基于支持向量机的故障诊断

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。

10.16638/ki.1671-7988.2021.02.002基于支持向量机的动力电池故障诊断马宗钰，兰海潮，宋若旸，阙海霞（长安大学汽车学院，陕西西安710064）摘要：电池故障诊断是电池管理系统中一项十分重要的技术。

针对电池故障和电池输出状态量之间不确定的关系，采用模糊逻辑可以对模糊关系进行准确描述。

选用合适的隶属度函数来表示输出的电压、电流信号，用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系，生成模糊数据库，用支持向量机对数据进行训练和测试，由结果可知该方法有较高的准确性。

关键词：动力电池；故障诊断；模糊逻辑；支持向量机中图分类号：U467 文献标识码：B 文章编号：1671-7988(2021)02-05-03Power Battery Fault Diagnosis Based on Support Vector MachineMa Zongyu, Lan Haichao, Song Ruoyang, Que Haixia( College of Automobile, Chang'an University, Shaanxi Xi'an 710064 )Abstract: Battery fault diagnosis is a very important technology in the battery management system. Aiming at the uncertain relationship between battery failure and battery output state quantity, fuzzy logic can be used to accurately describe the fuzzy relationship. Choose a suitable membership function to represent the output voltage and current signals, use fuzzy mathematics to represent the relationship between uncertain battery faults and battery output status, generate a fuzzy database, and use support vector machines to train and test the data.The result shows that the method has high accuracy. Keywords: Power battery; Fault diagnosis; Fuzzy logic; Support vector machineCLC NO.: U467 Document Code: B Article ID: 1671-7988(2021)02-05-03前言为缓解日益严重的全球能源和环境问题以及加快我国汽车产业转型升级、促进经济增长，发展新能源汽车已被提升到国家战略高度。

基于支持向量机的故障诊断方法研究近年来，基于机器学习的故障诊断方法已经成为了诊断领域的研究热点。

其中，支持向量机（Support Vector Machine, SVM）被广泛应用于故障诊断领域，并已经取得了不错的结果。

本文将对基于支持向量机的故障诊断方法进行研究，旨在探讨其优势和应用前景。

一、SVM的原理SVM是一种二分类模型，其目的是在特征空间中找到一个最优超平面，将不同类别的样本分开。

SVM的决策函数为：f（x）=sign（w·x+b）其中，w是法向量，b是偏置，x是特征向量，f（x）为预测值，sign（·）为符号函数。

SVM方法利用Kernel技巧将非线性问题转化为线性问题，进而解决二分类问题。

其核函数的选择在一定程度上决定了SVM的性能，不同的核函数适用于不同的数据分布。

二、基于SVM的故障诊断方法在故障诊断中，SVM主要应用于分类问题。

具体而言，将已知状态的数据分为正常数据和故障数据，通过训练建立分类模型。

其流程如下：（1）收集数据。

通过传感器、监控设备等手段，获取机器设备的运行参数，构成数据集。

（2）数据处理。

对数据进行预处理、特征提取等操作，建立特征向量。

（3）划分数据集。

将数据集划分为训练集和测试集，用训练集来训练模型，用测试集来测试模型的预测性能。

（4）模型训练。

利用SVM算法对训练集进行拟合，得到分类器。

（5）模型测试。

用测试集对分类器进行测试，评价模型的分类性能。

（6）模型优化。

在模型的训练和测试过程中，通过不断优化模型参数，提高模型的分类性能。

三、SVM在故障诊断中的优势（1）数据处理简单。

SVM对数据质量的要求不高，可以处理各种数据类型和数据分布，降低了对数据预处理的要求。

（2）分类性能强。

SVM可以非常有效地解决线性和非线性分类问题，且对噪声数据有较强的容错能力。

（3）适应小样本数据。

SVM对于数据量较小的情况下，仍然可以取得很好的分类效果。

（4）泛化能力强。

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。

基于支持向量机的滚动轴承故障诊断作者：刘宇卓来源：《科技资讯》 2014年第21期刘宇卓(中南大学信息科学与工程学院湖南长沙 410083)摘要:滚动轴承是各种机械设备中最常见的零部件,同时也是易损坏的零件之一。

机械的许多故障都与滚动轴承有关,它的运行状态是否正常往往直接影响到整台机器的性能。

因此开展对滚动轴承的故障诊断具有很现实的意义。

再分析了支持向量机的基本理论后,提出了基于支持向量机的滚动轴承故障诊断方法,并且进行了MATLAB仿真实验,验证支持向量机的诊断效果,实验结果表明此方式适用于滚动轴承故障诊断。

关键词:滚动轴承故障诊断支持向量机 MATLAB中图分类号:TH13 文献标识码:A 文章编号:1672-3791(2014)07(c)-0080-01滚动轴承是机械工业使用广泛、要求严格的配套件和基础件,被人们称为机械的关节。

由于使用范围广泛,决定了轴承品种的多样性和复杂性。

由于要求严,决定了轴承质量和性能的重要性。

本文的主题在于将支持向量机方法引入到滚动轴承故障诊断这一领域。

为轴承故障诊断技术提供一种方法,以期通过这种技术手段来提高轴承故障诊断效率。

1 滚动轴承故障常用的诊断方法滚动轴承故障诊断的方法很多,根据检测与诊断所采用的状态分量来分类,即按照测取信号的性质来分类,其诊断方法主要有温度检测法、油样分析法、噪声检测法和振动检测分析法等。

下面简单介绍一下前两种常用方法。

温度检测法就是如果滚动轴承存在缺陷,轴承的温度很快会发生变化,对滚动轴承进行温度检测的方法很早就用到。

但是,对于表面剥落或裂纹、压痕等轴承转动面上的局部损伤,在初期阶段几乎不可能利用温度变化检测出来。

因此,根据温度变化进行诊断,在实践中并不理想。

但是在工业现场,对滚动轴承的材料或润滑剂等制定温度界限,监视轴承在正常和异常状态下的温度范围,对维持轴承正常运行至关重要。

油样分析法就是当滚动轴承在工作时,滚道面与滚动体之间形成油膜,导致内圈和外圈之间有很大的电阻。

支持向量机在电网故障诊断中的应用案例支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，它在电网故障诊断中有着广泛的应用。

本文将介绍支持向量机在电网故障诊断中的应用案例，并探讨其优势和局限性。

电网故障是电力系统中常见的问题，它会导致供电中断、设备损坏甚至火灾等严重后果。

因此，准确、快速地诊断电网故障对于保障供电质量和安全至关重要。

传统的电网故障诊断方法主要依赖于专家经验和规则，但这种方法存在主观性强、依赖于专家经验等问题。

支持向量机是一种基于统计学习理论的机器学习方法，它通过在特征空间中构建一个最优超平面来实现分类或回归任务。

在电网故障诊断中，支持向量机可以利用历史故障数据和相关特征来训练模型，从而实现对新故障的自动诊断。

以电力变压器故障诊断为例，支持向量机可以通过分析电流、电压、温度等多个特征来判断变压器是否存在故障。

首先，收集一定时间内的变压器运行数据，并提取出相应的特征。

然后，利用这些特征训练支持向量机模型，使其能够学习到正常和故障状态下的特征分布。

最后，当新的变压器数据输入模型时，支持向量机可以根据特征的分布情况进行分类，从而实现对变压器故障的诊断。

支持向量机在电网故障诊断中有着许多优势。

首先，它能够处理高维特征空间的数据，适用于复杂的电网故障诊断问题。

其次，支持向量机具有较强的泛化能力，能够在训练样本有限的情况下准确地进行分类。

此外，支持向量机还能够处理非线性问题，通过核函数将数据映射到高维空间，从而实现非线性分类。

然而，支持向量机在电网故障诊断中也存在一些局限性。

首先，支持向量机对大规模数据的处理效率较低，训练时间较长，不适用于实时诊断场景。

其次，支持向量机对于噪声和异常数据较为敏感，需要对数据进行预处理和清洗。

此外，支持向量机的模型参数选择和核函数选择也需要一定的经验和调试。

综上所述，支持向量机在电网故障诊断中具有重要的应用价值。

它能够通过学习历史数据和相关特征，实现对新故障的自动诊断。