多目标粒子群优化支持向量机及其在齿轮故障诊断中应用.docVIP

多目标粒子群优化支持向量机及其在齿轮故障诊断中应用 　　摘要： 支持向量机是基于结构风险最小化原则的分类方法，其模型的分类准确度及泛化能力取决于惩罚系数、核函数及核参数的选取。参数的选择通常采用经验法、试凑法或单目标优化法，上述方法费时费力且不能达到全局最优。文中选取错误分类率及支持向量占有率两个目标函数，采用多目标粒子群算法优化惩罚系数及核函数参数。训练阶段采用多目标粒子群算法产生多个优化解，测试阶段评估这些解的优劣。通过齿轮故障分类实例进行了设计方法的验证，首先对振动信号进行预处理，然后以小波包系数标准差并降维处理后作为分类器的输入特征向量，最后用本文方法区分4种典型故障，试验结果表明了设计方法的有效性，并证明了应用混合核函数的支持向量机分类具备较高的准确率及较强的泛化性能。关键词： 故障诊断； 齿轮； 多目标粒子群优化； 支持向量机 　　中图分类号：TH165+.3； TH132.41文献标识码： A文章编号：2013 　　引言 　　由于旋转机械结构的复杂性及振动耦合等特点，从故障时频域特征空间到故障模式空间的映射关系存在较强的非线性，相应的故障识别技术主要包括统计、模糊、神经网络、粗糙集及支持向量机等模式识别方法。支持向量机是一种基于VC维理论和结构风险最小化原则的模式识别方法[1]，在解决非线性、小样本及高维模式识别问题中表现出许多特有的优势，已广泛应用于模式识别、新异类检测、图像识别和故障诊断等领域[2～5]。 　　支持向量机用核函数映射输入特征向量到高维特征空间，寻找最优超平面对数据分类，如何选择并确定核函数最优核参数及其惩罚系数，是提高学习精度和泛化能力的关键问题。韩华等采用网格搜索和十折交叉验证方法优化径向基核参数[6]，方法具有一定经验性。Wu和Huang等提出用遗传算法优化核参数[7]。Widodo等将支持向量机应用于感应电动机的故障诊断[8]，用交叉验证法选择核参数及惩罚系数。Yuan和Chu提出用人工免疫算法对径向基和多项式混合核函数进行优化[9]，并将参数优化的支持向量机用于涡轮泵转子故障的诊断，所得结果优于标准支持向量机的??果。但该算法不能应用于非线性分类问题。于湘涛等应用并行粒子群优化算法优化模糊线性支持向量机参数[10]，并成功应用于转子故障分类。Aydin等采用多目标人工免疫算法优化支持向量机核参数和惩罚系数[11]，算法在处理多目标问题时采用的是加权求和的方法，没有真正发挥多目标算法的优势。上述作者主要应用单目标算法对支持向量机参数进行优化，而优化支持向量机模型性能属于多目标优化范畴，因此需要应用多目标优化技术，使得所有目标函数同时达到最优。 　　本文采用高效的多目标粒子群算法，选取错误分类率及支持向量占有率两个目标函数，对支持向量机的惩罚系数及核参数进行优化。实例研究表明该方法可成功地对齿轮故障进行分类。 　　1支持向量机 　　支持向量机是一种基于监督学习的分类算法，可求解线性和非线性分类问题。假设存在训练样本集{（xi，yi）}mi=1，其中xi∈XRn是输入向量，yi∈{+1，-1}是类别号，m为样本数，n为输入的维数。支持向量分类的本质是利用最大间隔超平面分隔数据样本。分离间隔与衡量学习机复杂度的VC维有关，VC维应用在边界，目的是降低学习机泛化误差。为了构造分类器，必须降低权重向量w的范数，二维空间用线性分隔两类数据，如图1所示。 　　5结论 　　以齿轮4种故障为研究对象，对原始信号同步预处理基础上，利用小波及主向量分析技术，有效地提取故障特征。选取错误分类率及支持向量占有率两个目标函数，支持向量机的核参数、权系数及惩罚系数作为优化参数，采用多目标粒子群算法优化支持向量机模型。对比三类核函数，且与单目标粒子群算法相比较，结果表明：选用混合核函数，采用多目标粒子群优化后的支持向量机模型具有较高的预测精度及较强的泛化性能，且随着训练样本数量增多，分类器综合性能更优。该方法适用于其它旋转机械的故障诊断。 　　参考文献： 　　[1]Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks， 1999，10（5）：988—1 000. 　　[2]Inoue T， Abe S. Fuzzy support vector machine for pattern classification[A]. Proceedings of International joint Conference on Neural Networks[C]. Washington， USA， 2001：1 449—1 4