專利名稱：基于單類支持向量機(jī)的故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明主要涉及到故障檢測領(lǐng)域，特指一種采用單類支持向量機(jī)所進(jìn)行的故障診 斷，其主要適用于在已知狀態(tài)類別不完備、故障樣本有限的情況下，對各種機(jī)電設(shè)備正常狀 態(tài)、已知故障狀態(tài)和未知異常狀態(tài)的診斷。
背景技術(shù)：
支持向量機(jī)是Vapnik等人于上世紀(jì)90年代初提出的一種新的非線性模式識別方 法，該方法比傳統(tǒng)模式識別方法包括神經(jīng)網(wǎng)絡(luò)具有更好的分類精度和推廣能力。但是，標(biāo)準(zhǔn) 的支持向量機(jī)是兩類分類器，目前在利用支持向量機(jī)進(jìn)行故障診斷時(shí)，采用的方法是構(gòu)造 多個(gè)支持向量機(jī)兩類分類器，并按照一定的邏輯將它們組合起來，以實(shí)現(xiàn)多類分類。按照 組合邏輯，支持向量機(jī)故障診斷方法可以分為一對一方法、一對多方法、有向無環(huán)圖方法等 (參考文獻(xiàn)“Widodo AiYang B S. Review Support vector machine in machine condition monitoring and faultdiagnosis. Mechanical Systems and Signal Processing，2007， 21 =2560-2574/阿克麥得維多多，楊博蘇.綜述狀態(tài)監(jiān)測與故障診斷中的支持向量機(jī)方 法.機(jī)械系統(tǒng)與信號處理，2007，21:2560-2574”)。但是，上述這些方法要么需要構(gòu)造的支 持向量機(jī)數(shù)太多，要么訓(xùn)練樣本的重復(fù)使用率太高，都具有較大的計(jì)算復(fù)雜度。更主要的 是，上述這些方法無法實(shí)現(xiàn)對未知狀態(tài)的識別。因此，在已知的狀態(tài)類別不完備、故障樣本 有限的情況下，亟需采用新的方法實(shí)現(xiàn)對機(jī)電設(shè)備正常狀態(tài)、已知故障狀態(tài)和未知異常狀 態(tài)的診斷。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題就在于針對現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明提供一 種操作簡便、診斷效率高、診斷精度好、適用范圍廣、能夠識別未知異常狀態(tài)的基于單類支 持向量機(jī)的故障診斷方法。為解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案一種基于單類支持向量機(jī)的故障診斷方法，其特征在于，步驟為①.構(gòu)建特征樣本針對包括正常狀態(tài)在內(nèi)的m個(gè)已知狀態(tài)類別，利用測試數(shù)據(jù)分 別構(gòu)建用于不同狀態(tài)檢測的特征樣本；②.獲得單類支持向量機(jī)檢測器使用上述構(gòu)建的特征樣本分別訓(xùn)練單類支持向 量機(jī)，得到m個(gè)單類支持向量機(jī)檢測器；③.構(gòu)建故障診斷模型將上述得到的單類支持向量機(jī)檢測器串聯(lián)起來，形成樹 形結(jié)構(gòu)的故障診斷模型；④.故障診斷診斷時(shí)，將測試數(shù)據(jù)依次輸入到故障診斷模型中的單類支持向量 機(jī)檢測器內(nèi)，根據(jù)單類支持向量機(jī)檢測器對測試數(shù)據(jù)的輸出，實(shí)現(xiàn)對正常狀態(tài)、已知故障狀 態(tài)和未知異常狀態(tài)的決策。作為本發(fā)明的進(jìn)一步改進(jìn)
所述步驟①中，針對已知的診斷對象的不同狀態(tài)類ωk，借助各種振動(dòng)信號處理手 段，提取用于不同狀態(tài)檢測的訓(xùn)練樣本特征向量l，...，m，(O1表示正常狀態(tài) 類，ω2 ωω表示m-l種故障狀態(tài)類；xf中上標(biāo)k表示樣本特征向量是專用于檢測狀態(tài)類
的，k= 1，...，!11，下標(biāo)1表示樣本序列，1 = 1，...，隊(duì)，隊(duì)是第1^類樣本的個(gè)數(shù)。所述步驟②的具體流程為2. 1、根據(jù)單類支持向量機(jī)原理，分別利用m個(gè)狀態(tài)的訓(xùn)練特征樣本訓(xùn)練求解二次 優(yōu)化問題，即可得到用于檢測狀態(tài)的單類支持向量機(jī)檢測器；
NkNk最大化工《卞( )_Σ 足(<，4)⑴
Z=Ii,j=\滿足約束0《<《C，i = 1，· · ·，Nk (2a)
NkYj^ =\(2b)
i=l式中<、<是第k類樣本；af、《 是與樣本<、<對應(yīng)的拉格朗日乘子；K是核函數(shù)； C是用于平衡超球體積和誤差的松弛變量；2. 2、利用上述步驟中求解二次優(yōu)化問題得到拉格朗日乘子集...,%}，構(gòu)
造針對m個(gè)狀態(tài)類別的單類支持向量機(jī)決策函數(shù)； ΓNt_gk(zk)=雙4,心-2狄似-Xkb)
_ !=1 _
“Nt~- K(zk,ZkK(X^-Zk)(3)
_ i=l _其中Zk表示為第k類狀態(tài)構(gòu)建的測試樣本特征向量，式中<是單類支持向量機(jī)邊 界上的支持向量，對應(yīng)的拉格朗日乘子滿足0 <<< C。/(/) 20表示診斷對象處于第k類 狀態(tài)，gk(zk) < O表示診斷對象不處于第k類狀態(tài)。所述步驟④的具體流程為4. 1、對于未知狀態(tài)下的測試信號，構(gòu)建第一類檢測特征向量z1，輸入到第一個(gè)單 類支持向量機(jī)求解gHz1) ^gHz1)彡0，則判斷診斷對象正常，終止診斷過程；否則判斷診 斷對象異常，執(zhí)行步驟4. 2;4. 2、構(gòu)建第二類檢測特征向量z2，輸入到第二個(gè)單類支持向量機(jī)求解g2(z2)；若 g2(z2) >0，則判斷診斷對象出現(xiàn)了 ω2類故障，終止診斷過程；否則判斷診斷對象沒有出現(xiàn) ω 2類故障，執(zhí)行步驟4. 3;4. 3、按照上述步驟4. 2的做法判斷診斷對象是否出現(xiàn)了下一種已知故障，依次類 推，直至判斷出診斷對象是否處于已知的m個(gè)狀態(tài)；若診斷對象不處于任意已知的m個(gè)狀 態(tài)，則判斷診斷對象出現(xiàn)了未知的異常狀態(tài)，結(jié)束診斷過程。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于單類支持向量機(jī)將樣本空間劃分為已知區(qū) 域和未知區(qū)域，本發(fā)明能夠通過串聯(lián)起來的單類支持向量機(jī)識別未知的新異類狀態(tài)，由于 多個(gè)單類支持向量機(jī)的組合采用的是串聯(lián)機(jī)制，因此不存在不可分區(qū)域；同時(shí)，由于每個(gè)狀 態(tài)的識別都只需一個(gè)單類支持向量機(jī)，因此本發(fā)明需要訓(xùn)練的單類支持向量機(jī)個(gè)數(shù)和分類 時(shí)需要使用的單類支持向量機(jī)個(gè)數(shù)少，都為m個(gè)；由于本發(fā)明中每類樣本只參與訓(xùn)練一個(gè)
5單類支持向量機(jī)，因此訓(xùn)練樣本的重復(fù)使用率低。


圖1是本發(fā)明的診斷流程示意圖；圖2是應(yīng)用實(shí)例中渦輪泵某次試車TN618的氧泵切向振動(dòng)信號示意圖；圖3是應(yīng)用實(shí)例中振動(dòng)信號與徑向振動(dòng)信號的相干系數(shù)的時(shí)間歷程示意圖；圖4是應(yīng)用實(shí)例中正常狀態(tài)下TN618試車氧泵切向振動(dòng)信號的頻譜示意圖；圖5是應(yīng)用實(shí)例中傳感器故障時(shí)TN618次試車氧泵切向振動(dòng)信號的頻譜示意圖；圖6是應(yīng)用實(shí)例中TN618次試車氧泵切向振動(dòng)信號頻譜的標(biāo)準(zhǔn)差示意圖；圖7是應(yīng)用實(shí)例中渦輪泵的串聯(lián)單類支持向量機(jī)故障診斷模型；圖8是應(yīng)用實(shí)例中第一個(gè)單類支持向量機(jī)對振動(dòng)信號的輸出示意圖；圖9是應(yīng)用實(shí)例中第二個(gè)單類支持向量機(jī)對振動(dòng)信號的輸出示意圖。
具體實(shí)施例方式以下將結(jié)合說明書附圖和具體實(shí)施例對本發(fā)明做進(jìn)一步詳細(xì)說明。如圖1所示，本發(fā)明基于單類支持向量機(jī)的故障診斷方法，其步驟為①.構(gòu)建特征樣本針對包括正常狀態(tài)在內(nèi)的m個(gè)已知狀態(tài)類別，利用測試數(shù)據(jù)分 別構(gòu)建用于不同狀態(tài)檢測的特征樣本；②.獲得單類支持向量機(jī)檢測器使用上述構(gòu)建的特征樣本分別訓(xùn)練單類支持向 量機(jī)，得到m個(gè)單類支持向量機(jī)檢測器；③.構(gòu)建故障診斷模型將上述得到的單類支持向量機(jī)檢測器串聯(lián)起來，形成樹 形結(jié)構(gòu)的故障診斷模型；④.故障診斷診斷時(shí)，將測試數(shù)據(jù)依次輸入到故障診斷模型中的單類支持向量 機(jī)檢測器內(nèi)，根據(jù)單類支持向量機(jī)檢測器對測試數(shù)據(jù)的輸出，實(shí)現(xiàn)對正常狀態(tài)、已知故障狀 態(tài)和未知異常狀態(tài)的決策。上述步驟①中，針對已知的診斷對象的不同狀態(tài)類ωk，借助各種振動(dòng)信號處理手 段，提取用于不同狀態(tài)檢測的訓(xùn)練樣本特征向量l，...，m，(O1表示正常狀態(tài) 類，ω2 ωω表示m-l種故障狀態(tài)類；xf中上標(biāo)k表示樣本特征向量是專用于檢測狀態(tài)類
的，k= 1，...，!11，下標(biāo)1表示樣本序列，1 = 1，...，隊(duì)，隊(duì)是第1^類樣本的個(gè)數(shù)。上述步驟②的具體流程為2. 1、根據(jù)單類支持向量機(jī)原理，分別利用m個(gè)狀態(tài)的訓(xùn)練特征樣本訓(xùn)練求解二次 優(yōu)化問題，即可得到用于檢測狀態(tài)的單類支持向量機(jī)檢測器；
NkNt最大化 滿足約束0《<《C，i = 1，· · ·，Nk (2a)
Nk
(2b)

式中<、<是第k類樣本；af、《 是與樣本<、<對應(yīng)的拉格朗日乘子；K是核函數(shù)； C是用于平衡超球體積和誤差的松弛變量；
6
2. 2、利用上述步驟中求解二次優(yōu)化問題得到拉格朗日乘子集{<，/=1, ...,%}，構(gòu)
造針對m個(gè)狀態(tài)類別的單類支持向量機(jī)決策函數(shù)； ΓNt_ 其中Zk表示為第k類狀態(tài)構(gòu)建的測試樣本特征向量，式中 <是單類支持向量機(jī)邊 界上的支持向量，對應(yīng)的拉格朗日乘子滿足0 <<< C。/(/) 20表示診斷對象處于第k類 狀態(tài)，gk(zk) < 0表示診斷對象不處于第k類狀態(tài)。上述步驟④的具體流程為4. 1、對于未知狀態(tài)下的測試信號，構(gòu)建第一類檢測特征向量z1，輸入到第一個(gè)單 類支持向量機(jī)求解gHz1) ^gHz1)彡0，則判斷診斷對象正常，終止診斷過程；否則判斷診 斷對象異常，執(zhí)行步驟4. 2;4. 2、構(gòu)建第二類檢測特征向量z2，輸入到第二個(gè)單類支持向量機(jī)求解g2(z2)；若 g2(z2) >0，則判斷診斷對象出現(xiàn)了 ω2類故障，終止診斷過程；否則判斷診斷對象沒有出現(xiàn) ω 2類故障，執(zhí)行步驟4. 3;4. 3、按照上述步驟4. 2的做法判斷診斷對象是否出現(xiàn)了下一種已知故障，依次類 推，直至判斷出診斷對象是否處于已知的m個(gè)狀態(tài)；若診斷對象不處于任意已知的m個(gè)狀 態(tài)，則判斷診斷對象出現(xiàn)了未知的異常狀態(tài)，結(jié)束診斷過程。本發(fā)明不同于現(xiàn)有的支持向量機(jī)故障診斷方法，現(xiàn)有的支持向量機(jī)故障診斷方法 將支持向量機(jī)兩類分類器組合起來實(shí)現(xiàn)多種的狀態(tài)的識別，而本發(fā)明組合單類支持向量機(jī) 實(shí)現(xiàn)多類分類。應(yīng)用實(shí)例下面以某型液體火箭發(fā)動(dòng)機(jī)渦輪泵的故障診斷為例來說明本發(fā)明的具 體實(shí)施方式。液體火箭發(fā)動(dòng)機(jī)是航天器的推進(jìn)系統(tǒng)，一旦發(fā)生故障，將對航天器飛行任務(wù)的 完成產(chǎn)生致命影響，造成巨大的經(jīng)濟(jì)損失甚至人員傷亡。由于液體火箭發(fā)動(dòng)機(jī)渦輪泵的工 作條件極其惡劣，因此渦輪泵故障在整個(gè)航天器故障中所占的比例較高。因此，針對液體火 箭發(fā)動(dòng)機(jī)渦輪泵開展?fàn)顟B(tài)監(jiān)測與故障診斷對于提高火箭發(fā)動(dòng)機(jī)運(yùn)行的安全性具有重要意 義。像液體火箭發(fā)動(dòng)機(jī)渦輪泵這種復(fù)雜的機(jī)械系統(tǒng)，可能發(fā)生的故障狀態(tài)很多。而目 前，對于某型液體火箭發(fā)動(dòng)機(jī)渦輪泵，已知的、已有數(shù)據(jù)積累的狀態(tài)模式只有m= 3類，包括 正常狀態(tài)Q1、傳感器故障ω2和渦輪葉片脫落故障ω3。如果組合支持向量機(jī)兩類分類器 對渦輪泵進(jìn)行故障診斷，只能將未知狀態(tài)判斷成正常狀態(tài)、傳感器故障或葉片脫落故障，而 不能有效地區(qū)分已知故障和未知故障。而且組合支持向量機(jī)兩類分類器對渦輪泵進(jìn)行故障診斷時(shí)，計(jì)算效率也不高。訓(xùn) 練一個(gè)支持向量機(jī)或單類支持向量機(jī)的時(shí)間，也就是求解二次優(yōu)化問題的計(jì)算時(shí)間是可以 近似表示為t= ε Ny，其中ε是常數(shù)，N為訓(xùn)練樣本個(gè)數(shù)，參數(shù)γ與采用的優(yōu)化方法相關(guān)， Y 義 1 3. 4 (參考文獻(xiàn)“Piatt J. Sequential minimal Optimization :A fast algorithm for training support vectormachines. Technical report MSR-TR-98—14，MicrosoftResearch，1998/約翰布萊特.序貫最小優(yōu)化算法一種用于訓(xùn)練支持向量機(jī)的快速算 法.技術(shù)報(bào)告MST-TR-98-14，微軟研究，1998”)。假設(shè)、=2，采用支持向量機(jī)一對一分 類方法、一對多分類方法和有向無環(huán)圖方法進(jìn)行故障診斷時(shí)，需要構(gòu)造的支持向量機(jī)個(gè)數(shù)、 每個(gè)支持向量機(jī)的訓(xùn)練樣本數(shù)(參考文獻(xiàn)“Widodo A, YangB S. Review =Support vector machine in machine condition monitoring and fault diagnosis. Mechanical Systems and Signal Processing，2007，21 :2560_2574/阿克麥得維多多，楊博蘇.綜述狀態(tài)監(jiān)測 與故障診斷中的支持向量機(jī)方法.機(jī)械系統(tǒng)與信號處理，2007，21:2560-2574”)以及診斷 模型的訓(xùn)練時(shí)間如表1所示。采用本發(fā)明基于單類支持向量機(jī)的故障診斷方法，需要構(gòu)建的單類支持向量機(jī)個(gè) 數(shù)是m = 3個(gè)，每個(gè)支持向量機(jī)的訓(xùn)練樣本數(shù)是N= 200個(gè)，診斷模型訓(xùn)練時(shí)間me (N) γ = 3 ε (200)2 = 120000 ε，遠(yuǎn)小于支持向量機(jī)診斷模型的訓(xùn)練時(shí)間。當(dāng)然，這里已知的狀態(tài)類 別只有m = 3類，當(dāng)m更大時(shí)，本發(fā)明基于單類支持向量機(jī)的故障診斷方法在計(jì)算效率方面 的優(yōu)勢將更明顯。表1 三種支持向量機(jī)故障診斷方法的訓(xùn)練時(shí)間 下面以傳感器故障為例，說明采用基于單類支持向量機(jī)的故障診斷方法對渦輪泵 進(jìn)行故障診斷時(shí)的實(shí)施步驟步驟1 提取渦輪泵已知狀態(tài)的特征，構(gòu)建用于已知狀態(tài)的訓(xùn)練樣本特征集。在渦輪泵出現(xiàn)故障時(shí)，渦輪泵產(chǎn)生的壓力會(huì)出現(xiàn)很大的沖擊，振動(dòng)信號的波形和 能量會(huì)發(fā)生變化，這些變化可以用時(shí)域統(tǒng)計(jì)特征中的方均根值RMS、峭度因子Kf和裕度因 子Cf來描述，因此以正常狀態(tài)下振動(dòng)信號的方均根值RMS、峭度因子Kf和裕度因子Cf為特 征，為正常狀態(tài)Q1的識別構(gòu)建200個(gè)訓(xùn)練三維特征樣本χ丨，i = 1，...，200。傳感器故障的診斷對于渦輪泵狀態(tài)監(jiān)測具有重要意義，原因在于目前渦輪泵故障 監(jiān)測主要采用的是時(shí)域統(tǒng)計(jì)特征，傳感器發(fā)生故障時(shí)，時(shí)域統(tǒng)計(jì)特征也會(huì)發(fā)生顯著的變化， 造成監(jiān)測系統(tǒng)錯(cuò)誤地將傳感器故障判為渦輪泵故障，造成虛警。因此在診斷渦輪泵故障時(shí)， 必須首先排除傳感器故障。傳感器發(fā)生故障時(shí)，除了時(shí)域統(tǒng)計(jì)特征的變化外，不同通道測量 得到的振動(dòng)信號的相關(guān)性也會(huì)顯著降低，同時(shí)，在振動(dòng)信號的頻譜中，各種頻率成分也會(huì)消 失。因此以傳感器故障狀態(tài)下，振動(dòng)信號與其它通道振動(dòng)信號的相干系數(shù)和振動(dòng)信號中頻 帶的幅值標(biāo)準(zhǔn)差為特征，為傳感器故障ω2的識別構(gòu)建200個(gè)二維特征樣本xf ,1 = 1,..., 200。圖2所示是某次試車ΤΝ618的振動(dòng)信號，其中氧泵切向振動(dòng)信號在91. 58s和103. 80s處發(fā)生了兩次傳感器故障。氧泵切向振動(dòng)信號與徑向振動(dòng)信號相干系數(shù)如圖3所示。TN618 次試車進(jìn)行到86. 18s和92. 73s時(shí)，氧泵切向振動(dòng)信號的頻譜分別如圖4和圖5所示。切 向振動(dòng)信號頻譜的標(biāo)準(zhǔn)差如圖6所示。由圖3和圖6可以看出，這兩個(gè)特征可以有效地映 射傳感器故障。由于某型液體火箭發(fā)動(dòng)機(jī)渦輪泵的兩級葉片分別是6個(gè)和12個(gè)，葉片脫落時(shí)，振 動(dòng)信號的3倍頻分量、6倍頻分量和12倍頻分量就會(huì)發(fā)生改變，因此以振動(dòng)信號3倍頻分 量、6倍頻分量和12倍頻分量為特征?？紤]到葉片脫落時(shí)，由于故障程度不同，故障特征頻 率分量在數(shù)值上不具有一致性，因此以正常狀態(tài)下振動(dòng)信號的3倍頻分量、6倍頻分量和12 倍頻分量為特征，為葉片脫落故障的識別構(gòu)建200個(gè)三維特征樣本xf ,i = l,...，200。步驟2 分別使用三種特征樣本訓(xùn)練式(1)和式(2)表示的單類支持向量機(jī)，得到 三個(gè)單類支持向量機(jī)的拉格朗日乘子<、％2和<，i = 1，. . .，200。步驟3 將步驟2)求解二次優(yōu)化問題得到拉格朗日乘子集{<，/=1, ...,%}，帶入 式(3)，構(gòu)造三個(gè)已知狀態(tài)類別的單類支持向量機(jī)檢測器決策函數(shù)gi、g2和g3。步驟4:將三個(gè)單類支持向量機(jī)檢測器串聯(lián)，形成如圖7所示的診斷模型。步驟5 對于未知狀態(tài)下的測試信號，構(gòu)建第一類檢測特征向量z1，輸入到第一個(gè) 單類支持向量機(jī)求解gHz1)。Sg1(Z)彡0，則判斷診斷對象正常，終止診斷過程；否則判 斷診斷對象異常，執(zhí)行步驟6，將測試數(shù)據(jù)輸入到下一個(gè)檢測器。圖8所示為第一個(gè)單類支 持向量機(jī)對TN618次試車氧泵切向振動(dòng)的輸出。從圖8中可以看出，g1檢測出振動(dòng)信號出 現(xiàn)了異常，要執(zhí)行步驟6。步驟6 構(gòu)建第二類檢測特征向量z2，輸入到第二個(gè)單類支持向量機(jī)求解g2(z2)。 若g2(z2) ^ 0，則判斷傳感器發(fā)生了故障，終止診斷過程；否則判斷第5步檢測到的異常不 是傳感器故障造成的，執(zhí)行步驟7，將測試數(shù)據(jù)輸入到下一個(gè)檢測器。圖9所示為第二個(gè)單 類支持向量機(jī)對TN618次試車氧泵切向振動(dòng)的輸出。從圖9中可以看出，g2檢測出振動(dòng)信 號異常屬于傳感器故障，終止診斷過程，無需再執(zhí)行步驟7。步驟7 構(gòu)建第三類檢測特征向量z3，輸入到第三個(gè)單類支持向量機(jī)求解g3(z3)。 由于葉片脫落故障檢測器是使用正常樣本訓(xùn)練的，因此當(dāng)g3 (ζ3) < 0時(shí)，判斷渦輪泵發(fā)生了 葉片脫落故障，否則當(dāng)g3(z3) ^ 0時(shí)，判斷渦輪泵出現(xiàn)了其它未知的異常狀況，終止診斷過程。以上僅是本發(fā)明的優(yōu)選實(shí)施方式，本發(fā)明的保護(hù)范圍并不僅局限于上述實(shí)施例， 凡屬于本發(fā)明思路下的技術(shù)方案均屬于本發(fā)明的保護(hù)范圍。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的 普通技術(shù)人員來說，在不脫離本發(fā)明原理前提下的若干改進(jìn)和潤飾，應(yīng)視為本發(fā)明的保護(hù) 范圍。
9
權(quán)利要求
一種基于單類支持向量機(jī)的故障診斷方法，其特征在于，步驟為①.構(gòu)建特征樣本針對包括正常狀態(tài)在內(nèi)的m個(gè)已知狀態(tài)類別，利用測試數(shù)據(jù)分別構(gòu)建用于不同狀態(tài)檢測的特征樣本；②.獲得單類支持向量機(jī)檢測器使用上述構(gòu)建的特征樣本分別訓(xùn)練單類支持向量機(jī)，得到m個(gè)單類支持向量機(jī)檢測器；③.構(gòu)建故障診斷模型將上述得到的單類支持向量機(jī)檢測器串聯(lián)起來，形成樹形結(jié)構(gòu)的故障診斷模型；④.故障診斷診斷時(shí)，將測試數(shù)據(jù)依次輸入到故障診斷模型中的單類支持向量機(jī)檢測器內(nèi)，根據(jù)單類支持向量機(jī)檢測器對測試數(shù)據(jù)的輸出，實(shí)現(xiàn)對正常狀態(tài)、已知故障狀態(tài)和未知異常狀態(tài)的決策。
2.根據(jù)權(quán)利要求1所述的基于單類支持向量機(jī)的故障診斷方法，其特征在于所述步 驟①中，針對已知的診斷對象的不同狀態(tài)類《k，借助各種振動(dòng)信號處理手段，提取用于不 同狀態(tài)檢測的訓(xùn)練樣本特征向量中k = 1，. . .，m，Q1表示正常狀態(tài)類，ω2 COm 表示m-1種故障狀態(tài)類；xf中上標(biāo)k表示樣本特征向量是專用于檢測狀態(tài)類Ok的，k = 1，. . .，m，下標(biāo)i表示樣本序列，i = 1，. . .，Nk，Nk是第k類樣本的個(gè)數(shù)。
3.根據(jù)權(quán)利要求2所述的基于單類支持向量機(jī)的故障診斷方法，其特征在于，所述步 驟②的具體流程為2. 1、根據(jù)單類支持向量機(jī)原理，分別利用m個(gè)狀態(tài)的訓(xùn)練特征樣本訓(xùn)練求解二次優(yōu)化 問題，即可得到用于檢測狀態(tài)的單類支持向量機(jī)檢測器；NkNt最大化；Y^KixUx^-Y^c^KixUx^(1)滿足約束0《af《c，i = Y”..,Nk(2a)NtJX=I(2b)i=l式中xf、x丨是第k類樣本；<、α丨是與樣本xf、劣對應(yīng)的拉格朗曰乘子；K是核函數(shù)； C是用于平衡超球體積和誤差的松弛變量；2. 2、利用上述步驟中求解二次優(yōu)化問題得到拉格朗日乘子集...,%}，構(gòu)造針對m個(gè)狀態(tài)類別的單類支持向量機(jī)決策函數(shù)；ΓNt_gk(zk)= K(XlXkb)-!^ K(X^-Xkb)_ !=1 _“Nt~-K(z\zk)-IY4^K(X^-Zk)(3)_ i=\ _其中zk表示為第k類狀態(tài)構(gòu)建的測試樣本特征向量，式中<是單類支持向量機(jī)邊界上 的支持向量，對應(yīng)的拉格朗日乘子滿足O << <C 0gk(zk)彡O表示診斷對象處于第k類狀 態(tài)，gk(zk) < O表示診斷對象不處于第k類狀態(tài)。
4.根據(jù)權(quán)利要求3所述的基于單類支持向量機(jī)的故障診斷方法，其特征在于，所述步 驟④的具體流程為4.1、對于未知狀態(tài)下的測試信號，構(gòu)建第一類檢測特征向量z1，輸入到第一個(gè)單類支持向量機(jī)求解gHz1)；若g^z1)彡0，則判斷診斷對象正常，終止診斷過程；否則判斷診斷對 象異常，執(zhí)行步驟4. 2;；4.2、構(gòu)建第二類檢測特征向量z2，輸入到第二個(gè)單類支持向量機(jī)求解g2(z2)；若 g2(z2) >0，則判斷診斷對象出現(xiàn)了 ω2類故障，終止診斷過程；否則判斷診斷對象沒有出現(xiàn) ω 2類故障，執(zhí)行步驟4. 3;；4.3、按照上述步驟4. 2的做法判斷診斷對象是否出現(xiàn)了下一種已知故障，依次類推， 直至判斷出診斷對象是否處于已知的m個(gè)狀態(tài)；若診斷對象不處于任意已知的m個(gè)狀態(tài)，則 判斷診斷對象出現(xiàn)了未知的異常狀態(tài)，結(jié)束診斷過程。
全文摘要
一種基于單類支持向量機(jī)的故障診斷方法，其步驟為①.構(gòu)建特征樣本針對包括正常狀態(tài)在內(nèi)的m個(gè)已知狀態(tài)類別，利用測試數(shù)據(jù)分別構(gòu)建用于不同狀態(tài)檢測的特征樣本；②.獲得單類支持向量機(jī)檢測器使用特征樣本分別訓(xùn)練單類支持向量機(jī)，得到m個(gè)單類支持向量機(jī)檢測器；③.構(gòu)建故障診斷模型將上述得到的單類支持向量機(jī)檢測器串聯(lián)起來，形成樹形結(jié)構(gòu)的故障診斷模型；④.故障診斷診斷時(shí)，將測試數(shù)據(jù)依次輸入到故障診斷模型中的單類支持向量機(jī)檢測器內(nèi)，根據(jù)單類支持向量機(jī)檢測器對測試數(shù)據(jù)的輸出，實(shí)現(xiàn)對正常狀態(tài)、已知故障狀態(tài)和未知異常狀態(tài)的決策。本發(fā)明具有操作簡便、診斷效率高、診斷精度好、適用范圍廣、能夠識別未知異常狀態(tài)等優(yōu)點(diǎn)。
文檔編號F04B51/00GK101907088SQ20101018489
公開日2010年12月8日 申請日期2010年5月27日 優(yōu)先權(quán)日2010年5月27日
發(fā)明者夏魯瑞, 王珉, 秦國軍, 程哲, 胡蔦慶, 胡雷, 陳敏 申請人:中國人民解放軍國防科學(xué)技術(shù)大學(xué)