基于支持向量机回归的故障诊断.pdfVIP

2006年全国石油化工生产安全与控制学术交流会 基于支持向量机回归的故障诊断 王剑非1， 姜斌P，王定成1’2 (1：南京航空航天大学自动化学院，南京210016； 2：南京信息工程大学计算机与软件学院，南京，210044) 摘要：在故障诊断中定量的诊断是一个很重要的部分。本文研究了基于支持向量机回归算法的故障定量诊断问题，首先 利用观测器得到系统的残差以及残差的变化率，然后以此为输入，利用支持向量机回归算法得到系统的故障程度的估计值， 实现故障的定量诊断。并采用支持向量机回归集合的方法提高了支持向量机回归解决不确定性问题的性能。通过仿真验证了 这种方法的可行性。 关键词：支持向量机回归残差故障程度估计 中图分类号：TP277 分类间隔最大。在所有的训练样本中，支撑最 优分类面，以决定需要分类的数据的类别的样本称 引言 作支持向量。支持向量机在形式上与神经与神经网 石油化工过程处于高温、高压、易燃、易爆、 络有些相似，可以认为输出是神经网络中间结点的 高负荷，连续运转的状态下，具有很大的危险I生， 线性组合，每一个中间结点对应一个支持向量141。 一旦设备发生故障，将会带来严重的后果。因此对 支持向量也可以用到回归问题中去，即支持向 于故障诊断系统，有很高的要求，除需要及时将故 量回归，并且仍然保留了最大间隔算法的所有主要 障检测分离出来之外还要能快速地将故障的程度 特征：非线性函数可以通过核特征空间中的线性学 估计出来，以便进行容错控制，防止可能发生的事 习器得到，同时系统的容量由与特征空间不相关的 故。支持向量机是在20世纪90年代在统计学习原参数控制。支持向量机回归的基本思想是通过一个 理下发展起来的一种基于小样本的机器学习方法 非性的映射①将数据x映射到高维空间下，并在这 ¨J。支持向量机模型结构简单，有较好的全局推广 个空间进行线性回归，回归函数如下所示： 能力以及全局最优解等特点，在许多领域已经取得 (1) ／(力=w·西(x)+6(o：R”_F，w∈F) 了成功的应用【4，7t8，91。因此可以考虑将支持向量机回 用核函数的形式可以表示如下： 归算法用到化工过程的故障诊断中去，以便快速简 便的实现故障程度的估计。 厂(x)=∑：；。ot,K(xj，x)+6 (2) 可以把回归估计的问题定义为对一个风险函 数最小化的问题，最常用的风险 1．支持向量机回归 函数有占不敏感损失函数和Huber损失函数两种。 支持向量机最初是用在模式识别方面，根据二 这里采用二次E不敏感损失函 类问题的分类发展而来的，简单地说就是首先通过 数，根据文献【2】可将问题定义为： 内积函数定义的非线性交换将输入空间变换到一 Minimize Ilwll2+c∑▲f+黔 个高维空间，在高维空间中求最优分类面，以实现 f=1，K，， 收稿日期：2006年8月16日