ｈ ｍａｌ ａ ｌ ， ｏ ｌ ａ ｎ ｉｈ ｄ ｍｅ ｓｏ ａ ａｔ ｎ ｒ ｃ ｇ ｉ ｏ ｎ ｔ ｅ ｓ ｅ ｔ ｏ ｓ ｌｅ ｔ ｅ ｐ ｏ ｌｍｓ ｎ ｅ ｉ ｅ ｉｔ ｇ ｉ ｒ ｎ ｆｒ ｅ ａｌ ｒ ｎ ｏ ｍａｉ ｎ ａ ｏ ｔｒ ｄ ｎ ａ ｔ ｎ ｅ ｔｉ ｔ ，ｓ ｌ ｓ ｍｐ ｅ ｓｚ ｎ ｔ ｅ ｓｕ ｓ Ｔ ｅ ｅ ｐ ｒｍｅ ｔｓ ｏ ｅ ｘｓｉ ｎ ｔ ｓｏ ｎ ａ ｍ ｒｆ ｉ ｅ ｉｆ ｒ ｔ ｂ ｕ ｅ ｕ ｄ ｎ ，ｕ ｃ ｒ ｎｙ ｍａ ｌ ａ ｌ ｉｅ ａ ｄ ｏ ｈ ｒｉｓ ｅ ． ｈ ｘ ｅｉ ｎ ｈ ｗ ｄ ｕ ｏ ａ ｔ ａ ｐ ｌｉ ｇ ｔ ｅ ｓ ｐ ｏ ｅ ｔ ｒ ｃ ｉ ｅ ｔ ａ ｓ ｒ ｒｆｕ ｔ ｉｇ ｏ ｉ ａ ｄ ｌｃ ｔ ｎ ｉ ｅ ｓ ｎ ｂ ｅ ａ ｄ ｆａ ｉ ｌ ． ｈ ｔ ｐｙ ｎ ｕ ｐ ｒ ｖ ｃ ｏ ａ ｈ ｔ ｍａ ｈｎ ｏ ｔ ｎ ｆ ｍｅ ａ ｌ ｄ ａ ｎ ｓ ｎ ａ ｉ ｓｒ ａ ｏ ａ ｌ ｎ ｅ ｓｂ ｅ ｒ ｏ ｓ ｏ ｏ
基于支持向量机的发动机故障诊断
种更为精细的正交分解方法， 它在全频带对信号进 行 多层次 的频带 划分 ， 仅 继 承 了小波 变 换 所具 有 不 的 良好时 频局部 化优 点 ， 且 继 续 对其 没 有 再 分解 而
的高频频带 做进 一 步分 解 ， 而 提 高 了频 率 的分辨 从
Ｅ上 ， ｍ 个 样 本 点 投 影 到 此 子 空 间 的 坐 标 上 以 当
对该 组特 征 向量 分别 用 Ｐ Ａ、 Ｃ 算法 进 行 Ｃ ＫＰ Ａ 维数 约简 ， 取前 ４个 主 分 量 （ 时 Ｐ Ａ 算法 的均 方 此 Ｃ 重构误 差 为 ００２２ 构 成 一组 新 的 ４维 特 征 向量 ． ．０ ） 其 中， Ｐ Ａ算 法 中采 用 高斯 核 函数 ， 核参 数 Ｏ Ｋ Ｃ 取 ＇ ｚ
唐 浩 ，屈梁 生
（ 西安交通大学机械工程学院 ，７０ ４ ， １０ ９ 西安 ）
摘 要 ：针 对发 动机 的故 障特 点 ， 出了一种 基 于主分 量分析 和 支持 向量机 的发动机 故 障诊 断 方法． 提 利用 小波 包对声级计 采 集到 的解放 Ｃ ４ 型 汽车发 动机 声音信 号进行 特征提 取 ， 用主分 量 分析 Ａ１ １ 应 方法在 不损 失有效信 息 的情 况下 ， 原始特 征 向量 中的 冗余 信 息约 简 ， 此基 础上 通过 支持 向量机 将 在 对发动机 故 障进行 分类． 断结果表 明 ， 诊 该方 法在保 证较 高诊 断精 度 的 同 时， 可将 支持 向量 机 的训
个 Ｘｍ 维 的特 征矩 阵Ａ， 的每 一列可 看成是 维 Ａ 特 征 空间上 的点 ， 这样 在 维空 间 上共 有 ｍ 个 样 本
１ 理论 基 础
小波包 变换 是在多 分辨率 分析 基础 上构 成 的一
基于球结构支持向量机的故障劣化趋势诊断
支持 向量 机 的拉 格 朗 日乘 子 ？ ，球 心 ，
１ … ， ０； ， ４
１… ，， ， ｋ 每一个集合 Ａ 包含 ｎ 个点 ｘ ， １ …， 这些 半 径 平 方 Ｒ ， ４ ７ｉ ， ｎ， ＝ ｍ＝ ， （ ） 断剩 余 的 ４诊
各 ６ ０组 测 试 样 本 数 据， 建 ， 较Ｒ 比 与 Ｒ ， 断 属 于 哪类 诊 故 障 ， 果 如 表 １ 结 。
（） １
分析 的可 视 化 技 术
ｓｌ ＿
ቤተ መጻሕፍቲ ባይዱ＿ ｌ
（ ２ ）
将 三 种 状 态 下 的 各 ６ 组 测 试 数据 二 维 显 示进 行 表 １ 三类球结构支持 向 ０
ｌ ≤ ？ｃ ０ ≤
引进 核 函数 ， （ ） 式 （ ） 式 １和 ２ 变换 成 二次规 划 问题 ：
得到 ｌＯ ３ Ｏ ｘ 个数据 。 中取每一类的前 ４ 个数据为训练 其 ０
样本 ， 剩余 ６ 个数据为测试样本。三类训练样本的数据 ［ ］ 王立 强． 于多元统计图 的高维数据降 维方法及应用研究 ［ ］ ０ ５ 基 Ｄ． 如图 １３ ～ 所示。 横坐标是每类训练样本 的前 ４ Ｉ 分 （ 个 ＭＦ 秦皇 岛： 山大学 ，０ ６ 燕 ２０ ． （ 编辑 黄 获 ） 量 ，纵坐标是每类训练样本所对应的 ４个 Ｉ ＭＦ的内禀模
并且 采用 主 成份
类 的所有样本点 ， ？ 其中 ｉ１ …， ｍ ｌ…，。 ＝ ， ｎ ， ＝ ， Ｊ ｊ ｝ 由 Ｋ Ｔ条件 ， Ｋ 得到 Ｌ ｇａｇ ａｒｎｅ函数 ， 转化为对偶问题 ：
ｍ （ ＝ Ｔ ？ ？ ∑ （ ・ ） ａ ）∑ａ（ ・ ） 一 ？
ｉ ， ，
了验证 ，使球结构支持 向量
机 的 诊 断结 果更 加 直观 化 。
基于决策树支持向量机模型的变压器故障诊断法
行状态直接影响系统 的安全性 。油 中溶解 气体分 的缺点 ，大大提高了学习方法 的泛 函能力。鉴于
Ｖ 析 （ Ｇ — ｉ ｏ ｅ ａ ｎ ｌ ｉ）技 术 是 目前 对 Ｓ Ｍ 能在 训练 样本 很 少 的情 况 下 达 到分 类 推 广 的 Ｄ Ａ Ｄ ｓ ｌ ｄＧ ｓＡ ａｙ ｓ ｓｖ ｓ 油浸 式 电力 变 压器 进 行 故 障诊 断最 方 便 有 效 的 手 目的 ，国 内外 学 者 已经 开 始 在 故 障 诊 断 领 域 进 行
０ 引 言
是一 种 以统 计 学 习 理 论 为 基 础 ，针 对 有 限样 本 的
一
种 通用 学 习方 法 ，能有 效解 决 小 样本 、高维 数 、
电力变 压 器 是 电力 系 统 中 的重 要 设 备 ，其 运 非线 性 等 ，并 克 服 了人 工 神 经 网络 存 在 局 部 最 优
断 效 果
收 稿 日期 ：２ １ ０ ０ ０— ４—１ ５
型 ，该 模 型可 以有 效 地 利 用 已掌握 的有 关 变 压器
故 障 的先验 知识 ，采 用 分 级 判 别 的 方 法 ，使 对 故
障 的诊 断逐 步 得 到 细 化 ，最 终 得 出 引发 故 障 的具
３ ０
华 北 电 力 大 学 学 报
同分支 中的基本分类 器，建 立组合 支持向量机模 型 ，实现 了对故 障的 多分辨识 别 ，该方法提 高 了故障分析及 预 测的准确度。应用结果表 明该 系统模型是 富有成 效的。
关 键 词 ：电 力 变 压 器 ；溶 解 气体 分析 ；支持 向 量 机 ；故 障诊 断 ；决 策 树 中 图分 类 号 ：Ｔ ０ Ｍ４ ７ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１０ ２ ９ （０ ０ ６— ０ ９—０ ０ ７— ６ １ ２ １ ）０ ０ ２ ５
基于支持向量机的矿井提升机制动系统的故障诊断
０ 引 言
点 。 本文 中采用 Ｌ Ｍ （ ｏ ｄＰ ｅ ｓ ｒ Ｍｏ ｉ ｒ 故 障 在 Ｐ Ｉ ａ ｒｓｕ ｅ ｎｔ ） ｏ
诊断 方法 ，即利 用专用 测力 传感器 、油压 传感器 分别 拾取 制 动 器各 碟 形 弹簧 组 的弹 簧 力 Ｆ 和液 压 回路 中 的油压 力 Ｆ 来 进行 在线监 测与故 障诊 断 ， 诊断原 理 其
收 稿 Ａ期 ： ２ ０ — ７ ２ ；修 回 日期 ：２ ０ 一 １ Ｏ ０ ９０ ５ ０ ９ ｌ一 ３
说 明 。其 中 ，方框 和圆点 分别 代表两类 样本 ，中间的 粗 实线 为分 类 面 。对分 类 面 （ ・ ） —０ 行 标 准 训 ＋６ 进
化 处 理 ， 得 对 线 性 可 分 的 样 本 集 满 足 不 等 式 使１ 源自 动 系 统 故 障诊 断 原 理
支持 向量 机是从 线性 可分 情况 下的最 优平面 发展
而来 的＿ ，其 基本思 想 可用 图 １的二维 平面 的情况 来 ５ ］
从 煤矿 安全规 程对提 升机 的保护 以及 现场运 行提 升 机事故 的严 重程 度来看 ，通 常把制 动力矩 不足及 制 动 力矩过 大作 为提 升机制 动系统 检测 和故 障诊断 的重
如 下 ：
矿 井提 升机 是 煤炭 生 产过 程 中的 大型关 键 设 备 ，
其 主要 任务是 沿井筒 提升煤 炭 、矿石 和矸石 ，升 降人
员 和设备 ，下 放材料 和工具 等 ，素有 “ 山咽喉 ”之 矿 称 。制 动系统是 提升机 的重要 组成 部分 ，执行 着正 常
停 车和在各 种故 障情况 下 紧急 制动 安全 停车 的重要任
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于支持向量机的故障诊断
摘要
在化工生产过程中，为了准确检测故障，减少机械的损失和人员的伤亡，提出了支持向量机算法。
支持向量机是基于统计学理论的方法，具有较强的逼近能力和泛化能力。
但是在最近几年中，一种基于主元分析的过程监控方法已在工业过程中得到应用，主元分析方法通过正常工况下的历史数据建立的统计模型能很好地检测过程的异常变化和故障的发生。
本文主要就这两种方法展开运用。
在实际生产过程中，一方面，主元分析方法故障诊断能力有限；另一方面，存在着大量的历史数据，既有正常工况下的数据，又有故障数据，如何充分利用各种类别数据，提高故障诊断能力，具有十分重要的意义。
本文首先运用传统支持向量机算法对历史数据进行分类，分类结果表明该方法对于简单的数据比较容易区分，但是在数据复杂，可辨性较低的情况下，效果不明显。
然后运用改进了的传统支持向量机算法对历史数据进行分类，即运用主元分析方法提取各数据的主要特征，再利用支持向量机具有的分类优势对过程数据进行在线诊断，从而提高故障诊断能力。
本文对传统支持向量机算法和改进支持向量机算法进行了仿真比较，仿真结果体现了改进支持向量机算法的优越性；改进支持向量机算法提高了传统支持向量机算法分类的正确率。
该种方法在实际工程中能够提高系统的诊断性能，减少不必要的损失。
关键词：支持向量机；故障诊断；主元分析方法；田纳西-伊斯曼过程；
Fault Diagnosis Based on Support Vector Machine
Abstract
In order to detect faults accurately, reduce mechanical losses and casualties in the chemical production process, the algorithm of support vector machines was proposed. Based on the statistics theories, support vector machine is a method of approximation ability and generalization ability. Recently, a new method of process monitoring based on principal component analysis is applied in industrial production process. The statistical model built by principal component analysis method using historic data could detect unusual changes and faults happening in the process accurately. This research is on the application of these two methods. In the actual production process, principal component analysis has certain limitations in diagnosing fault. Besides, the vast volume of historical data was collected in both normal and unusual conditions. It is of great importance to make full use of the data to improve the capacity of fault diagnosis.
Firstly, this paper classified the historical data by applying the traditional support vector machine algorithm. The results showed that traditional method works well on simple data sets. However, it showed insignificant effects under a complex and low-differentiability condition. In succession, an advanced approach was used to improve the traditional method, which was approached to enhance the ability of fault diagnosis by using principal component analysis to extract the main features of the data, then with the use of support vector machine which has the advantages of online diagnostic on process data to classify.
In this paper, the traditional support vector machine algorithm and advanced support vector machine algorithm were compared in simulation process, the results indicates the superiority of the advanced method which improved the correctness of the traditional one on classification. It could also improve the diagnostic performance in the actual process and reduce unnecessary losses consequently.
Key words:Support Vector Machine; Fault Diagnosis; Principal Component Analysis; Tennessee Eastman Process
目录
论文总页数：49页1 引言 (1)
1.1课题背景 (1)
1.2故障诊断技术及其发展 (1)
1.3国内外研究现状 (2)
1.4本课题研究的意义 (4)
1.5本文主要内容 (4)
2 机器学习理论与方法 (5)
2.1机器学习简述 (5)
2.1.1机器学习的主要学习问题 (5)
2.1.2机器学习的经验风险最小化原则与推广能力 (6)
2.2统计学习理论 (7)
2.2.1统计学习理论发展历史 (7)
2.2.2统计学习理论的核心内容 (8)
2.3支持向量机(SVM)理论 (10)
2.3.1支持向量机简述 (10)
2.3.2支持向量机算法 (10)
2.4主元分析方法(PCA)理论 (13)
2.4.1主元分析方法简述 (13)
2.4.2 主元分析方法降维 (14)
3 机器学习的故障诊断方法 (15)
3.1专家系统 (15)
3.2人工神经网络 (15)
3.3基于支持向量机的故障诊断方法 (16)
3.3.1 支持向量机的求解 (16)
3.3.2核函数 (17)
3.3.3支持向量机故障诊断方法 (18)
4 基于PCA支持向量机的故障诊断方法 (22)
4.1基于PCA支持向量机的故障诊断 (22)
4.2数据预处理 (23)
4.3求特征值与特征向量 (24)
4.4选取主成分 (24)
4.5新建故障特征向量 (24)
4.6基于支持向量机的分类 (24)
5 仿真研究 (25)
5.1田纳西-伊斯曼过程(T ENNESSEE E ASTMAN P ROCESS) (25)
5.1.1 田纳西-伊斯曼过程简述 (25)
5.1.2 过程工艺流程图 (26)
5.1.3 过程变量 (27)
5.1.4 过程故障 (28)
5.2本文所用数据故障分析 (29)
5.2.1 TE数据提取 (29)
5.2.2故障1的个案研究 (30)
5.2.3故障5的个案研究 (32)
5.2.4故障11的个案研究 (32)
5.3基于支持向量机故障诊断 (33)
5.3.1 数据预处理 (33)
5.3.2 支持向量机(SVM)对故障诊断 (34)
5.3.3 仿真结果 (34)
5.4基于PCA支持向量机故障诊断 (35)
5.4.1 TE数据提取 (35)
5.4.2 数据预处理 (35)
5.4.3 主元分析方法(PCA)特征提取 (36)
5.4.4 支持向量机(SVM)的分类 (36)
5.4.5 仿真结果 (36)
5.5实验结果对比分析 (38)
5.5.1 实验结果对比 (38)
5.5.2 实验结果分析 (38)
结论 (1)
参考文献 (2)
致谢 (4)
声明 (5)。