基于SVM的旋转机械故障诊断知识获取研究.pdfVIP

基于SVM的旋转机械故障诊断知识获取。 王红军徐小力付瑶100192北京信息科技大学机电J=程学院 摘要数据挖掘技术能够从大量、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐舍 在其中的、人们事先不知遭的本质的规律。为了有效地发现旋转机械故障诊断过程中的故障征兆知识，引入 数据挖掘技术和方法。针对旋转机械，构建了基于SVM的故障诊断知识获取系统。通过收集故障现象并整 理成由故障征兆、故障类型等组成的故障信息样本，应用SVM算法对故障进行分析得到故障诊断规则集文 件，．并能时旋转机械的常见故障进行诊断。验证了算法的合理性。 关键词 旋转机械故障诊断知识获取规则挖掘SVM l概述 min— 在设备故障诊断中。最重要、最关键的、而且最困难的是对故障特征信息的提取。数据挖掘(Data ing)是从数据库中提取隐含的、未知的、对决策有潜在价值的知识规则。数据挖掘技术以数据仓库统计学 为基础，数据仓库中的数据是多维的，每一个维度可以表示设备运行的一个状态数据参数．不同的运行状态 参数存储在不同的维度空间内．数据挖掘可以根据不同需要将不同维度里的运行参数综合起来进行分析，便 于增强推理的合理性和提高判断结果的可靠性。 目前在国内、外有许多学者和研究单位在进行该领域的研究工作。国内的西北工业大学、西安交通大学 等高校进行发动机异响信息挖掘，挖掘出的特征指标分类明显。英国、美国等也利用改进的时序数据挖掘技 术来挖掘电动机的异常故障特征模型。加拿大研究了能用于监测飞机的零件故障和不正常状态的在线和离线 技术，为飞机的设备故障预测和诊断、应急处理和飞行提供智能决策¨…。Vapnik提出了建立在统计学习理 论基础上的机器学习方法支持向量机(SVM)，用来解决小样本问题下分类问题的具体应用，SVM在各个领 域都得到了应用。SVM可以自动寻找那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最 大化类与类的间隔。因而有较好的推广性能和较高的分类准确率。本文分析了数据挖掘在故障诊断领域的研 究现状，给出了基于SVM的故障诊断知识获取系统。 2基于支持向量机(SVM)的数据挖掘理论 最优分类超平面的距离完全相等，不同类的sV离最优分类超平面距离不一定相等。m个训练样本：(聋。一 Y。)，(互：，托)，…，(％。‰)要求一个分类超平面。关键是求系数和b。由于支持向量机理论要求分离 超平面具有良好的性质，即要求分离超平面的分类误差小、推广能力强，这样的分类超平面必须满足最优分 类超平面的条件： 脚·毛+6≥O。(儿=+1) 埘·毒j+b0，(，，i=一1) (1) ● 2 (2) 求解最优平面，使得下面的函数最小化：mim毋(∞)=÷0∞o 二 满足约束条件：儿(∞·毛+b)一l≥O，f=1．2，…，Z，引入拉格朗日乘子 l 1 ％≥o，i=1．2,,1： 乞(∞．矗。a)=÷n∞n2一∑峨lyi(≈‘∞+6)一l} ￡的极值点是鞍点．取L对御和b的最小值OJ=埘’，b=b’。以及对a的最大值a=Og’。对￡求导： o北京市自然科学基金资助项目(3083019)、北京市自然科学基金资助项目(3062008)。 493 0 兰= ‘ a6 …