專(zhuān)利名稱(chēng)：機(jī)械故障的集成支持向量機(jī)混合智能診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬機(jī)械設(shè)備故障智能診斷領(lǐng)域，具體涉及一種機(jī)械故障的集成支持向量機(jī)混合智能診斷方法。
背景技術(shù)：
為了擺脫機(jī)械設(shè)備故障診斷過(guò)分依賴(lài)于專(zhuān)業(yè)技術(shù)人員和診斷專(zhuān)家的問(wèn)題，在線(xiàn)實(shí)現(xiàn)高效、可靠的智能診斷，近幾年，人們將模糊理論、專(zhuān)家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和聚類(lèi)分析等人工智能技術(shù)應(yīng)用于機(jī)械設(shè)備的智能故障診斷，在實(shí)踐中取得了一定的成效。但在實(shí)際應(yīng)用中人們發(fā)現(xiàn)這些技術(shù)并非完美的，例如模糊故障診斷往往需要由先驗(yàn)知識(shí)人工確定隸屬函數(shù)及模糊關(guān)系矩陣，但實(shí)際上，獲得與設(shè)備實(shí)際情況相符的隸屬函數(shù)及模糊關(guān)系矩陣存在許多困難；專(zhuān)家系統(tǒng)中也面臨著許多困難，如缺乏有效的故障診斷知識(shí)的表達(dá)方法，經(jīng)驗(yàn)知識(shí)獲取困難等，另外，專(zhuān)家系統(tǒng)的操作人員也需要具備較高的水平，不易普及；神經(jīng)網(wǎng)絡(luò)分類(lèi)時(shí)需要提供一定數(shù)量的標(biāo)準(zhǔn)樣本，獲取一個(gè)設(shè)備所有故障的標(biāo)準(zhǔn)樣本是相當(dāng)不易的，此外，神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中都需要對(duì)原始數(shù)據(jù)進(jìn)行特征提取，如果不作特征提取，而直接用原始數(shù)據(jù)參加計(jì)算，網(wǎng)絡(luò)的結(jié)構(gòu)將是非常龐大的，將無(wú)法滿(mǎn)足實(shí)時(shí)在線(xiàn)監(jiān)測(cè)診斷的要求；聚類(lèi)分析可以不需要故障標(biāo)準(zhǔn)樣本，它將數(shù)據(jù)樣本組成多個(gè)類(lèi)，要求類(lèi)之間的數(shù)據(jù)樣本差別應(yīng)盡可能的大，而同一類(lèi)中數(shù)據(jù)樣本之間的差別應(yīng)盡可能的小，即滿(mǎn)足“最小化的類(lèi)間相似性，最大化的類(lèi)內(nèi)相似性”的原則，因此，對(duì)早期微弱故障或者復(fù)合故障的聚類(lèi)效果不理想。
在工程實(shí)踐中，對(duì)于大型復(fù)雜的機(jī)械設(shè)備的故障診斷，往往被測(cè)對(duì)象多、分析處理的數(shù)據(jù)量大，進(jìn)行智能診斷模型訓(xùn)練的故障樣本嚴(yán)重缺乏，而且機(jī)械設(shè)備是一個(gè)復(fù)雜的系統(tǒng)，時(shí)變性、隨機(jī)性、模糊性等多方面的因素使得模糊理論、專(zhuān)家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和聚類(lèi)分析等傳統(tǒng)的智能診斷方法難以對(duì)設(shè)備運(yùn)行的故障狀態(tài)做出準(zhǔn)確有效的識(shí)別，特別是對(duì)于潛在的、早期的微弱故障缺乏有效的識(shí)別和診斷手段。為了解決智能故障診斷領(lǐng)域所存在的問(wèn)題，急迫需要研究和引入新的理論和技術(shù)，提出新的、高效的診斷智能技術(shù)和方法。
支持向量機(jī)是近年來(lái)發(fā)展起來(lái)的一種新型的智能學(xué)習(xí)機(jī)器，適合于少樣本的機(jī)器故障模式識(shí)別，并在故障診斷中取得了一定的成果。然而在實(shí)際應(yīng)用中，由于時(shí)空的高度復(fù)雜性，支持向量機(jī)的執(zhí)行常常是一種近似計(jì)算；同時(shí)，核函數(shù)參數(shù)的選擇問(wèn)題使得支持向量機(jī)極易發(fā)生過(guò)學(xué)習(xí)或欠學(xué)習(xí)現(xiàn)象，直接影響其推廣性能。
集成支持向量機(jī)可以有效地提高單一支持向量機(jī)的分類(lèi)性能，然而，當(dāng)早期故障的特征非常微弱或者故障樣本不典型時(shí)，仍可能會(huì)產(chǎn)生錯(cuò)誤的診斷結(jié)果。故需要在特征提取的環(huán)節(jié)，通過(guò)現(xiàn)代信號(hào)處理方法來(lái)提高診斷信息的質(zhì)量，從而提高故障診斷的準(zhǔn)確性與可靠性。選擇適當(dāng)?shù)默F(xiàn)代信號(hào)分析方法，機(jī)器原發(fā)型故障、早期故障等難以預(yù)示的故障均可能加以識(shí)別，為早期潛在故障的智能診斷提供依據(jù)。綜合運(yùn)用人工智能和系統(tǒng)分析方法各自的優(yōu)點(diǎn)，取長(zhǎng)補(bǔ)短，優(yōu)勢(shì)互補(bǔ)，能夠有效地提高診斷的快速性和準(zhǔn)確性，降低誤診率和漏診率，確定故障發(fā)生的準(zhǔn)確時(shí)間和位置，估計(jì)其嚴(yán)重程度和發(fā)展趨勢(shì)。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種機(jī)械故障的集成支持向量機(jī)混合智能診斷方法，該方法精度高、成本低、簡(jiǎn)單可靠，便于工程實(shí)踐中使用，通過(guò)將提升小波包變換和經(jīng)驗(yàn)?zāi)Ｊ椒纸膺@兩種現(xiàn)代信號(hào)處理技術(shù)、特征距離評(píng)估技術(shù)與集成支持向量機(jī)進(jìn)行有效融合，實(shí)現(xiàn)對(duì)故障運(yùn)行狀態(tài)的智能診斷。
本發(fā)明的技術(shù)方案是這樣解決的按下述步驟進(jìn)行
1)分別采用提升小波包按頻段和經(jīng)驗(yàn)?zāi)Ｊ椒纸獍幢菊髂Ｊ椒至繉?duì)振動(dòng)信號(hào)進(jìn)行分解，提取分解信號(hào)的時(shí)域統(tǒng)計(jì)特征，構(gòu)成全體特征集；2)提出特征距離評(píng)估技術(shù)及特征評(píng)估指標(biāo)，按照特征評(píng)估指標(biāo)大小從全體特征集中選取最敏感特征集；3)將獲得的最敏感特征集作為診斷特征，建立集成支持向量機(jī)混合智能診斷模型，實(shí)現(xiàn)對(duì)設(shè)備運(yùn)行狀態(tài)的智能診斷。
所說(shuō)的特征距離評(píng)估技術(shù)及特征評(píng)估指標(biāo)如下首先，對(duì)于一個(gè)原始振動(dòng)信號(hào)X(t)，計(jì)算l個(gè)時(shí)域統(tǒng)計(jì)特征Ftime，l個(gè)時(shí)域統(tǒng)計(jì)特征是指均值、方差、方根幅值、有效值、峰值、偏斜度、峭度、波形指標(biāo)、峰值指標(biāo)、裕度指標(biāo)和脈沖指標(biāo)中的一個(gè)或多個(gè)；利用提升小波包變換將X(t)分解m層，m取值為2、3或4，得到2m個(gè)分解信號(hào)，對(duì)每個(gè)分解信號(hào)分別計(jì)算l個(gè)統(tǒng)計(jì)特征，共得到l×2m個(gè)提升小波包變換后的特征Fwp；采用經(jīng)驗(yàn)?zāi)Ｊ椒纸鈱(t)分解得到前n個(gè)本征模式分量，n取值為4到8的整數(shù)，計(jì)算n個(gè)本征模式分量的相對(duì)能量特征Femd，從而構(gòu)成全體特征集Ftotal＝[FtimeFwpFemd]；接著，將全體特征集Ftotal的類(lèi)間距Sb與類(lèi)內(nèi)距Sw的比值設(shè)定為距離評(píng)估指標(biāo)JA；最后，按照特征評(píng)估指標(biāo)JA的大小，從全體特征集Ftotal中選擇大于給定閾值ρ的特征評(píng)估指標(biāo)JA所對(duì)應(yīng)的特征，將最大分類(lèi)準(zhǔn)確率所對(duì)應(yīng)的閾值設(shè)為ρ，從而構(gòu)成最敏感特征集Fsensitivity。
所述的集成支持向量機(jī)混合智能診斷模型建立方法如下首先利用袋裝算法，簡(jiǎn)稱(chēng)Bagging算法，從訓(xùn)練樣本中隨機(jī)生成T個(gè)訓(xùn)練樣本子集TRt(t＝1，2，…，T)，T取值為10到100的整數(shù)，然后利用T個(gè)多分類(lèi)支持向量機(jī)對(duì)這些子集TRt進(jìn)行訓(xùn)練，得到T個(gè)子分類(lèi)器ft；設(shè)T個(gè)子分類(lèi)器ft的平均分類(lèi)誤差為 將f=1/E^]]>作為遺傳算法的適應(yīng)度函數(shù)，對(duì)T個(gè)子分類(lèi)器ft的集成結(jié)果進(jìn)行優(yōu)化，得到分類(lèi)器的優(yōu)化權(quán)值大于預(yù)設(shè)閾值λ＝1/T的權(quán)值向量w，從而構(gòu)成集成支持向量機(jī)，用最敏感特征集Fsensitivity作為診斷特征，對(duì)集成支持向量機(jī)進(jìn)行訓(xùn)練，即可建立混合智能診斷模型，利用混合智能診斷模型實(shí)現(xiàn)機(jī)械故障的智能診斷。
由于本發(fā)明實(shí)現(xiàn)了基于現(xiàn)代信號(hào)分析技術(shù)的特征提取、最敏感特征集的選擇和集成智能分類(lèi)方法在算法上的混合，本發(fā)明具有下列區(qū)別于傳統(tǒng)方法的顯著優(yōu)勢(shì)1)進(jìn)行特征距離評(píng)估可以有效地去除原始特征集中的不相關(guān)或冗余信息，選擇到最敏感特征集，從而提高分類(lèi)器的分類(lèi)準(zhǔn)確率和運(yùn)算效率；2)建立集成支持向量機(jī)混合智能模型進(jìn)行智能分類(lèi)，能很好地進(jìn)行少樣本模式識(shí)別，有效地提高了單一分類(lèi)器的分類(lèi)性能和抗噪能力，為準(zhǔn)確有效的診斷提供了保證；3)整個(gè)過(guò)程實(shí)現(xiàn)了特征提取、特征選擇和模式識(shí)別在算法上的混合，為機(jī)械故障的智能診斷提供了有效的實(shí)用新技術(shù)。


圖1為機(jī)械故障的集成支持向量機(jī)混合智能診斷流程圖；圖2為某電力機(jī)車(chē)走行部輪對(duì)結(jié)構(gòu)示意圖；圖3為最敏感特征集選擇的距離評(píng)估圖；圖4為不同的特征評(píng)估指標(biāo)閾值下，集成支持向量機(jī)與單一支持向量機(jī)和Bagging算法的分類(lèi)性能比較圖；圖5為不同的噪聲含量下，集成支持向量機(jī)與單一支持向量機(jī)和Bagging算法的分類(lèi)性能比較圖。
具體實(shí)施例方式
附圖是本發(fā)明的具體實(shí)施例；下面結(jié)合附圖對(duì)本發(fā)明的內(nèi)容作進(jìn)一步詳細(xì)說(shuō)明1)對(duì)設(shè)備的振動(dòng)量信號(hào)分別進(jìn)行提升小波包變換和經(jīng)驗(yàn)?zāi)Ｊ椒纸?，提取各個(gè)不同頻段分量的時(shí)域統(tǒng)計(jì)特征，構(gòu)成全體特征集，將獲得的全體特征集進(jìn)行特征距離評(píng)估，選取最敏感特征集；2)將獲得的最敏感特征集作為診斷特征，對(duì)集成支持向量機(jī)進(jìn)行訓(xùn)練，訓(xùn)練好的混合智能診斷模型即可對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行智能分類(lèi)。
根據(jù)上述發(fā)明內(nèi)容和圖1的混合智能診斷結(jié)構(gòu)流程，首先，構(gòu)造原始特征集。
對(duì)于一個(gè)原始振動(dòng)信號(hào)X(t)，提取11個(gè)時(shí)域統(tǒng)計(jì)特征Ftime(均值、方差、方根幅值、有效值、峰值、偏斜度、峭度、波形指標(biāo)、峰值指標(biāo)、裕度指標(biāo)和脈沖指標(biāo))。
對(duì)于原始振動(dòng)信號(hào)X(t)，數(shù)據(jù)長(zhǎng)度為L(zhǎng)，j尺度將逼近信號(hào){sj+1(k)}剖分為奇、偶樣本序列{sj(2k+1)}和{sj(2k)}，采用插值細(xì)分原理用N個(gè)偶樣本預(yù)測(cè)奇樣本，則細(xì)節(jié)信號(hào)dj(k)為dj(k)=sj+1(2k+1)-Σm=1Np(m)sj+1(2m+k-N)---(1)]]>式(1)中p(m)為預(yù)測(cè)系數(shù)，令P＝[p(1)，…，p(N)]T，采用式(1)求得的 個(gè)細(xì)節(jié)信號(hào)dj(k)更新偶樣本{sj(2k)}，則逼近信號(hào)sj(k)為sj(k)=sj+1(2k)-Σm=1N~u(m)dj(m+k-N~/2-1)---(2)]]>式(2)中u(m)為更新系數(shù)，令U=[u(1),···,u(N~)]T.]]>在式(1)和式(2)中，選取不同的N和 將得到具有不同消失矩的尺度函數(shù)和小波函數(shù)。
以N和 構(gòu)造的具有沖擊信號(hào)特性的小波為基函數(shù)，采用提升策略對(duì)小波子空間Wj進(jìn)行分解，從而得到小波包變換后的子空間Ujn的信號(hào)為Xj＝{xj，n，l，j，n，l∈Z}，Xj，n，l為j尺度的第n頻帶的第l個(gè)數(shù)據(jù)。
對(duì)原始信號(hào)X(t)，利用提升小波包變換分解3層，得到8段小波包頻帶系數(shù)，對(duì)每段系數(shù)各提取與原始信號(hào)處理中相同的11個(gè)統(tǒng)計(jì)特征，共得到88個(gè)提升小波包變換后的特征Fwp。
經(jīng)驗(yàn)?zāi)Ｊ椒纸饪蓪⑷我庑盘?hào)分解為若干個(gè)本征模式分量和一個(gè)余項(xiàng)。所謂本征模式分量就是滿(mǎn)足2個(gè)條件的函數(shù)或信號(hào)①在整個(gè)數(shù)據(jù)序列中，極值點(diǎn)的數(shù)量與過(guò)0點(diǎn)的數(shù)量必須相等或最多相差一個(gè)。②在任何一點(diǎn)，數(shù)據(jù)序列的局部極大值點(diǎn)確定的上包絡(luò)線(xiàn)和局部極小值點(diǎn)確定的下包絡(luò)線(xiàn)的均值為0，即信號(hào)關(guān)于時(shí)間軸局部對(duì)稱(chēng)。經(jīng)驗(yàn)?zāi)Ｊ椒纸獾谋举|(zhì)是一個(gè)篩選的過(guò)程，經(jīng)過(guò)一系列分解后，時(shí)間序列X(t)可表示成n個(gè)本征模式分量fi(t)和一個(gè)余項(xiàng)rn(t)之和，即x(t)=Σi=1nfi(t)+rn(t)---(3)]]>式(3)中得到的n個(gè)本征模式分量fi(t)，其頻率從大到小排列，f1(t)所含頻率最高，fn(t)所含頻率最低，余項(xiàng)rn(t)是一個(gè)非震蕩的單調(diào)序列。
對(duì)原始信號(hào)X(t)，利用經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫角傲鶄€(gè)本征模式分量，提取6個(gè)本征模式分量的相對(duì)能量特征Femd，得到全體特征集Ftotal＝[FtimeFwpFemd]。
然后，對(duì)原始特征集Ftotal進(jìn)行特征選擇。
假設(shè)c個(gè)模式類(lèi)ω1，ω2，…，ωc的聯(lián)合特征向量集為{q(i，k)，i＝1，2，…，c；k＝1，2，…，Ni}，其中q(i，k)為ωi中的第k個(gè)特征，Ni為ωi中特征向量的數(shù)目。特征選擇可分為三個(gè)步驟第一步計(jì)算ωi類(lèi)中所有特征向量間的平均距離如下Si=12NiΣj=1Ni1Ni-1Σk=1Ni|q(i,j)-q(i,k)|---(4)]]>對(duì)Si(i＝1，2，…，c)求平均后得到平均類(lèi)內(nèi)距離為Sw=1cΣi=1cSi---(5)]]>
第二步計(jì)算c個(gè)模式類(lèi)的類(lèi)間距離如下Sb=1cΣi=1c|μ(i)-μ|---(6)]]>其中μ(i)=1NiΣk=1Niq(i,k)]]>為ωi中所有特征的均值，μ=1cΣi=1c1NiΣk=1Niq(i,k)]]>為c個(gè)模式類(lèi)樣本的總體均值。
第三步定義類(lèi)間距與類(lèi)內(nèi)距的比值JA為距離評(píng)估指標(biāo)JA=SbSw---(7)]]>從(7)式的定義中可以看出，小的平均類(lèi)內(nèi)距離和大的平均類(lèi)間距離才具有好的可分性，因此選擇大于一定閾值的JA所對(duì)應(yīng)的特征構(gòu)成最敏感特征集Fsensitivity，將最大分類(lèi)準(zhǔn)確率所對(duì)應(yīng)的閾值設(shè)為ρ。
最后，建立集成支持向量機(jī)混合智能診斷模型，對(duì)最敏感特征集Fsensitivity進(jìn)行智能分類(lèi)。
支持向量機(jī)(Support Vector Machines，SVMs)是基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的一種小樣本模式識(shí)別算法。在集成支持向量機(jī)算法中，首先利用Bagging算法從訓(xùn)練樣本中隨機(jī)生成T個(gè)訓(xùn)練樣本子集TRt(t＝1，2，…，T)，然后利用T個(gè)多分類(lèi)支持向量機(jī)對(duì)這些子集TRt進(jìn)行訓(xùn)練，得到T個(gè)子分類(lèi)器ft。在本發(fā)明中，設(shè)T個(gè)子分類(lèi)器ft的平均分類(lèi)誤差為 將f=1/E^]]>作為遺傳算法的適應(yīng)度函數(shù)，對(duì)T個(gè)子分類(lèi)器ft的集成結(jié)果進(jìn)行優(yōu)化，得到分類(lèi)器的優(yōu)化權(quán)值大于預(yù)設(shè)閾值λ＝1/T的權(quán)值向量w，從而構(gòu)成集成支持向量機(jī)。其算法如表1所示。
表1集成支持向量機(jī)算法輸入N個(gè)訓(xùn)練樣本{(x1，y1)，…，(xN，yN)}構(gòu)成訓(xùn)練樣本集S，yi∈Y＝{1，2，…，k}基于SVMs基本分類(lèi)器f迭代次數(shù)T預(yù)設(shè)閾值λ計(jì)算過(guò)程步驟一循環(huán)for t＝1 to T從中利用Bagging算法隨機(jī)重采樣，得到訓(xùn)練樣本子集TRt
用子集TRt對(duì)基本分類(lèi)器f進(jìn)行訓(xùn)練，得到分類(lèi)器ft結(jié)束步驟二利用遺傳算法，優(yōu)化權(quán)值w，其中wi＞λ從而，從分類(lèi)器{ft，t＝1，2，…，T}中選擇合適的支持向量機(jī)集成個(gè)體，構(gòu)成集合T*輸出總體分類(lèi)器的判別函數(shù)f(xi)=argmaxΣT*j=1|ft(xi)=yi|;]]>其中算子|·|的含義為，當(dāng)·為真時(shí)，|·|＝1，否則|·|＝0利用訓(xùn)練好的支持向量機(jī)混合智能診斷模型，即可對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行診斷，從而可以獲得故障的類(lèi)型。
參照?qǐng)D1所示，為機(jī)械故障的集成支持向量機(jī)混合智能診斷流程圖，機(jī)械設(shè)備的振動(dòng)信號(hào)經(jīng)過(guò)傳感器和數(shù)據(jù)采集系統(tǒng)的拾取，以及信號(hào)預(yù)處理系統(tǒng)的預(yù)處理后，可獲得原始時(shí)域振動(dòng)信號(hào)；計(jì)算原始時(shí)域振動(dòng)信號(hào)的11個(gè)時(shí)域特征、提升小波包分解后的88個(gè)統(tǒng)計(jì)特征和經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蟮?個(gè)相對(duì)能量特征，構(gòu)成全體特征集；利用特征距離評(píng)估技術(shù)對(duì)全體特征集進(jìn)行特征選擇，構(gòu)成最敏感特征集；用訓(xùn)練樣本的最敏感特征集對(duì)集成支持向量機(jī)進(jìn)行訓(xùn)練，構(gòu)建集成支持向量機(jī)混合智能診斷模型，利用該模型即可對(duì)機(jī)械設(shè)備進(jìn)行實(shí)時(shí)智能診斷，最后得到混合智能診斷結(jié)果。
參照?qǐng)D2所示，為某電力機(jī)車(chē)走行部輪對(duì)結(jié)構(gòu)示意圖，每個(gè)輪對(duì)由兩個(gè)軸承1和5、兩個(gè)車(chē)輪2和4和一根車(chē)軸3組成，將加速度傳感器6安裝在軸承座上方進(jìn)行振動(dòng)信號(hào)拾取。
參照?qǐng)D3所示，為最敏感特征集選擇的距離評(píng)估圖，根據(jù)設(shè)定的閾值ρ，從而可以確定大于該閾值的距離評(píng)估指標(biāo)JA所對(duì)應(yīng)的特征即為最敏感特征集，其中，橫坐標(biāo)為特征序號(hào)，縱坐標(biāo)為距離評(píng)估指標(biāo)JA。
參照?qǐng)D4所示，為不同的特征評(píng)估指標(biāo)閾值下，集成持向量機(jī)與單一持向量機(jī)和Bagging算法的分類(lèi)性能比較圖，通過(guò)與傳統(tǒng)方法的比較可以看出，在不同的閾值下，本發(fā)明都具有很好的分類(lèi)效果，且當(dāng)ρ＝20時(shí)選擇的特征即為最敏感特征集，其中，橫坐標(biāo)為閾值ρ，縱坐標(biāo)為分類(lèi)準(zhǔn)確率。
參照?qǐng)D5所示，為不同的噪聲含量下，集成SVMs與單一SVMs和Bagging算法的分類(lèi)性能比較圖，通過(guò)與傳統(tǒng)方法的比較可以看出，在不同的噪聲含量下，本發(fā)明都具有很高的診斷效率高和抗噪能力，其中，橫坐標(biāo)為噪聲含量百分比，縱坐標(biāo)為分類(lèi)準(zhǔn)確率。
實(shí)施例該實(shí)施例給出了本發(fā)明在工程實(shí)踐中的具體實(shí)施過(guò)程，同時(shí)驗(yàn)證了該發(fā)明的有效性。
某客運(yùn)型電力機(jī)車(chē)走行部由六副輪對(duì)組成。輪對(duì)由一根車(chē)軸和兩個(gè)車(chē)輪組成，每副輪對(duì)再與軸箱組合在一起。輪對(duì)結(jié)構(gòu)如圖2所示。由安裝在車(chē)輪軸承座上方的加速度傳感器進(jìn)行信號(hào)采集，采樣頻率為12.8KHz，數(shù)據(jù)長(zhǎng)度為8192個(gè)點(diǎn)。
取該電力機(jī)車(chē)軸承在四種工況(正常、外圈故障、滾動(dòng)體故障、外圈和滾動(dòng)體復(fù)合故障)下的振動(dòng)數(shù)據(jù)各36組，其中22組作為訓(xùn)練數(shù)據(jù)，另14組作為測(cè)試樣本。從電力機(jī)車(chē)軸承振動(dòng)的訓(xùn)練數(shù)據(jù)集中提取的全體特征集Ftotal＝[FtimeFwpFemd]由105個(gè)特征組成，這些特征的距離評(píng)估指標(biāo)值如圖3所示。
為了驗(yàn)證集成SVMs方法的分類(lèi)性能，同時(shí)也對(duì)單一SVMs分類(lèi)算法和基于SVMs的Bagging算法分類(lèi)算法進(jìn)行了分析。此處取集成SVMs的數(shù)目T＝20，可選擇集成SVMs中的預(yù)設(shè)閾值λ＝1/T＝0.05。
單一SVMs、Bagging算法和集成SVMs的分類(lèi)結(jié)果如表2所示。其中分類(lèi)精度為每次試驗(yàn)重復(fù)10次的平均結(jié)果。
表2不同閾值對(duì)應(yīng)的SVMs、Bagging和集成Bagging的分類(lèi)精度比較

如表2所示，隨著閾值的增加，特征數(shù)目逐漸減少。在訓(xùn)練過(guò)程中，單一SVMs的分類(lèi)精度都大于98.95％，且在ρ＝0.5，5或20時(shí)取得最大值(100％)；然而，Bagging算法和集成SVMs的訓(xùn)練樣本的分類(lèi)精度都為100％。另外還可以看出，在集成SVMs中，平均SVMs的集成個(gè)數(shù)(9.3)大約為整體數(shù)目(20)的一半，因此與Bagging算法相比，可選擇集成SVMs的測(cè)試時(shí)間將大幅度減少(從0.12秒降到0.02秒)。
針對(duì)不同的特征選擇閾值，單一SVMs、Bagging算法和集成SVMs的測(cè)試樣本分類(lèi)結(jié)果如圖4所示。
從圖4中可以看出，對(duì)于單一SVMs的測(cè)試結(jié)果而言，當(dāng)不進(jìn)行特征選擇時(shí)，其分類(lèi)準(zhǔn)確率僅為63.33％；分類(lèi)準(zhǔn)確率隨著閾值的增加而提高，最高達(dá)到97.05％，此時(shí)閾值ρ＝20，這表明ρ＝20時(shí)選擇的特征即為最敏感特征集?？梢园l(fā)現(xiàn)，集成SVMs的分類(lèi)性能優(yōu)于其它兩種方法，當(dāng)ρ＝20時(shí)，集成SVMs取得最好的分類(lèi)效果(100％)。
進(jìn)一步驗(yàn)證集成SVMs的泛化性能，在測(cè)試數(shù)據(jù)中添加不同含量的隨機(jī)噪聲。不失一般性，在Bagging算法和集成SVMs中取集成SVMs的數(shù)目T＝20進(jìn)行實(shí)驗(yàn)，閾值ρ＝20。不同噪聲含量的分類(lèi)準(zhǔn)確率如圖5所示。從圖中可以看出，隨著噪聲含量的增加，對(duì)于集成SVMs來(lái)說(shuō)，當(dāng)噪聲含量小于20％時(shí)，其分類(lèi)精度都大于90％。當(dāng)噪聲含量在0與40％之間時(shí)，集成SVMs的分類(lèi)精度都高于Bagging算法。隨著噪聲含量的進(jìn)一步增加，集成SVMs的分類(lèi)精度與Bagging算法的分類(lèi)精度相當(dāng)，都為70％左右，但是在集成SVMs中，平均SVMs的集成個(gè)數(shù)(9.3)大約為Bagging算法的集成個(gè)數(shù)(20)的一半，可選擇集成SVMs的測(cè)試時(shí)間將大幅度減少(從0.12秒降到0.02秒)。這些都說(shuō)明集成SVMs計(jì)算效率高、抗噪能力強(qiáng)。
從圖4和圖5的分析可知，集成SVMs的分類(lèi)性能優(yōu)于單一SVMs和Bagging算法，對(duì)于機(jī)車(chē)輪對(duì)軸承的故障診斷來(lái)說(shuō)，當(dāng)特征距離評(píng)估技術(shù)中的閾值設(shè)定為ρ＝20時(shí)，其分類(lèi)準(zhǔn)確率為100％，這說(shuō)明集成支持向量機(jī)混合智能診斷方法能夠準(zhǔn)確地診斷出軸承的外圈故障、滾動(dòng)體故障和外圈和滾動(dòng)體復(fù)合故障，具有很好的智能診斷能力。
權(quán)利要求
1.一種機(jī)械故障的集成支持向量機(jī)混合智能診斷方法，包括1)分別采用提升小波包按頻段和經(jīng)驗(yàn)?zāi)Ｊ椒纸獍幢菊髂Ｊ椒至繉?duì)振動(dòng)信號(hào)進(jìn)行分解，提取分解信號(hào)的時(shí)域統(tǒng)計(jì)特征，構(gòu)成全體特征集；其特征在于2)提出特征距離評(píng)估技術(shù)及特征評(píng)估指標(biāo)，按照特征評(píng)估指標(biāo)大小從全體特征集中選取最敏感特征集；3)將獲得的最敏感特征集作為診斷特征，建立集成支持向量機(jī)混合智能診斷模型，實(shí)現(xiàn)對(duì)設(shè)備運(yùn)行狀態(tài)的智能診斷。
2.根據(jù)權(quán)利要求1所述的機(jī)械故障的集成支持向量機(jī)混合智能診斷方法，其特征在于，所說(shuō)的特征距離評(píng)估技術(shù)及特征評(píng)估指標(biāo)如下首先，對(duì)于一個(gè)原始振動(dòng)信號(hào)X(t)，計(jì)算1個(gè)時(shí)域統(tǒng)計(jì)特征Ftime，1個(gè)時(shí)域統(tǒng)計(jì)特征是指均值、方差、方根幅值、有效值、峰值、偏斜度、峭度、波形指標(biāo)、峰值指標(biāo)、裕度指標(biāo)和脈沖指標(biāo)中的一個(gè)或多個(gè)；利用提升小波包變換將X(t)分解m層，m取值為2、3或4，得到2m個(gè)分解信號(hào)，對(duì)每個(gè)分解信號(hào)分別計(jì)算1個(gè)統(tǒng)計(jì)特征，共得到1×2m個(gè)提升小波包變換后的特征Fwp；采用經(jīng)驗(yàn)?zāi)Ｊ椒纸鈱(t)分解得到前n個(gè)本征模式分量，n取值為4到8的整數(shù)，計(jì)算n個(gè)本征模式分量的相對(duì)能量特征Femd，從而構(gòu)成全體特征集Ftotal＝[FtimeFwpFemd]；接著，將全體特征集Ftotal的類(lèi)間距Sb與類(lèi)內(nèi)距Sw的比值設(shè)定為距離評(píng)估指標(biāo)JA；最后，按照特征評(píng)估指標(biāo)JA的大小，從全體特征集Ftotal中選擇大于給定閾值ρ的特征評(píng)估指標(biāo)JA所對(duì)應(yīng)的特征，將最大分類(lèi)準(zhǔn)確率所對(duì)應(yīng)的閾值設(shè)為ρ，從而構(gòu)成最敏感特征集Fsensitivity。
3.根據(jù)權(quán)利要求1所述的機(jī)械故障的集成支持向量機(jī)混合智能診斷方法，其特征在于，所述的集成支持向量機(jī)混合智能診斷模型建立方法如下首先利用袋裝算法，簡(jiǎn)稱(chēng)Bagging算法，從訓(xùn)練樣本中隨機(jī)生成T個(gè)訓(xùn)練樣本子集TRt(t＝1，2，…，T)，T取值為10到100的整數(shù)，然后利用T個(gè)多分類(lèi)支持向量機(jī)對(duì)這些子集TRt進(jìn)行訓(xùn)練，得到T個(gè)子分類(lèi)器ft；設(shè)T個(gè)子分類(lèi)器ft的平均分類(lèi)誤差為 將 作為遺傳算法的適應(yīng)度函數(shù)，對(duì)T個(gè)子分類(lèi)器ft的集成結(jié)果進(jìn)行優(yōu)化，得到分類(lèi)器的優(yōu)化權(quán)值大于預(yù)設(shè)閾值λ＝1/T的權(quán)值向量w，從而構(gòu)成集成支持向量機(jī)，用最敏感特征集Fsensitivity作為診斷特征，對(duì)集成支持向量機(jī)進(jìn)行訓(xùn)練，即可建立混合智能診斷模型，利用混合智能診斷模型實(shí)現(xiàn)機(jī)械故障的智能診斷。
全文摘要
本發(fā)明公開(kāi)了一種機(jī)械故障的集成支持向量機(jī)混合智能診斷方法。該方法分別采用提升小波包按頻段和經(jīng)驗(yàn)?zāi)Ｊ椒纸獍幢菊髂Ｊ椒至繉?duì)振動(dòng)信號(hào)進(jìn)行分解，提取分解信號(hào)的時(shí)域統(tǒng)計(jì)特征，構(gòu)成全體特征集；提出特征距離評(píng)估技術(shù)及特征評(píng)估指標(biāo)，按照特征評(píng)估指標(biāo)大小從全體特征集中選取最敏感特征集；將最敏感特征集作為診斷特征，建立集成支持向量機(jī)混合智能診斷模型，實(shí)現(xiàn)對(duì)故障運(yùn)行狀態(tài)的智能診斷。
文檔編號(hào)G01M99/00GK1811367SQ20061004188
公開(kāi)日2006年8月2日 申請(qǐng)日期2006年3月3日 優(yōu)先權(quán)日2006年3月3日
發(fā)明者何正嘉, 訾艷陽(yáng), 胡橋, 雷亞國(guó), 陳雪峰, 張周鎖 申請(qǐng)人:西安交通大學(xué)