多元支持向量機(jī)在故障診斷中的應(yīng)用

1、多元支持向量機(jī)在故障診斷中的應(yīng)用摘要：為了克服傳統(tǒng)分類(lèi)器訓(xùn)練時(shí)需要大量特征樣本的缺點(diǎn)，設(shè)計(jì)了一種基于多元支持向量機(jī)（MSVM）的離心式壓縮機(jī)轉(zhuǎn)子故障診斷分類(lèi)器。支持向量機(jī)是一種新的機(jī)器學(xué)習(xí)方法，在小樣本和高維二元分類(lèi)方面有非常突出的優(yōu)點(diǎn)。實(shí)驗(yàn)證明，依據(jù)此優(yōu)點(diǎn)設(shè)計(jì)的MSVM分類(lèi)器模型不僅可以在小樣本情形下對(duì)模型進(jìn)行快速訓(xùn)練，并且可以快速識(shí)別多種故障類(lèi)型，同時(shí)識(shí)別率也比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法有較大提高，從而達(dá)到提高設(shè)備監(jiān)測(cè)和故障診斷效率的目的。

2、關(guān)鍵詞：多元支持向量機(jī)離心式壓縮機(jī)故障診斷TheApplicationofMultiSupptVectMachinesinFaultDiagnosisfCompresssYuHuiyuan（WellTechR&DInstitutes，COSL，Yanjiao065201，China）Abstract：Fsolvingthedefectoftraditionalclassificatywithmanysamples，anewclassif

3、icatyrecognizingfaultsbasedonMultiSupptVectMachine（MSVM）isproposedfcentrifugalcompresss.SVMisanewmachinestudymethodwhichhasexcellentadvantagesinsmallsamplemultidimensionbinaryclassification.ThenewMSVMclassificatycanbestu

4、diedinafewsamplesrapidlytorecognizeseveralkindsofnewfaults.Atthe支持向量機(jī)不同于神經(jīng)網(wǎng)絡(luò)基于經(jīng)驗(yàn)的算法，它是實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的一種學(xué)習(xí)算法，是利用核函數(shù)把特征樣本映射到高維特征空間，然后在此空間中構(gòu)造分類(lèi)間隔最大的線(xiàn)性分類(lèi)超平面，所以支持向量機(jī)比較適合于小樣本數(shù)據(jù)的分類(lèi)。其基本思想如圖1所示，圖中圓點(diǎn)和三角點(diǎn)分別表示兩類(lèi)訓(xùn)練樣本，H為把兩類(lèi)樣本完全無(wú)誤分開(kāi)的分類(lèi)線(xiàn)，H

5、1、H2分別為通過(guò)樣本中離分類(lèi)線(xiàn)最近的樣本且平行于分類(lèi)線(xiàn)的直線(xiàn)，它們之間的間隔為分類(lèi)間隔，圖中的樣本點(diǎn)就是支持向量。該最優(yōu)面不但可將兩類(lèi)樣本無(wú)誤的分開(kāi)，而且還要使分類(lèi)間隔最大。前者保證經(jīng)驗(yàn)風(fēng)險(xiǎn)最小，后者使問(wèn)題的真實(shí)風(fēng)險(xiǎn)最小[4]。不同的核函數(shù)將導(dǎo)致不同的支持向量機(jī)算法，常見(jiàn)的核函數(shù)包括多項(xiàng)式內(nèi)積函數(shù)、徑向基函數(shù)、S型內(nèi)積函數(shù)等[5]。三、基于MSVM的故障識(shí)別分類(lèi)器（一）基于MSVM的故障識(shí)別分類(lèi)模型由于SVM是二元分類(lèi)器，診斷過(guò)程中，

6、故障通常有多種類(lèi)型。要對(duì)多種故障模式進(jìn)行識(shí)別，必須構(gòu)造一種多元分類(lèi)器才能進(jìn)行這種多種模式的識(shí)別。通常通過(guò)組合多個(gè)兩類(lèi)分類(lèi)器的方法來(lái)實(shí)現(xiàn)多值分類(lèi)器的分類(lèi)，目前此類(lèi)方法主要有以下幾類(lèi)算法：一對(duì)一算法（oneagainstone，簡(jiǎn)稱(chēng)1v1）、一對(duì)多算法（oneversusrest，簡(jiǎn)稱(chēng)1vr）和決策導(dǎo)向無(wú)環(huán)圖算法（DecisionDirectedAcyclicGraph，DDAG）等幾種，可參見(jiàn)文獻(xiàn)[5，6]。通過(guò)比較分析，筆者采用一對(duì)一方