基于支持向量机的故障诊断方法.pdfVIP

基于支持向量机的故障诊断方法 1 2 1 郑媛媛 ，杨鹏 ，冀香雅 1 东北电力大学自动化工程学院，吉林吉林（132012 ） 2 东北电力大学理学院，吉林吉林 (132012) E-mail: zhgynyn@126.com 摘 要：通过对支持向量机原理的分析，将凸壳理论用于基于支持向量机的故障诊断中，用 凸壳顶点集来代替整个样本集来训练，运用实际数据进行仿真，仿真结果表明，本文方法在 学习性能和推广性能方面与采用整个样本集基本相同，但降低了存储空间，提高了学习速度。 关键词：支持向量机；故障诊断；凸壳 1．引言 在现代化生产中，生产过程的任何故障不仅直接影响产品的产量和质量，而且还可能 造成严重的设备和人身事故。长期的生产实践使人们认识到，要使机组设备安全、可靠、有 效地运行，充分发挥其效益，必须发展过程监测和故障诊断技术[1] 。故障智能诊断技术代表 了诊断技术的发展方向，其发展与人工智能技术的发展密切相关。 回顾诊断技术的发展历程，专家系统在诊断技术中的应用，为故障诊断的智能化提供了 可能性，使诊断技术进入了新的发展阶段。但专家系统只是依赖于经验知识库，却不能创新 和发展。由于人工神经网络具有很强的自学习能力，因此人工神经网络理论成为计算机与人 工智能、认知科学等相关专业的新的研究热点，并且在故障智能诊断领域得到了较多的应用。 人工神经网络的算法基础是传统统计学，传统统计学所研究的主要是当样本趋向于无穷多时 的统计性质。但在现实问题中，样本的数目通常是有限的，因此需要学习机器具有较强的推 广能力，即对符合某规律，虽然没有学习过的样本也能给出合理的结论。但神经网络算法对 于当样本数有限的问题，训练效果良好的一个算法结构却可能表现出很差的推广能力，即所 谓的神经网络过学习问题。并且人工神经网络仅仅试图使风险最小化，并没有使期望风险最 小化，因而造成了推广性方面较为严重的缺陷。近年来，人们认识到神经网络的学习算法缺 乏定量的分析与机理完备的理论结果，从而使新的学习算法的研究成为机器学习的研究热点 和关键问题。 统计学习理论为解决小样本学习问题提供了统一的框架[2] 。统计学习理论致力于寻求小 样本情况下学习问题的最优解，而不需要利用样本数趋于无穷大的渐进性条件，因此适合于 故障诊断这种小样本情况的工程实际问题。我们使用最热门的机器学习理论 SVM 建立分类 器，它是建立在统计学习理论的 VC 维理论和结构风险最小化原理上的，根据有限的样本信 息，在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推理能力。它可以从理 论上保证由少数训练样本得到的分类超平面式最优的，其泛化错误通常来说比其他方法要低 很多。 2 ．支持向量机理论 [3] 支持向量机（support vector machine，SVM ） 是vapnik于1995年首先提出来的，近年来 受到了广泛的关注，它在分类问题上，尤其是针对小样本问题表现除了优异的性能。支持向 量机是建立在计算学习理论的结构风险最小化原理之上的。其主要思想是针对两类分类问 题，在高维空间中寻找一个超平面作为两类分割，以保证最小的分类错误率，即统计学习理 - 1 - 论的结构风险最小化。 b x SVM是一个现行分类面g (x ) (ω, x ) =+b ，（(ω, x ) 是向量 和 的内积），使对于所 有训练样本，有：|| g (x ) 1|| ，满足上述条件的|| ω|| 最小的分类面为最优分类面。在线 性可分的情况下