基于果蝇优化支持向量机的风机故障诊断研究.pdfVIP

基于果蝇优化支持向量机的风机故障诊断研究

洪文鹏;廖明俊

【摘要】本文提出了基于果蝇算法优化支持向量机的分类方法.该方法利用风机振

动频域的特征向量作为学习样本,然后运用改进的支持向量机模型对风机振动信号

的故障特征进行模式识别.同时还运用了蚁群和粒子群两种智能算法,对向量机进行

了优化,仿真结果表明,基于果蝇优化的最小二乘支持向量机方法具有识别率高,诊断

速度快的优点,该方法是可行有效的.

【期刊名称】《风机技术》

【年(卷),期】2014(000)006

【总页数】6页(P50-55)

【关键词】离心式风机;故障诊断;最小二乘支持向量机;果蝇算法

【作者】洪文鹏;廖明俊

【作者单位】东北电力大学能源与动力工程学院吉林省吉林市132012;东北电力

大学能源与动力工程学院吉林省吉林市132012

【正文语种】中文

【中图分类】U226.8+1;TK05

0引言

离心式风机是火电厂中的主要辅助设备[1-2]，也是火电厂中厂用电耗量较大的设

备，其地位很重要，但常常由于出现各种不同形式的振动故障而影响其正常工作

[3]，有时会发生严重的事故，造成重大的经济损失。

由于支持向量机中的核函数的参数选择问题直接影响到支持向量机模型的推广能力，

所以，为了提高离心式风机故障分类的精确性，本文基于流形学习原理，研究应用

局部线性嵌入法对汽轮发电机组振动信号进行有效降维的方法，从而实现在复杂的

噪声信号中提取有效的识别机组轴系振动故障的特征信息[4-5]。尝试支持向量机

(Supportvectormachine，SVM)[6]进行模式识别,同时运用果蝇算法(FruitFly

OptimizationAlgorithm，FOA)[7]对支持向量机所选择的核函数进行参数优化。

因此FOA-SVM故障诊断模型可以很好地解决参数优化问题同时能提高诊断的速

度。运用FOA-SVM模型对故障进行了诊断，同时与粒子群优化[8]最小二乘支持

向量机和蚁群算法[9-10]优化最小二乘支持向量机的诊断进行了比较。

1流形学习原理和局部线性嵌入法

1.1流形学习原理

流形学习原理是[11-12]：给定观测空间数据集。假定X中的样本xi是由低维空间

中的数据集Y{yi,i=1,…,中的yi通过未知非线性变换f生成，即xi=f(yi)，其中d＜

＜D，f:Rd→RD是C∞的嵌入映射。流形学习就是根据观测数据xi重构映射f和

yi。也就是说，假设数据均匀采样于高维欧氏空间中的高维流形上，流形学习就是

从高维观测数据中发现低维流形结构，从而实现数据的维数约简，得到相应的映射

关系。

1.2局部线性嵌入法

自流形学习原理提出以后，出现了各种流形学习方法。一种典型的流形学习方法是

局部线性嵌入法(LocallyLinearEmbedding,LLE)。LLE法是一种典型的非线性降

维方法，它主要是从局部入手，将非线性数据分割成具有局部线性结构的数据，通

过欧氏距离以局部线形来保持整体拓扑结构，因此，对非线性数据有很好的降维效

果。

LLE法的主要过程如下[13]：

1）寻找每个样本点xi的k个近邻。定义样本集矩阵X={x1,x2,…,xN}中样本点xi

与xj的距离dij为

式中，通常取p=2，即采用欧氏距离。根据式(1)计算得到样本点xi的k个距离最

近的点作为gj的k个近邻点。

2）计算样本点局部重构的权值矩阵wi。为此，首先定义误差函数

式中：gj(j=1,2,…,k)为xi的k个近邻点；wij为xi与gj之间的权值系数，且满足

将式(3)代入式(2)得到

式中：为第i个样本点的局部协方差矩阵；wi={wi1,wi2,…,wik}T为第i个样本点

的局部重建权值向量。求解式(4)是一个约束最小二乘问题。

3）将所有样本点映射嵌入到低维空间中。映射嵌入满足

式中：φ（Y）是损失函数；yi是xi的输出向量；hj(j=1，2，…，k)是yi的k个

近邻点，且满足

式中：I为d×d的单位矩阵。这里，wij(i=1,2,…,N)可以存储在N×N的稀疏矩阵

W中。当{xj}是{xi}的近邻点时，Wij=wij；否则Wij=0。用Wi表示W矩阵的第i

列，Ii表示单位矩阵的第i列，Y表示输出向量，即Y=[y1,y2,…,yN]，则式（5）

可写为

式中：。结合约束条件，利用Lagrange乘子有

为使损失函数L（Y）最小，则

将