支持向量机及其在机械故障诊断中的应用 Support Vector Machines and Its Applications in Machine Fault Diagnosis.pdfVIP

振动与冲击 ANDSHOCK Volt26No·112007 第26卷第11期 JOURNALOFVIBRATION 支持向量机及其在机械故障诊断中的应用 袁胜发。2，褚福磊1 (1清华大学精密仪器与机械学系，北京100084；2．江西理工大学机电学院，江西341000) 摘 要：支持向量机(SVM)是一种基于统计学习理论的新型机器学习方法，对小样本决策具有较好的学习推广 性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍，讨论了支持向量机的特点和存在的问题， 展望了其在机械故障诊断的研究前景。 关键词：支持向量机；机械故障诊断；机器学习；智能诊断 文献标识码：A 中图分类号：THl7；TPl8 随着机械设备的日趋大型化、复杂化、自动化，故 在过去的十几年里获得了长足的发展，在故障诊断领 障带来的危害愈加严重，使得机械故障诊断在社会生 域得到了较多的研究和应用。 产中的作用和地位日益突出。故障诊断技术的发展大 人工神经网络方法不需要由知识工程师进行整 致可以分为两个阶段…：第一个阶段是以传感器技术 理、总结以及消化领域专家的知识，只需要使用领域专 和动态测试技术为基础，以信号处理为手段的常规诊 家解决问题的实例或范例来训练神经网络；具有高度 断技术发展阶段，这一阶段的诊断技术在实际中得到 非线性、高度容错性、分布并行处理和联想记忆等特 了大量的应用，产生了巨大的经济效益，并大大推动了 性，能使信息处理和信息存储合二为一；具有自组织、 故障诊断技术的发展。第二阶段是以人工智能技术为 自学习和自适应的能力，能接受、处理不精确和随机的 核心的智能诊断技术发展阶段，它以常规诊断技术为 信息。但是，人工神经网络的算法基础是基于渐进理 基础，以人工智能为手段，诊断过程的知识化使得人们 论的传统统计学，只有在学习样本的数目趋于无穷大 致力于研究诊断知识的获取、知识的表示与组织、推理 时，其识别的性能才能有理论上的保证。而对于现实 方法的结构、诊断模型的建立以及诊断策略的形成等 中的故障诊断问题，其故障样本的数目通常是有限的。 问题。从20世纪80年代开始，随着人工智能技术的在有限的样本情况下，往往训练效果很好的神经网络 迅速发展，智能化已经成为故障诊断技术的主要发展 方向。一方面故障智能诊断具有传统诊断方法无可比 tion)．即出现所谓的过学习问题。另外，神经网络的优 拟的优点；另一方面，复杂设备的故障诊断在很大程度 化过程存在可能陷入局部极值的问题，网络训练的质 上需要依赖专家的经验知识。 量没有保证；神经网络的结构设计(例如隐结点数目的 目前，智能诊断技术主要以基于专家系统和基于 选择)依赖于设计者的先验知识和经验，缺乏一种有理 机器学习的诊断方法为典型代表‘2’…。专家系统方法 论依据的严格设计程序。 能有效地利用专家经验、物理原理和其它有关设备的 知识，通过自动地推理，高效地完成故障检测与诊断任 Learning 务，而且具有对故障的解释能力和对新型故障的诊断 机器学习规律的理论。在统计学习理论基础上发展起 能力，是故障诊断领域最为日『人注目的发展方向之一， 也是研究最多、应用最广的一类智能诊断技术。专家 Vector 系统存在的主要问题是知识获取困难、运行速度慢。 其目标是得到现有信息下的最优解而不仅仅是样本数 而机器学习是提高故障诊断智能水平的主要途径。一 趋于无穷大时的最优解。这一点特别适合于故障诊断