基于健康度分析与和声蚁群算法支持向量机的故障预测模型.docVIP

基于健康度分析与和声蚁群算法支持向量机的故障预测模型 　　摘要：针对现有的故障预测技术无法从整体上反映系统性能下降趋势等问题，提出一种基于健康度分析的故障预测方法。首先，在支持向量机回归算法基础上构造多输出支持向量机，以实现健康度的多步预测，并提出一种和声蚁群算法优化支持向量机参数，解决了蚁群算法易陷入局部最优的问题； 然后， 根据最优参数建立拟合监测数据和未来健康度下降过程非线性映射关系的和声蚁群算法支持向量机（HSACASVM）故障预测模型； 最后，通过某装备电源系统监测数据验证了该模型的有效性。实例验证表明该模型能够较好地实现对健康度下降趋势的预测，预测准确率达到97%，进而实现故障预测。 　　关键词：健康度分析；和声算法；蚁群算法；多输出支持向量机；故障预测 　　中图分类号： TP206 　　文献标志码：A 　　0引言 　　故障预测作为故障预测与健康管理技术的关键组成，对现代装备的维修保障提供了有力的支撑，相比故障诊断，在维修保障中作用更明显。现有的故障预测方法可分为基于模型的预测、基于数据驱动的预测和基于知识的预测[1]。其中：基于模型的预测通常很难建立精确的预测模型；基于知识的预测一般用于定性分析；基于数据驱动的预测只需描述数据输出关系和相应过程的参数，无需建立复杂模型。文献[2]利用支持向量机（Support Vector Machine， SVM）理论建立了变压器故障预测模型，实现了故障的分类；文献[3]结合反向传播（Back Propagation， BP）神经网络和小波神经网络建立了能够较长距离预测退化轨迹的模型；文献[4]将模糊理论和灰色预测理论结合对旋转机械进行短期故障预测，并通过对轴承的预测验证了模型的有效性。 　　目前故障预测主要是针对系统的部组件，即通过预测模型分析预测单个设备故障发生的时间段及故障原因[5]，而对系统整体的性能下降趋势研究较少。对系统进行故障预测可以从整体上把握复杂系统的运行状态，及时了解预报系统故障的发展趋势，为维修决策提供依据。健康度是衡量装备健康程度的一个量化指标，以健康度为指标，通过预测其劣化过程对系统进行故障预测能够有效地反映系统的性能下降趋势。 　　本文提出基于健康度分析的故障预测方法，其核心是建立能够准确预测健康度下降趋势的预测模型，支持向量机（SVM）是一种建立在统计学习理论的VC维理论（VapnikChervonenkis Dimension）和结构风险最小化原则基础上的机器学习方法，具有很强的泛化能力，还有效地解决了局部极小点、维数灾难以及过拟合等传统算法所不可避免的问题[6]，因此本文采用支持向量机建立预测模型，最后通过实例验证了模型的有效性。 　　1多输出SVM故障预测方法 　　1.1SVM回归算法 　　支持向量机是由Vapnik等[7]提出的最初用于解决模式分类问题的机器学习理论，并逐渐应用于回归问题，基于结构风险最小化原则求解分类和回归问题，利用学习样本也就是监测数据得到具有较强泛化能力的目标函数。 　　训练集为T={（x1，y1），（x2，y2），…，（xl，yl）}∈（Rn×R）l，其中，xi∈Rn为输入指标向量，yi∈R为输出指标，i=1，2，…，l。那么SVM回归问题就是依据训练集T寻找Rn上的实值函数y=g（x）=（ω?x）+b[8]，用以计算任意输入值对应的输出值，几何意义就是拟合出输入指标向量与输出指标的比较光滑的曲线[9]。 　　引入ε不敏感损失函数，事先给定ε值，当一点的实际值y与预测值g（x）之差不超过ε时，则认为该点预测值是无损失的，ε称为不敏感损失系数，定义为： 　　c（x，y，g（x））= 　　0，y-g（x）ε 　　y-g（x）-ε，其他 　　依据结构风险最优化原则，引入松弛变量ξ（*）=（ξ1，ξ*1，ξ2，ξ*2，…，ξl，ξ*l）和惩罚因子C，SVM回归转化为下列优化问题[10]： 　　minω，b12‖ω‖2+C∑li=1（ξi+ξ*i）（1） 　　s.t. （ω?xi）-yi+b≤ε+ξi 　　yi-（ω?xi）-b≤ε+ξ*i 　　ξ（*）≥0 　　然后，引入对偶理论，将最优值锁定为原始问题最优值的下界。 　　引入拉格朗日函数，经过变换，问题（1）转化为对偶问题： 　　mina*1∈R 12∑li， j=1（a*i-ai）（a*j-aj）（xi?xj）+ 　　ε∑li=1（a*i+ai）-∑li=1yi（a*i-ai）（2） 　　s.t. ∑li=1（a*i-ai）=0 　　0≤a（*）i≤C 　　求解式（2）凸二次规划问题，得到解（*）=（1，*1，…，l，*l）T，然后利用式（3）计算线性回归函数参数值： 　　=∑l i=1（*i-i）xi 　　=