基于BTFSVM智能诊断在船舶轴承故障中应用.docVIP

基于BTFSVM智能诊断在船舶轴承故障中应用 　　摘 要：支持向量机SVM在机械故障诊断中得到了广泛的应用。SVM分类方法存在对模糊信息不可分，对训练样本内的噪声点和孤立点特别敏感，计算所需内存大等问题。针对以上问题，提出了一种基于二叉树的模糊支持向量机多分类算法（BTFSVM）。本文着重分析利用BTFSVM智能故障诊断理论，研究其在船舶轴承中的应用。通过仿真实验表明该算法有较好的抗干扰能力和分类效果。可进一步考虑推广到船舶上其它机械故障诊断中应用。 关键词：二叉树，模糊支持向量机，轴承，故障诊断 Abstract: Support vector machine SVM has been widely used in mechanical fault diagnosis. The SVM classification method of fuzzy information can not be divided, particularly sensitive to noise in the training samples and isolated points, the problem of memory, the required computation. In view of the above problems, and propose a classification algorithm based on Fuzzy Support Vector Machine Based on two binary tree (BTFSVM). This paper focuses on the analysis of the BTFSVM intelligent fault diagnosis theory, studies its application in ship of bearing. The simulation experiments show that the algorithm has good anti-jamming capability and classification performance. Can be considered further applied to ships of other mechanical fault diagnosis. Keywords: two forks tree, fuzzy support vector machine, bearing, fault diagnosis 中图分类号：S851.34+4文献标识码：A文章编号： 0 引言 BTFSVM首先利用模糊聚类技术求取每类样本聚类中心，再对各聚类中心逐次二分，从而确定了一棵二叉树，然后在二叉树的每个节点处，根据样本聚类中心把相应样本分成两类，构造出SVM 子分类器。实验表明，对于k类别故障诊断问题，只需构造k-1个SVM 子分类器，简化了分类器结构，避免了不可区分区域的出现，且节省了内存开销，故障诊断正确率高。 轴承是各种旋转机械中应用最广泛的通用部件，它的好坏对机器的工作状况影响极大，对轴承故障信号的特征分析一直是研究的热点。数学形态变换是一种完全基于信号时域特征的非线形分析方法，不同的故障类型的信号具有不同的形态特征，形态谱曲线和形态谱熵是定量描述信号特征的形态学变量，将这些形态学变量作为BTFSVM的输入参数用于不同的故障模式的分类。实验数据分析表明形态特征及其它特征参数提取和BTFSVM相结合的方法用于船舶轴承的故障特征分析和类型识别是有效的。 1 模糊支持向量机(FSVM) SVM本质上是一个两类划分问题,通常将n类问题转化为n个两分类问题来处理，可能存在着不可分区域。然而在现实应用中：要求每一个样本必须属于某一类；某些样本可能要比其他的样本重要，因此更需要那些重要样本被正确分类而不在意其他样本（例如噪声）是否被错分。本文尝试将模糊思想和SVM相结合，通过求解每个样本对各个类的模糊隶属度，解释支持向量机的学习结果，进一步优化其分类面。 对每一个样本引入了样本模糊隶属度。表示样本的重要性，或者样本属于某一类的可能性大小。引入了后，最优分类问题为 (1) 用来度量对具有不同重要性的样本错分的惩罚程度。引入Lagrange因子得到其对偶形式为： ， (2) 由此得到决策函数：（3） 对应于的支持向量(样本)位于超平面的距离处；而所对应的支持向量就是被错分的样本。 在具体的应用中，首先要依据训练数据的具体特征，确定样本的模糊隶属度的上下界，。然后再选择一个适当的隶属度函数，建立起样本与隶属度之间的联系。最后，根据