基于大规模训练集SVM的发动机故障诊断.pdfVIP

第 26卷 第 12期 航空动力学报 Vo1．26 No．12 2011年 12月 JournalofAerospacePower Dec．2O12 文章编号 ：1000—8055(2011)12—2841—08 基于大规模训练集 SVM 的发动机故障诊断 徐启华 ，耿 帅 ，师 军 (1．淮海工学院 电子工程学院，江苏 连云港 222005； 2．西北工业大学 第 365研究所 ，西安 710072) 摘 要：提出了一种新的学习策略，用于解决发动机故障诊断中大规模支持向量机 (SVM)的训练问题． 通过保留初始 SVM分类器支持向量超平面附近的样本 以及错分样本，使最终得到的约减集规模明显缩小 ， 从而可在保持较高分类精度的前提下使训练时间明显缩短 ；同时 ，由于支持向量的数量减小，分类时间也相 应缩短．探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键 问题，为这种极具潜力的算法在发 动机故障诊断中的实际应用奠定了坚实的基础．仿真实例表明，这种基于大规模训练集 SVM 的发动机故障 诊断方法有效 、可靠，容易实现，可以作为工程应用的基础． 关 键 词：航空发动机；支持向量机 (SVM)；故障诊断；大规模训练集；样本约减 中图分类号：V263．6；TP181 文献标志码 ：A Faultdiagnosismethodforaero—enginebasedon SVM with large。scaletrainingset XU Qi—hua ，GENGShuai，SHIJun (1．CollegeofElectronicEngineering， HuaihaiInstituteofTechnology，LianyungangJiangsu222005，China； 2．No．365Institute，NorthwesternPolytechnicalUniversity，Xi’an710072，China) Abstract：A learningstrategywaspresentedtosolvethelarge—scalesupportvectorma— chines(SVM )trainingproblem ofaero—enginefaultdiagnosis．AccordingtOthestrategy， onlythosesampleswereretainedforfinaltraining，whichwerenearthesupportvectorhy— perplaneoftheoriginalsmall—scaleSVM classifierorclassifiedmistakenlybytheoriginal classifier． Thefinalpruning setwasreducedevidentlyandthetrainingtimewasshortened obviously on the condition ofhigh classification accuracy． M eanwhile，the classification timewasshortened correspondinglybecauseofthedecreaseofthesupportvectornumber． Somethingabouttheparameter selection ofthe sequentialminimaloptimization (SMO) methodandhow tousethispotentialalgorithm in aero——enginefaultdiagnosiswerealsodis—— cussed． Simulation examplesshow thatthisfaul