基于引力球结构支持向量机多类算法的涡轮泵故障诊断.pdfVIP

维普资讯

基于引力球结构支持向量机多类算法的涡轮泵故障诊断--第1页

第２７卷第４期宇航学报Ｖ０１．２７Ｎｏ．４

２００６年７月ＪｏｕｍａｌｏｆＡｓｔｒｏｎａｕｔｉｃｓＪｕｌｙ２００６

基于引力球结构支持向量机多类算法的

涡轮泵故障诊断

袁胜发‘’，褚福磊‘

（１．清华大学精密仪器与机械学系，北京１０００８４；２．江西理工大学机电工程学院，赣州３４１０００）

摘要：在涡轮泵故障诊断中，多类故障诊断是经常出现的问题。为提高多类故障诊断速度，在球结构支持

向量机的基础上，提出一种引力球结构的支持向量机多类算法，该算法充分考虑样本分布疏松程度，经过试验优化

分析得到最佳分类引力公式。用该算法和其他常用算法对涡轮泵仿真故障进行分类比较，结果表明基于引力球结

构的支持向量机故障诊断算法学习速度快，诊断效果好。

关键词：涡轮泵；故障诊断；支持向量机；多类算法

中图分类号：Ｖ４３４．２１文献标识码：Ａ文章编号：１０００．１３２８（２００６）０４．０６３５．０５

类算法，并用于涡轮泵多故障分类，希望为涡轮泵故

０引言

障诊断探索一种新方法。

涡轮泵结构复杂，在高温、高速等及其恶劣的环

１支持向量机及其多类算法

境下工作，极易发生各种故障，而由于其结构和工作

过程的复杂性，如果用数学模型来描述工作中的故关于支持向量机详细介绍请参见文献［２］，其基

障，往往会遇到大量的非线性方程，求解十分困难，本思想可用图１的两维线性可分情况简单说明一

实时性不好、故障分离困难、稳性定差。以神经网络下。图１中，实心点和空心点代表两类样本，Ｈ为分

为代表的人工智能故障检测与诊断方法，不需要建类线，Ｈ，、Ｈ：分别为过各类中离分类线最近的样本

立精确的数学模型，近几年来引起研究者的极大兴点且平行于分类线的直线，它们之间的距离叫做分

趣。但是神经网络受网络结构复杂性和样本复杂性

的影响较大，容易出现过学习或低泛化能力，影响诊

断能力，因此有必要寻求更好的故障诊断方法。

支持向量机（ＳＶＭ，Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ）是

Ｖａｐｎｉｋ等人在２０世纪９０年代研究并迅速发展起来

的一种新型的机器学习方法，它是专门针对有限

图（ａ）１分类间隔小的分类线

样本情况的，其目标是得到现有信息下的最优解而

（ｂ）分类间隔最大的分类线（推广能力更优）

不仅仅是样本数趋于无穷大时的最优值；它的算法

Ｆｉｇ．１（ａ）Ａｓｅｐａｒａｔｉｎｇｈｙｐｅｒｐｌａｎｅｗｉｔｈｓｍａｌｌｍａｒｇｉｎ

最终将转化成为一个二次型寻优问题，从理论上说，

（ｂ）Ａｓｅｐａｒａｔｉｎｇｈｙｐｅｒｐｌａｎｅｗｉｈｔｌａｒｇｅｒｍａｒｇｉｎ．

得到的将是全局最优点，解决了在神经网络方法中