下载文档原格式
基于支持向量机的故障诊断方法郑媛媛1，杨鹏2，冀香雅11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@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。
电气设备的在线监测技术研究在当今高度工业化和信息化的时代，电气设备的稳定运行对于各个领域的生产和生活至关重要。
从电力系统中的大型变压器、开关柜，到工业生产中的电动机、变频器，电气设备的可靠性直接影响着整个系统的性能和安全。
为了确保电气设备的正常运行，减少故障停机时间，提高设备的利用率和寿命，电气设备的在线监测技术应运而生。
电气设备在线监测技术是指利用各种传感器、数据采集设备和分析软件，实时获取电气设备的运行状态信息，并对这些信息进行分析和处理，以判断设备是否存在故障隐患或异常情况。
与传统的定期检修方式相比，在线监测技术具有实时性、连续性、准确性和预防性等优点，可以及时发现设备的早期故障，为设备的维护和管理提供科学依据。
一、在线监测技术的基本原理电气设备在线监测技术的基本原理是基于各种物理量的测量和分析。
例如，通过测量电气设备的电流、电压、功率因数、温度、湿度等参数，可以了解设备的运行工况；通过检测设备的局部放电、绝缘电阻、泄漏电流等信号，可以评估设备的绝缘性能；通过监测设备的振动、噪声等信号，可以判断设备的机械部件是否正常。
传感器是在线监测系统的关键部件之一，其性能直接影响着监测数据的准确性和可靠性。
目前常用的传感器包括电流互感器、电压互感器、温度传感器、湿度传感器、局部放电传感器、振动传感器等。
这些传感器将测量到的物理量转换为电信号，然后通过数据采集设备进行采集和处理。
数据采集设备通常包括数据采集卡、前置放大器、滤波器等，其作用是将传感器输出的电信号进行调理、放大、滤波和数字化，以便后续的分析和处理。
数据采集设备的采样频率、分辨率和精度等参数对于监测数据的质量具有重要影响。
二、在线监测技术的关键技术1、信号处理与分析技术在线监测系统采集到的信号往往包含大量的噪声和干扰，因此需要采用有效的信号处理和分析技术来提取有用的信息。
常用的信号处理方法包括滤波、降噪、时频分析、特征提取等。
例如，通过小波变换可以对非平稳信号进行时频分析，有效地提取局部放电信号的特征；通过主成分分析可以对多变量数据进行降维处理，提取主要的特征信息。
文章编号：1671-7872(2024)01-0046-12郑近德，博士，教授，博士生导师，曾入选安徽省领军人才特聘教授、安徽省学术与技术带头人后备人选、安徽省青年皖江学者，目前担任中国振动工程学会故障诊断分会与动态测试分会与理事、安徽省振动工程学会理事、《振动与冲击》编委。
主要研究领域为动态信号处理、设备健康监测、故障诊断与智能运维等，近5年主持国家自然科学基金项目2项，安徽省教育厅杰青等课题7项；以第一作者或通信作者发表论文88篇，授权发明专利5项，出版学术专著1部。
2020—2023连续4年入选美国斯坦福大学发布的全球前2%顶尖科学家榜单。
荣获安徽省自然科学奖二等奖(R1)、安徽省科技进步二等奖(R6)和中国振动工程学会科技进步奖各1项(R1)。
潘海洋，博士，副教授，硕士生导师，研究领域包括模式识别、设备状态监测与故障诊断等，主持安徽省自然科学基金、安徽高校自然科学研究重点项目等8项，以第一作者或通信作者在国内外期刊发表SCI、EI论文52篇，参编机器学习与故障诊断方向学术专著2部，入选美国斯坦福大学发布的2022年度全球前2%顶尖科学家榜单。
刘庆运，博士，教授，博士生导师，现任安徽工业大学机械工程学院院长，曾任华东地区机械原理教学指导委员会理事、安徽省机械原理与机械设计研究会副理事长等。
主要研究领域为机器人设计与控制、设备智能运维等，主持国家重点研发计划子课题、国家技术创新工程试点安徽省专项资金项目子课题、安徽省科技重大专项计划等10余项，获安徽省科学技术一等奖和二等奖各1次、江苏省教育厅二等奖1次、安徽省科技成果1项、安徽省教育厅一等奖和二等奖各1次。
多尺度熵方法在机械故障诊断中的应用研究进展郑近德，姚殷柔，潘海洋，童靳于，刘庆运(安徽工业大学 机械工程学院, 安徽 马鞍山 243032)摘要：机械设备状态监测与故障诊断的关键是故障特征的表征与提取，采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。
基于机器学习的故障诊断与预测技术研究近年来，随着人工智能技术的飞速发展，机器学习已经成为了各个领域的研究热点之一。
其中，基于机器学习的故障诊断与预测技术更是备受关注。
本文将对基于机器学习的故障诊断与预测技术进行探讨，并分析其应用前景。
Ⅰ. 机器学习在故障诊断中的应用随着技术的进步，现代化设备的复杂性不断增加，故障的诊断和预测变得更加困难。
传统的故障诊断方法依赖于专业技术人员进行经验判断，但这种方法具有主观性强、准确性低的缺点。
而机器学习则可以通过对大量数据的学习和分析，提取出故障模式和规律，从而实现对故障的准确诊断和预测。
1. 数据采集与预处理机器学习的故障诊断与预测技术依赖于大量的数据进行模型训练与验证。
在故障诊断领域，可以通过传感器、监测设备等手段采集到大量的实时运行数据。
这些数据可能带有噪声或缺失值，需要进行预处理，包括数据清洗、缺失值填充、特征提取等操作，以保证后续的数据分析与建模的准确性和有效性。
2. 特征工程与模型选择在故障诊断与预测中，如何选择合适的特征和模型是关键的一步。
特征工程的目标是从原始数据中提取出有用的特征，例如统计特征、频域特征、时域特征等。
同时，针对不同问题，选择合适的机器学习模型也是必不可少的。
常见的模型包括决策树、神经网络、支持向量机等。
在实际应用中，往往需要结合多个模型进行集成学习，以获取更好的性能。
3. 故障诊断与预测模型训练基于经过预处理的数据和选择的模型，我们可以进行模型的训练和优化。
模型训练的目标是通过学习历史数据中的故障模式和规律，来建立故障诊断与预测模型。
常见的训练算法包括梯度下降、遗传算法、贝叶斯优化等。
通过模型的训练，我们可以得到一个针对具体故障的预测模型，用于后续的故障诊断和预测。
Ⅱ. 基于机器学习的故障诊断与预测技术的优势相比传统的故障诊断方法，基于机器学习的故障诊断与预测技术具有以下优势：1. 自动化与智能化传统的故障诊断方法需要依赖专业技术人员进行判断和决策，而基于机器学习的方法可以自动学习和提取故障模式，即使在复杂多变的环境中，也能够进行智能化的故障诊断和预测。
基于人工智能的电气故障预测与诊断技术综述引言随着科技的进步和社会的发展，电气设备在我们的日常生活中起着越来越重要的作用。
然而，电气故障经常发生，给我们的生活和工作带来了不便和风险。
为了及时发现和排除电气故障，提高设备的可靠性和安全性，人工智能技术开始被越来越多地应用于电气故障预测与诊断领域。
本文将对基于人工智能的电气故障预测与诊断技术进行综述。
一、传统电气故障预测与诊断技术在探讨基于人工智能的电气故障预测与诊断技术之前，首先了解传统的电气故障预测与诊断方法是必要的。
1. 故障模式识别技术：通过分析电气设备的故障模式，如振动、声音、温度等变化，来判断设备是否存在故障。
这种方法主要依赖于人工经验和判断，准确性有限。
2. 信号处理技术：通过采集电气设备发出的信号，如电压、电流、功率等，并进行分析和处理，来判断设备是否存在故障。
这种方法可以提高故障的检测准确性，但对仪器设备要求较高，且存在信号干扰的问题。
二、基于人工智能的电气故障预测与诊断技术随着人工智能技术的发展，越来越多的人工智能算法被应用于电气故障预测与诊断领域，取得了显著的成果。
1. 机器学习算法：机器学习是人工智能领域的重要技术之一，可以通过对大量数据的学习和分析，实现电气故障的预测和诊断。
常用的机器学习算法包括支持向量机(SVM)、决策树和随机森林等。
这些算法在数据处理和特征提取方面具有优势，提高了故障预测与诊断的准确性。
2. 深度学习算法：深度学习是机器学习的一个分支，其模拟人类大脑的神经网络结构，具有强大的处理能力和学习能力。
目前，深度学习在电气故障的预测和诊断中取得了令人瞩目的成果。
例如，卷积神经网络(CNN)在图像识别中的应用，可以用于电气设备的图像故障诊断；循环神经网络(RNN)可以对时间序列数据进行分析和预测，用于电气设备的故障预测。
三、基于人工智能的电气故障预测与诊断应用案例为了更直观地了解基于人工智能的电气故障预测与诊断技术的实际应用，下面将介绍几个典型的案例。
基于支持向量机（SVM）的齿轮箱轴承故障识别一、轴承故障诊断1、概述轴承是旋转设备的一个重要部件，它提供重要的负载承受能力，以支撑转子系统抵抗静态的和动态的外力。
轴承构件，由于它的使用寿命长、负载能力高、能量损失低而被广泛应用于工业和公用设施，是大型机械装备(包括动力机械、机车车辆、泵与风机等)中的关键部件。
高速运转的大型机械装备，其轴承的载荷重且为交变载荷，而且工作环境恶劣，经常发生轴承性能劣化和损坏，影响整个装置的安全可靠性，一旦出现故障将导致严重的损失，有必要对轴承工作状态进行模式识别与诊断。
轴承根据工作的摩擦性质不同可分为滑动摩擦轴承（简称滑动轴承）和滚动摩擦轴承（简称滚动轴承）两大类。
本文所测得的数据来自实验室齿轮箱的滑动轴承，滑动轴承的特点有：(1)在高速重载下能正常工作，寿命长。
(2)精度高。
(3)滑动轴承可做成剖分式的，能满足特殊结构的需要。
(4)液体摩擦轴承具有很好的缓冲和阻尼作用，可以吸收震动，缓和冲击。
(5)滑动轴承的径向尺寸比滚动轴承的小。
(6)起动摩擦阻力较大。
通过对轴承进行故障诊断有以下优势：(1)早期预报、防止事故发生，降低事故发生率;(2)预知性维修，提高设备管理水平，降低维修费用，减少维修时间，增加运行时间;(3)提高设备的设计、制造水平，改进产品质量;(4)确定复杂机器的最佳工作参数，提高效率;(5)降低噪声，泄露等污染，保护环境。
2、滑动轴承失效形式（1）磨粒磨损进入轴承间隙的硬颗粒（如灰尘、砂粒等），在起动、停车或轴颈与轴承发生边缘接触时，都将加剧轴承磨损，导致几何形状改变、精度丧失，轴承间隙加大，使轴承性能在预期寿命前急剧恶化。
（2）刮伤进入轴承间隙中的硬颗粒或轴颈表面粗糙的轮廓峰顶，在轴承上划出线状伤痕，导致轴承因刮伤失效。
（3）咬合（胶合）当轴承温升过高，载荷过大，油膜破裂时，或在润滑油供应不足条件下，轴颈和轴承的相对运动表面材料发生粘附和迁移，从而造成轴承损坏。
振 动 与 冲 击第29卷第12期J OURNAL OF V IBRAT I ON AND SHOCKVo.l 29N o .122010基于滑动平均与相关向量机的齿轮早期故障智能诊断基金项目:863项目(2008AA2801,2008AA2803), 高档数控机床与基础制造装备 科技重大专项课题2009ZX04014收稿日期:2010-01-05 修改稿收到日期:2010-03-17第一作者何创新男,博士,1982年1月生何创新,李彦明,刘成良,刘海宁(上海交通大学机械与动力工程学院,上海 200240)摘 要:早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM )的智能故障诊断方法用于检测齿轮早期故障。
首先,小波包变换与F ishe r 准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM 用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。
实验表明,该方法具有很高的分类精度,RVM 模型比SVM 模型更适合在线故障监测。
关键词:故障诊断;小波包变换;相关向量机;滑动平均;状态监控中图分类号:T P183;TP206.3 文献标识码:A在故障发生的早期,及时发现故障并安排有计划的维护,可以降低维护成本,避免故障传播,以免造成更大故障,减少停机损失,预防重大安全事故等,因此,早期故障及时检测与预防维护具有很大的经济与安全意义。
对齿轮等旋转机械,一般通过在线连续监测振动信号,并借助智能信号处理与故障诊断算法及时发现故障。
智能故障诊断通常看作模式识别问题,主要包括信号采集、特征提取与分类决策三个步骤。
特征提取的任务是从难以分辨的高维时域信号中,通过一定信号处理方法,提取出少量能表征不同设备状态的特征作为分类器的输入。
有效的特征提取是提高故障诊断模型性能的关键。
小波包变换建立在小波变换的基础上,可以实现信号频带的均匀划分,能够更好地提取信号的时频特性,被广泛应用于振动信号特征提取[1-4],通常的方法以小波包树最底层的各节点能量作为特征,分解层次的选择对所选特征的有效性影响很大,存在难以确定最佳分解层次的问题,本文以小波包树所有层节点能量为备选特征,结合F i s her 准则,提取出全局最优的特征,避免了上述问题。
近年来,故障诊断的智能分类方法的研究很多,其中支持向量机(Support vector m ach i n e ,SVM )由于其对小样本良好的泛化能力等优点得到了最广泛的应用[3-5]。
相关向量机[6](R elevance vector m ach i n e ,RVM )是一种基于贝叶斯理论的统计学习方法,具有SVM 相似的稀疏核模型与相近的泛化能力,但是其决策模型通常更稀疏更简单[7],并且输出后验概率分布,相对于SVM 的二值输出能提供更多的决策信息,很适合在线故障诊断。
然而,RVM 在故障诊断领域并未引起重视,其研究与应用还很少[7-9],本文采用RVM 训练故障诊断分类模型,并在二维特征空间可视化的分析比较了其与S VM 的性能。
在线监控过程中,振动信号分段连续采集,并对每段提取相同的特征,因此,在时间轴方向,每个特征也可看作一个随时间变化的状态参数,基于此,本文提出如图1所示的在线故障诊断流程,在每个特征输入故障诊断模型前对其做进一步滑动平均滤波,使其能更稳定平滑地表征设备所处的状态,提高短时内诊断结果的稳定性,实验表明此方法还能大大提高故障诊断精度。
图1 在线故障诊断流程图F i g .1F l ow chart o f the on line fau lt diagnosis syste m1 理论背景1 1 小波包变换与节点能量小波包变换是从小波变换延伸出来的一种对信号进行更细致分解和重构的方法。
在小波变换中,每次只对上次分解的低频部分进行再分解,对高频部分则不再分解,因此在高频段分辨率较差。
小波包则对高频部分也进行分解,所以小波包可以对信号的高频部分更加细致的刻画,对信号的分析能力也更强。
小波包函数定义为:W nj,k (t)=2j/2W n0,0(2jt -k)(1)其中,j 为尺度系数,即分解层数,k 为平移系数,n 为调制参数,初始值W 00,0(t)为尺度函数,W 10,0(t)为母小波函数,通过递推运算可以求得所有小波包函数,递推过程在此不详述,详见参考文献[1,2]。
经过j 层分解后,原始信号f (t)被分解为2j个频带,可表示为:f(t)= 2j n=1f n j(t)(2)f n j(t)= k n j,k W n j,k(t)(3)n j,k= - f(t)W n j,k(t)d t(4)其中 n j,k为小波包系数。
每个频带对应于一个小波包树节点,节点能量定义为:E j,n= k( n j,k)2(5)节点能量比小波包系数能更稳健的反映机械设备的状态[1],因此常用作信号特征。
假设对信号进行L层全小波包分解,可得到21+ 22+ +2L=2L+1-2个树节点,每个节点能量作为一个特征,共得到2L+1-2个特征。
不同特征具有差异很大的分类性能,难以直接确定最优特征在哪一层,若如大多数文献那样只采用最底层节点特征,在难以确定最佳分解层次情况下,可能无法获得最优特征。
本文首先对信号分解到较深的层次,将所有节点能量作为备选特征,通过Fisher准则评估每个特征的分类性能,从而选择出最优特征子集,避免了如何选择最佳分解层次的问题。
1 2 F isher准则对于2类问题(C1,C2),假设给定样本集{x i}N i=1, x i={x i,d}D d=1,总共N个样本,每个样本包含D维特征,第d维特征F d的Fisher准则值J F(d)定义为其类间方差S B,d与类内方差S W,d之比,即:J F(d)=S B,dS W,dd=1,2, ,D(6)其中,类间方差与类内方差分别定义为:S B,d=(m1,d-m2,d)2(7)S W,d= 21,d+ 22,d(8)其中m1,d和 21,d分别是特征F d在类C1中的均值与方差,m2,d和 22,d是F d在类C2中的均值与方差。
根据Fisher准则,某一特征的F i s her准则值越大,意味着其类内间距越小类间间距越大,该特征区别这些类的能力也越大。
因此F isher准则可以评估不同特征的分类性能,用于特征选择。
1.3 滑动平均滤波滑动平均(MA)是一种有限冲激响应(FI R)滤波器,常用于对时间序列数据平滑短期内的波动并突出其长期趋势。
L阶滑动平均滤波器的模型定义为:x n=1L+1(x n+x n-1+ +x n-L)(9)其中x n为滤波后的值,x n为实际输入值,x n-1为前一周期的实际输入值,依此类推。
1.4 相关向量机分类相关向量机(Re levance V ector M ach i n e,RVM)是T ipping[8]于2001年提出的一种基于贝叶斯理论的统计学习算法,可用于解决回归与分类问题,本文只简要介绍其与分类相关的理论。
对于2类问题(C1,C2),RVM具有与SVM相似的模型,也是一组核函数的线性组合。
给定一组训练样本对{x i,t i}N i=1,x i R n,t i {0,1},RVM对任意输入x^的分类模型定义为如下形式:y(x^,w)= [ N i=1 i k(x i,x^)+ 0]= (w T K)(10)其中,K(x^)=[1,k(x1,x^) ,k(x N,x^)]T是核函数向量,w=( 0 N)T是权值向量, ( )是逻辑S型函数(log istic si g m o id function),简称 函数。
RVM的关键特点是,在模型训练阶段,为了防止过拟合,为每个权值 I分配了一个独立的零均值高斯分布作为先验概率分布,基于贝叶斯理论,通过反复迭代计算权值的最大后验概率,最后得到所有权值w MP。
训练结束时,绝大部分权值变得非常小,近于零,只有少量非零权值,根据式(10),只有少量对应于非零权值的输入训练向量有作用,即称为相关向量(R elevance Vec tors,RV s)。
只保留相关向量,RVM模型可重新表示为:y(x^,w MP)= xiRVsi k(x i,x^)+ 0)(11) 由于 函数具有如下特性:(-a)=1- (a)(12)因此RVM模型可用于表示后验概率分布。
任意输入x^属于类C1的后验概率定义为:P(t=1x^)=y(x^,wMP)(13)根据 函数的性质,可求得属于类C2的后验概率为:P(t=0x^)=1-y(x^,wMP)(14) RVM模型只需很少的相关向量,是一种稀疏核模型,模型简单,计算量很小,并且输出后验概率分布,因此很适合用于在线故障诊断。
2 实验分析2 1 振动数据本文所用的实验数据来源于荷兰D elft科技大学 M ach i n e D iagnostics by N euralN et w orks 研究项目[10]。
所获得的实验数据是取自于荷兰Le mm er的 Bum a 泵站的泵水系统中的齿轮箱的振动加速度数据,电机经过两级齿轮传动减速后驱动潜水泵工作,原数据为7个通道振动加速度数据,这里采用通道1数据作为分析之用。
实验的齿轮故障为齿面点蚀,是最常见的齿轮早期故障。
共做了4组实验:齿轮正常情况下轻载与重载实验,齿轮故障情况下轻载与重载实验。
传感器数据经过1k H z模拟低通滤波再以3.2k H z采样,每90振动与冲击 2010年第29卷组实验连续采集24.3s 数据。
图2给出了每组实验的一段振动数据的时域波形。
为了模拟连续状态监控的情况,按时间顺序,前半部分数据用于训练,后半部分数据用于测试。
本文经过信号分析与训练得到智能故障诊断模型,能在负载变化的情况下识别齿轮状态。
图2 不同状态下的齿轮振动信号F ig .2V ibra tion si gnals o f gears i n different cond iti ons2 2 特征提取与特征选择为了提取特征对不同齿轮状态敏感,但是对不同负载状态不敏感,将同一齿轮状态下的轻载与重载的训练数据合并,最后得到正常与故障两个训练数据集,各按顺序分割成150个数据段,每段1024个点,每个数据段作为一个样本,共300个训练样本。
图3 基于F isher 准则的特征评估F i g .3F isher criter i a o f fea t ures首先,采用db5小波,对每个数据段进行6层小波包分解,并计算所有节点能量作为特征,共得到126个小波域特征(.i e .26+1-2=126);同时,对每个数据段还提取出10个时域特征(均值、最大幅值、均方根值、峰峰值、脉冲因子、峰值因子、波形因子、标准方差、偏斜度及峭度),因此,每个样本提取出136个待选特征。
