一种基于SVM的航舵故障诊断方法
基于SVM的航空发动机滚动轴承故障诊断技术研究
存 在 （Ａ， ７ ｂ）使 （ ． ， Ｗ
・
＋ ６＞ ０） ∈ Ｃ ａｓ ， ，Ｖ ｌｓｌ
（ ・ ＋ ｂ ０ Ｖ ∈ Ｃｌ ｓ ２ Ｗ ＜７ ）， ａｓ 。
已大 大 超 过 设 计 寿 命 而 依 然 能 完 好 地 下作 ． 有 的 轴 承 远 而
未 达 到设 计 寿 命 就 Ｌ观 各 种 故 障 。 ¨ 此 ， 究 航 窄 发 动 研
・
３ ・ ０
文 章 编 号 ： ０ ２ ６ ８ （ ０ ８ ０ — ０ ３ ０ １０ … ８ ６ ２ ０ ） ５ ０ ０ ３
基于 Ｓ ＶＭ 的 航 空 发 动 机 滚 动 轴 承 故 障诊 断 技 术 研 究
童建春 。 宋奕 。 防震 曹
（ 军 航 空 兵 学 院 机 械 ２ 程 系 ， 京 １ １ ３） 陆 ｒ ＿ 北 ０ｌ ２
关键 词 ： 承 故 障 诊 断 支持 向量机 轴
中 图分 类 号 ： ２ － ． Ｖ２ ９ Ｆ １ 一 文献 标 识 码 ： Ａ
Ｆａｕｌ Ｄｉ ｇｎｏ ｉ ｒ 。 ｎｇ ｎ ｏ ｌｎｇ Ｂｅ ｒｎｇ Ｂａｓ ｄ ｏｎ Ｓｕｐ ｔ ａ ｓｓｏｆＡｅ ｏ ｅ ｉ ｅ Ｒ ｌｉ ａ ｉ ｅ ｐｏｒ ｃ ｏｒ Ｍ ａ ｈｉ ｅ ｔ Ｖｅ ｔ ｃ ｎ
分 类 的 目的 是 寻 求 （ ６ 使 最 优 分 类 面 满 足 分 类 间 叫， ）
隔最大 。并且对 （ ， ） 行 如下约 束 ： ｕ， 进 ６
机 滚 动 轴 承 故 障 诊 断 技 术 对 提 高 航 发 动 机 安 全 可 靠 工 作 具 有 重 大 的科 学 意 义 ＋ ｆ ｎ＝ｌ Ｗ・ ＝１
１ 支 持 向 量 机 的 原 理
支 持 向量 机 （ ＶＭ ．ｕ ｐ ｒ Ｖｅｔｒ ａｈｎ ） 统 计 Ｓ Ｓ ｐ ｏｔ ｃｏ ｃ ｉｅ 是 Ｍ
基于SVM和深度学习的飞机故障诊断技术研究
基于SVM和深度学习的飞机故障诊断技术研究近年来，飞行安全一直是航空业界的重点关注对象。
飞机故障诊断技术被广泛应用于飞机维修中，它可以精准地检测并定位飞机的故障，并进行快速有效的维修。
本文将探讨基于支持向量机（SVM）和深度学习技术的飞机故障诊断技术，分析其优缺点，并探讨其在实际应用中的局限性和未来发展方向。
SVM是一种经典的机器学习算法，它可以对数据进行分类和回归预测。
在飞机故障诊断中，SVM可以通过学习已知数据集，建立一个分类器，对未知数据进行分类，预测故障的类型和位置。
一个普遍的方法是将一些特征值，如振动、温度等，提取出来，作为输入数据，SVM模型将根据这些特征值，判断出故障的类型和位置。
与SVM相比，深度学习技术（如神经网络）在飞机故障诊断方面将具有更好的适应性和预测能力。
深度学习技术可以深入挖掘输入数据中的复杂特征，从而更准确地判断飞机故障。
此外，深度学习技术的模型具有很好的泛化能力，在输入数据在一定程度上发生变化时，依然能够具有良好的预测性能。
在实际应用中，SVM和深度学习技术都有着各自的优缺点。
SVM的优点是计算速度较快，可解释性强，适用于小型数据集。
但SVM在应对非线性问题时表现不佳。
深度学习技术的优点是可以处理非线性问题，具有较强的存储能力和拟合能力，适用于大型数据集。
但深度学习技术存在训练时间长、超参数难以调节等问题。
综合比较来看，应根据实际情况选择适合的方法。
虽然SVM和深度学习技术都能够应用于飞机故障诊断中，但其应用也具有一定的局限性。
飞机故障诊断数据的获取难度较大，数据量也比较有限，这就限制了机器学习技术的潜力。
同时，在实际应用中，机器学习所建立的模型可能会出现过拟合、欠拟合等情况，需要加以解决。
此外，对于某些比较复杂的故障，机器学习技术仍然有较大的局限性。
未来，随着数据采集技术和机器学习技术的不断发展，飞机故障诊断技术将更加智能化。
可基于飞机内部各种传感器采集的数据，通过建立智能化的诊断模型，实现对飞机的实时监测、预警和诊断。
基于稀疏表示和SVM的航空发动机故障诊断
Fault Diagnosis of Aircraft Engines Based on Sparse Representation and SVM
GONG Meng-lin , CHEN Wei , ZHONG Ye-pan , DU Wei , LI Si-lu , LIANG Tao
( Air Force Engineering University, Xi’ an, 710038, China )
（ 空军工程大学，西安 710038 ）
摘要 ： 针对某型航空发动机减速器一级齿轮毂断裂问题， 考虑其不易拆卸的特点， 提出基于信号稀疏表示和支持 向量机 （Support Vector Machine, SVM） 的故障诊断算法。首先， 利用稀疏表示提取出最大和次大的稀疏系数作为特征 向量。其次， 选取支持向量机进行故障识别， 在小样本学习条件下保持了较高的识别准确率。通过对简易减速器和航 空发动机振动信号的分析证明了所提算法的有效性及其在工程应用中的价值。 关键词 ： 振动与波； 航空发动机； 故障诊断； 稀疏表示； 支持向量机 中图分类号 ： O422.6 文献标识码 ： A DOI 编码 ： 10.3969/j.issn.1006-1355.2017.03.032
Abstract : Considering the dismantling difficulty of the reducer of an aircraft engine and the necessity of the crack detection in its first grade gear hub, a fault diagnosis method based on sparse representation and support vector machine (SVM) is proposed. Firstly, the sparse representation is used to extract the largest and the secondary largest sparse factors as the feature vectors. Then, the fault is recognized using SVM, which maintains the high recognition accuracy under small training sample capacity condition. The analysis of vibration signals from a simple reducer and an aero- engine proves the efficiency and engineering application value of the proposed method. Key words : vibration and wave; aircraft engine; fault diagnosis; sparse representation; SVM
基于svm和emd包络谱的滚动轴承故障诊断方法
基于svm和emd包络谱的滚动轴承故障诊断方法基于SVM（支持向量机）和EMD（经验模态分解）包络谱的滚动轴承故障诊断方法是一种常用的故障预测和诊断方法。
该方法结合了SVM和EMD的优点，可以有效地提高滚动轴承的诊断准确性和鲁棒性。
滚动轴承是机械设备中常见的关键元件之一，其正常运行对设备的可靠性和工作效率至关重要。
然而，由于工作条件的复杂性和机械磨损等因素，滚动轴承容易出现故障。
因此，开发一种可靠的滚动轴承故障诊断方法对于预防设备故障和提高设备可靠性具有重要意义。
SVM是一种基于统计学习理论的监督学习算法，可用于分类和回归问题。
其核心思想是构建一个能够将样本数据有效划分到不同类别的超平面。
在滚动轴承故障诊断中，可以使用SVM对不同工作状态下采集的特征数据进行分类，进而判断轴承是否存在故障。
然而，传统的SVM方法存在以下问题：一是难以处理高维特征数据，滚动轴承故障诊断常常涉及到大量的振动数据；二是难以处理非线性特征数据，滚动轴承的振动信号一般具有非线性特征。
为了克服这些问题，可以引入EMD包络谱分析方法。
EMD是一种基于信号的同态分解方法，可以将非线性和非平稳信号分解成一组称为固有模态函数（IMF）的分量。
EMD分解可以提取出滚动轴承振动信号中的故障特征，并将其转化为能量谱。
然后，可以对能量谱进行特征提取，得到一组能够反映滚动轴承状态的特征向量。
在基于SVM和EMD包络谱的滚动轴承故障诊断方法中，首先对滚动轴承振动信号进行EMD包络谱分析，得到能量谱。
然后，从能量谱中提取特征向量。
特征向量可以包括幅值特征、频率特征、谱形特征等。
接下来，将提取的特征向量输入至SVM分类器中，对滚动轴承的故障状态进行分类。
最后，根据分类结果，可以判断轴承是否存在故障，并进行后续的维护和修复工作。
该方法的优点是能够有效地处理高维和非线性特征数据，提高了滚动轴承故障诊断的准确性和鲁棒性。
同时，EMD包络谱分析方法具有较好的时频分辨能力，能够准确地提取出滚动轴承振动信号中的故障特征。
基于SVM模型算法和大数据分析技术的船舶设备故障诊断
上海船舶运输科学研究所学报JOURNAL OF SHANGHAI SHIP AND SHIPPING RESEARCH INSTITUTE Vol.44No.1 MarF202144120213文章编号：1674-5949(2021)01-0049-05基于SVM模型算法和大数据分析技术的船舶设备故障诊断王晓东，马旭颖(上海船舶运输科学研究所舰船自动化系统事业部，上海200135)摘要：为在船舶设备发生故障时能准确、及时地定位故障发生根源，保证船舶安全、经济运行，采用大数据分析方法和支持向量机(Support Vector Machine,SVM)模型算法对船舶设备进行故障诊断，提前预测可能发生的故障。
以船舶柴油机滑油压力低故障为例，应用Python语言，通过SVM模型算法预测该故障的发生概率。
结果表明，在已采集的船舶数据样本的训练集和测试集上，数据拟合和故障预测的效果十分理想，预测故障发生的准确率较高。
关键词：大数据分析；支持向量机模型算法;Python语言；船舶设备故障诊断中图分类号:U676.42文献标志码:ABig Data Analysis with SVM Model Algorithm for FaultDiagnosis of Marine EquipmentWANG Xiaodong,MA Xuying(Warship Automatic System Division,Shanghai Ship and Shipping Research Institute,Shanghai200135,China)Abstract:The SVM(Support Vector Machine)model algorithm for predicting the probability of low lubrication oil pressure in a d5eseleng5ne5sdevelopedwthPython.Themodel5stra5nedwthatra5n5ngdatasetandverfedwthatestdataset.Sat5sfac-torydataf t5ngandfaultpred5ctonaredemonstrated.Key words:big data analysis；SVM(Support Vector Machine)model algorithm；Python；fault diagnosis of marine equipment0引言相比互联网等新兴行业，船舶行业在大数据与人工智能(Artificial Intelligence,AI)的结合应用方面起步较晚，所做的工作相对滞后。
基于支持向量机的故障诊断方法研究
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svm和emd包络谱的滚动轴承故障诊断方法
基于svm和emd包络谱的滚动轴承故障诊断方法
基于SVM（支持向量机）和EMD（经验模态分解）包络谱的滚动轴承
故障诊断方法是一种用于预测滚动轴承可能存在的故障的方法。
此方法结
合了两种技术的优势，提高了故障诊断的准确性和可靠性。
滚动轴承是机械设备中常见的关键部件之一，其故障可能会导致设备
停机和工作效率下降。
因此，及时准确地诊断滚动轴承的故障是非常关键的。
传统的故障诊断方法存在一些限制，如特征提取比较困难、易受噪声
干扰等。
而基于SVM和EMD包络谱的方法则能够有效解决这些问题。
首先，该方法使用EMD将滚动轴承信号分解成一系列的本征模态函数（IMF），通过提取IMF中的包络谱特征来描述滚动轴承的振动特性。
包
络谱是滚动轴承中故障特征的重要表现形式，可以反映故障频率和振幅。
因此，通过分析包络谱特征，可以准确地识别滚动轴承的故障。
这种基于SVM和EMD包络谱的滚动轴承故障诊断方法具有几个优点。
首先，EMD可以将滚动轴承信号进行有效的分解，提取出包络谱特征，从
而实现滚动轴承的故障诊断。
其次，SVM是一种强大的分类方法，具有很
好的泛化能力和鲁棒性，可以准确地对滚动轴承进行故障分类。
最后，该
方法可以在噪声干扰下实现准确的故障诊断，提高了滚动轴承故障诊断的
可靠性。
总之，基于SVM和EMD包络谱的滚动轴承故障诊断方法是一种有效的
预测滚动轴承故障的方法。
通过结合SVM和EMD的优势，该方法可以提高
故障诊断的准确性和可靠性，为滚动轴承的维修和保养提供了有效的参考。
支持向量机在航天器故障诊断与预测中的应用指南
支持向量机在航天器故障诊断与预测中的应用指南随着科技的不断发展，航天器的故障诊断与预测成为了航天工程中的重要环节。
而在这个过程中，支持向量机（Support Vector Machine，SVM）作为一种强大的机器学习方法，为航天器故障诊断与预测提供了有效的解决方案。
本文将从SVM的基本原理、数据准备、特征选择以及模型优化等方面，为读者提供一份关于SVM在航天器故障诊断与预测中的应用指南。
一、SVM的基本原理支持向量机是一种基于统计学习理论的监督学习算法，其基本原理是通过找到一个最优的超平面来实现分类或回归任务。
在航天器故障诊断与预测中，我们可以将航天器的故障与正常状态看作不同的类别，通过构建一个支持向量机模型，来对故障进行分类或预测。
二、数据准备在使用支持向量机进行航天器故障诊断与预测之前，我们需要准备好相应的数据集。
数据集应包含航天器在正常状态下和故障状态下的各种参数和特征，如温度、压力、电流等。
同时，数据集应具有足够的样本量和样本多样性，以便支持向量机能够学习到故障和正常状态之间的关系。
三、特征选择在数据准备之后，我们需要对数据进行特征选择，以便提取出对于故障诊断与预测最为关键的特征。
常用的特征选择方法包括相关性分析、主成分分析等。
通过特征选择，我们可以降低数据的维度，减少模型训练的复杂度，并提高模型的准确性和泛化能力。
四、模型训练与优化在进行模型训练之前，我们需要将数据集划分为训练集和测试集。
训练集用于训练支持向量机模型，而测试集则用于评估模型的性能。
在模型训练过程中，我们需要选择合适的核函数、正则化参数等超参数，并使用交叉验证等方法进行模型的优化。
五、模型评估与应用在完成模型训练之后，我们需要对模型进行评估，并将其应用到实际的航天器故障诊断与预测中。
常用的评估指标包括准确率、召回率、F1值等。
通过对模型的评估，我们可以了解模型在实际应用中的表现，并根据需要进行进一步的调整和优化。
六、挑战与展望尽管支持向量机在航天器故障诊断与预测中具有广泛的应用前景，但仍然面临着一些挑战。
基于SVM的故障诊断技术研究
基于SVM的故障诊断技术研究随着工业自动化程度的不断提高，工艺设备越来越复杂，随之带来的故障诊断难度也不断增加。
出现故障时，如何快速准确地定位故障原因，是保证设备正常运转的关键。
传统的故障诊断方法主要依赖于经验判断或者专家推断，无疑存在着效率低、准确率不高等问题。
而基于机器学习的故障诊断技术，则可以有效解决这些问题，提高故障诊断的自动化水平。
本文将探讨一种基于SVM的故障诊断技术。
一、SVM 算法简介支持向量机(SVM)是一种广泛应用于分类与回归分析的监督学习方法，它的基础理论是在高维空间中构造间隔最大的分类超平面，并将分类问题转化为求解一个凸二次规划问题来获得最优解。
SVM 的核心思想在于，通过选取一定数量的样本点，并将它们划分到不同的分类区域内，使得分类区域之间的距离最大化。
这些样本点被称为支持向量，它们可以有效地表达样本分布的特征。
在分类时，若新的样本点被划分到已经确定好的分类区域中，则该样本是属于该分类的；反之则属于另一个分类。
二、基于SVM的故障诊断技术流程1. 数据采集与预处理对于故障诊断来说，数据采集是一个非常重要的环节。
只有获得了足够量和充分的数据，才能够开展有效的故障诊断工作。
在实际应用中，通常采用传感器对工艺设备进行实时监测，获取相关物理量的数据，然后进行处理。
处理包括滤波、降噪等，以达到更好的信号质量。
2. 特征提取在获得了处理好的数据之后，需要进一步提取出有用的特征信息。
常用的特征包括信号的平均值、标准差、峰值等统计量，以及时域、频域等不同的特征参数。
目的是找到最能区分各种故障的特征。
3. 特征归一化由于不同的特征之间具有不同的量纲，因此需要将它们归一化到同一量级。
常用的归一化方法包括最小-最大归一化、z-score标准化等。
4. 训练 SVM 模型在数据预处理和特征提取等工作完成后，就可以开始训练 SVM 模型了。
在分类时，将已知类型的样本作为训练集，通过SVM算法得到分类规则，并将其应用到新的样本上，以判断它所属的故障类型。
基于SVM算法的故障诊断技术研究
基于SVM算法的故障诊断技术研究一、前言随着现代制造业的不断发展和普及，各种机械设备及相关工业设备的使用越来越广泛。
在此过程中，设备的故障问题成为制约生产效率和安全的重要因素。
因此，在各行各业，故障诊断技术也变得越来越重要。
本文将介绍一种基于 SVM 算法的故障诊断技术，并探讨其实现方法和应用前景。
二、背景故障诊断从根本上来说就是一个分类问题。
根据现有的数据学习分类规则，然后根据新的数据判断其属于哪一类别。
现在广泛应用的机器学习算法可以很好地解决这类问题，其中 SVM 算法就是一种非常有优势的算法。
它可以快速、准确地进行分类并具有很好的泛化能力。
SVM 算法的原理是将样本映射到高维空间中，并在该空间中寻找最优的超平面，使得不同类别的样本达到最大间隔。
这样，就能够很好地区分不同的类别。
SVM 算法在分类问题中表现出了很好的性能，并且已经广泛应用于物体识别、图像识别等领域中。
三、故障诊断的实现方法对于故障诊断问题，我们需要将采集到的原始数据转换成特征向量。
数据采集设备（如传感器）可以实现对设备运行状态的实时监测，并将数据采集到相应的存储设备中。
我们需要从这些数据中提取出有用的特征，用于分类和故障诊断。
在进行分类前，我们通常会通过数据预处理方法对原始数据进行处理。
常用的预处理方法包括归一化、噪声滤波等。
归一化可以将不同量级的特征统一，避免因量纲不同导致的误判。
噪声滤波可以提高数据的质量，减少误判的可能性。
然后，我们需要将处理过后的数据转化成特征向量，在 SVM 算法中进行训练和分类。
在特征提取时，我们通常会从以下方面入手：1. 时域特征：包括均值、均方根、标准差等。
2. 频域特征：包括频率、幅值、相位等。
3. 统计特征：包括峰峰值、斜度、峭度等。
在提取出有用的特征向量后，我们可以将其输入 SVM 算法，进行训练和分类。
在训练过程中，SVM 算法会寻找最优的分类超平面，使得不同类别间的间隔最大化。
在分类过程中，我们需要将新的数据点映射到超平面上，并进行分类。
基于C_SVM的组合导航系统故障诊断算法
2011年4月 Journal of Chinese Inertial Technology Apr . 2011 收稿日期：2010-11-14；修回日期：2011-03-23基金项目：国家自然科学基金资助项目（60904088）；东南大学微惯性仪表与先进导航技术教育部重点实验室（B 类）开放基金资助项目（201008）；陕西省电子信息系统综合集成重点实验室基金资助（201101Y19）作者简介：张涛（1980—），男，工学博士，讲师，研究方向为组合导航信息融合技术。
E-mail ：ztandyy@文章编号：1005-6734(2011)02-0239-04基于C-SVM 的组合导航系统故障诊断算法张 涛1，2，徐晓苏1，2（1. 东南大学 仪器科学与工程学院，南京 210096；2. 东南大学 微惯性仪表与先进导航技术教育部重点实验室，南京 210096）摘要：为了提高捷联惯性组合导航系统的可靠性，将聚类支持向量机（C-SVM ）应用于故障诊断技术，基于SINS/DVL/MCP/TAN 组合导航系统建立了C-SVM 故障诊断模型，将SINS/MCP 、SINS/TAN 和SINS/DVL 三个子滤波器的相关特征量（残差值和状态检测函数）作为样本对C-SVM 进行训练，并应用交叉验证法选择参数组。
根据训练好的C-SVM 模型分别对三个传感器进行故障诊断，若发生故障则屏蔽相应传感器的输出信息，利用其余的传感器进行重构。
仿真结果表明，C-SVM 的故障诊断正确率较高，特别是当训练样本数有限的情况下也能够达到较好的性能，克服了传统的神经网络在训练样本数较少时推广性能不足的问题，因此是一种理想的故障诊断技术。
关 键 词：组合导航；故障诊断；支持向量机；聚类支持向量机 中图分类号：U666.1文献标志码：AFault diagnosis based on integrated navigationsystem using C-SVM technologyZHANG Tao 1, 2, XU Xiao-su 1, 2( 1. School of Instrument Science and Engineering, Southeast University, Nanjing 210096, China; 2. Key Lab of Micro Inertial Instruments and Advanced Navigation Technology, Ministry of education,Southeast University, Nanjing 210096, China.)Abstract: To improve the reliability of SINS integration system, a clustering support vector machine (C-SVM) is applied into fault diagnosis technology. A C-SVM fault diagnosis model is established based on SINS/DVL/MCP/TAN integrated navigation system. The related characteristic components (residuals and the state detection function) of SINS/MCP, SINS/TAN and SINS/DVL are used to train C-SVM, and the cross validation method is presented to choose the parameter sets. Then three trained C-SVMs are separately applied to diagnose the faults of corresponding sensors. If one sensor is out of order, the output data of the sensor is invalid, and the information of the rest sensors is reconstructed. The result shows that the C-SVM used in fault diagnosis has high accuracy. It can also achieve good performance even under the condition that there are less training samples. This improved fault diagnosis method is superior to the method by conventional neural networks for it overcomes the problem that there is not enough generalizationability when with less samples. Key words: integration system; fault diagnosis; support vector machine; clustering support vector machine容错控制是伴随着基于解析冗余的故障诊断技术的发展而发展起来的，最早可以追溯到1971年，以Niederlinski 提出完整性控制的新概念为标志[1]。
基于一类SVM的综合导航系统信息故障检测方法
基于一类SVM的综合导航系统信息故障检测方法戴海发;卞鸿巍;马恒;王荣颖【期刊名称】《中国惯性技术学报》【年(卷),期】2017(025)004【摘要】Aiming to improve the reliability of the integrated navigation system and consider the difficulty in acquiring the accurate system model and large amount of fault data, an information fault detection method based on one-class support vector machine (SVM) is presented. The method mainly included two processes: 1) the measured data are used to build the model for navigation system by using one-class SVM and Principal Component Analysis; 2) the model is applied in the real-time information failure detection by combining with Principal Component Analysis. The new method does not rely on the system model and only requires the normal and small sample to train the model, which is simple and convenient for fault detection. The results of the experiment based on the measured data show that the proposed method has good detection performance and short detection delay time for both step fault and gradual fault, and is not sensitive to the changes of the radial basis function kernel parameter, which avoids the complicated parameter tuning.%为了提高舰艇综合导航系统的可靠性,并考虑到系统准确建模和大量故障数据获取的困难性,提出了一种基于一类支持向量机的信息故障检测方法.该方法主要包括两个过程:第一个过程是根据实测数据,并利用一类支持向量机的分类原理和主元分析法对导航信息进行离线建模;第二个过程是结合主元分析法将该模型应用到实时的信息故障检测中.该方法不依赖于系统模型而且只需要正常的小样本数据对模型进行训练,具有简便易于实现的优点.仿真试验表明,该方法对导航系统的硬故障和软故障都具有较好的检测能力和较短的检测延迟时间,而且该方法对径向基核函数参数的变化具有较低的敏感性,避免了复杂的调参过程.【总页数】6页(P555-560)【作者】戴海发;卞鸿巍;马恒;王荣颖【作者单位】海军工程大学导航工程系,武汉 430033;海军工程大学导航工程系,武汉 430033;海军工程大学导航工程系,武汉 430033;海军工程大学导航工程系,武汉430033【正文语种】中文【相关文献】1.基于LSSVM的惯性/卫星紧组合导航系统缓变故障检测方法 [J], 钟丽娜;刘建业;李荣冰;王融2.基于鲁棒性一类SVM的综导系统信息故障检测方法研究 [J], 戴海发;卞鸿巍;王荣颖;马恒3.基于PCA-AWOCSVM的冷水机组故障检测方法 [J], 王忆之;丁强;江爱朋;胡达4.基于SVM的飞机引气系统故障检测方法研究 [J], 吉昱玮;吴红兰5.基于SVM观测器的新异类故障检测方法及应用 [J], 李运;杨世海;吴佳佳;顾伯忠因版权原因，仅展示原文概要，查看原文内容请购买。
应用快速多分类SVM的航空发动机故障诊断方法
应用快速多分类SVM的航空发动机故障诊断方法徐启华;师军;耿帅【期刊名称】《推进技术》【年(卷),期】2012(33)6【摘要】提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。
首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。
其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。
在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。
针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。
仿真结果表明,提出的算法有效、可靠,容易实现。
【总页数】7页(P961-967)【作者】徐启华;师军;耿帅【作者单位】淮海工学院电子工程学院;西北工业大学第365研究所【正文语种】中文【中图分类】V263.6;TP181【相关文献】1.Diverse AdaBoost-SVM分类方法及其在航空发动机故障诊断中的应用2.多分类SVM的代价敏感加权故障诊断方法3.基于免疫优化多分类SVM的变压器故障诊断新方法4.基于RS与LS-SVM多分类法的故障诊断方法及其应用5.基于SLRMD与多分类SVM的变压器故障诊断方法因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ 支持 向量机 的分类 机理
支 持 向量机 产 生 于 ２ ０世 纪 ７ ０年 代 ，对 有 限样 本 下 的 统 计 学 习 问 题 提 供 了 一 个 有 效 的 解 决 途
体 积 庞 大 ，在 海 上 突 发 故 障后 维 修 不 便 ， 因 此 通 过 日常 的 监 控 ，提 早 诊 断设 备 的 故 障 显 得 至 关 重 要 。 但 航 舵 故 障 的复 杂 性 使 得 故 障确 诊 比较 困难 ； 另 外 故 障 现 象 与 故 障 本 身并 非 一 对 一 的 映射 关 系 ， 实 质
（） ０ Ｉ ＜。 ≠ 且 ） ｏ （ 有：
ｌ （ ）（ ｄｄ’ ０ Ｉ ｘ （’ｘ ＞ Ｘ ， ） ） ｘ
其 中 表 示 特 征 向量 ｘ的转 置 。
（ ３ ）
类 超 平 面 对 测 试 样 本 集 做 出分 类 决 策 ，步 骤 如 下 ：
１ ）载 入 学 习阶 段 训 练 完 成 的 相 关 数 据 ，包 含 ：
Ｚ ｏ ｉ ｇ ｏ ｇ Ｈｕ ， ｅ Ｌｉ ｉ ｇ ａ ｈ ｕ Ｊｎ Ｓ ｎ ｉ Ｌｉ Ｔｉ ， ｎ ｈ ｉ Ｍ
（ ｉ ｌｔ ｎＴａｎｎ ｅ ｔｒＤｅ ｔｏ ｒｉｉｇ ＤａｉｎＷ ｒｈ Ａ ａ ｅ ｙｏ Ｐ ＡＮａｙ Ｄａｉｎ ｌ６ １ ， ｈｎ ） Ｓｍｕａｉ ｒ ｉｉｇＣ ｎｅ ， ｐ ．ｆＴａｎｎ ， ｌ ａｓ ｃ ｄ ｍ Ｌ ｖ， ｌ １ ０ ８ Ｃ ｉａ ｏ ａ ｆ ａ
也 呈 现 上 升 趋 势 。航 舵 一 旦 出现 故 障 ， 轻 则 航 期 延 误 ， 经 济 受 损 ，重 则 严 重 威 胁 人 员 安 全 。 由于 舵 机
支 持 向量 机 （ ｐ ｏｔｖ ｃｏ ｃ ｉｅ ＶＭ） 一 种 ｓ ｐ ｒ ｅｔｒｍａｈｎ ，Ｓ ｕ 是 新 型 机 器 学 习方 法 ，对 解 决 小 样 本 模 式 分类 问题 具 有 独 特 的优 势 。 因此 ，笔 者 提 出 一种 基 于 Ｓ ＶＭ 的
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ａｉ ｎ ｔ ｌ ｃ ｆ ｆ ｕ ｔ ｓ ｍ ｐ ｅ ｎ ｉ ｇ ｏ ｉ ｎ ｗ ｌｄ ｅ ｉ ａ ｔｃ ｌ ｓ ｅ ｒ ｎ ｒ ｄ ｃ ｔ ｏ ａ ｅ ｎ ｍｉ ｇ ａ ａ ｋ ｏ ａ ｌ ａ ｌ ｓ ａ ｄ ｄ ａ ｎ ｓ ｓ ｋ ｏ ｅ ｇ ｎ ｎ ｕ ｉ ａ ｔ ｅ ，ｉ ｔｏ ｕ ｅ ａ ｍｅ ｈ ｄ ｂ ｓ ｄ ｏ
第 ４期
周 晶 ，等 ： 一种 基 于 Ｓ Ｍ 的航 舵 故 障 诊 断 方 法 Ｖ 与 特 定 故 障 相 关 的敏 感 特 征 量 。
２２ 训 练 阶段 ．
样 本 集 为 （ ） ， ｉ ，， ， ， ＝１２…， ∈Ｒ ，
，
Ｙ ∈｛ １一 ｝ ＋ ， １ 是类 别 标 号 。ｄ维 空 间 中线 性 判 别 函 数
论 和 方 法 在 很 多领 域 解 决 非线 性 分 类 问题 上 有 独 到 之 处 ，但 这 些 对 数 据 样 本要 求 较 高 ，需 大 量 典 型 故 障 数 据 样 本 ，且 样 本 数 据 分 布 要 尽 量 覆 盖 各 种 故 障 模 式 Ｌ。设 备 故 障往 往 具 有 突 发 性 ，通 常不 可 重 复 ， ２ Ｊ 在 实 际故 障 诊 断 中 ，样 本 的 数 量 与 质 量 难 以保 证 。
口 ： ０ 口０ ａ
，
特 征 数 据 样 本 ， 归 一 化 处 理 后 建 立 训 练 样 本 集
，
｝ ，将 训练 样 本 集 输 入 系 统 ；
２ ）根 据 特 点 选 择 合 适 的核 函 数 （ ｘ） 核 参 及
．
数 ，并 对 样 本 进 行 规 范 化 ；
３ １在 约 束 条 件 下 ，求 取 Ｌ ｇａｇ ａ ｒｎ ｅ函数 极 小值
Ｋｅ ｒ ： ｏ ｙ ｗｏ ｄｓ ｃ ｍｐ ｔ ｔｏ ａ ｔ ｌ ｇ ｎ ｅ ｕ ｐｏ ｔｖ ｃ ｏ ａ ｈ ｎ ； ａ ｌ ｄ ａ ｎ ｓｓ ｕ ａ ｉ ｎ ｌ ｎ ｅ ｌ ｅ ｃ ；ｓ ｐ ｒ ｅ ｔ ｒ ｉ ｉ ｍ ｃ ｉ ｅ ｆ ｕｔ ｉ ｇ ｏ ｉ
Ｏ 引 言
航 舵 作 为船 舶 控 制 系 统 中 的 重 要 部 位 之 一 ，发 挥 着 至 关 重 要 的作 用 。 随着 航 舵 系 统性 能 的 大 幅 提 高 ， 系 统 结 构 越 来 越 复 杂 ，设 备 故 障种 类 、 发 生 率
摘 要 ：针 对舵 机 故 障样 本 数 量 不 足 、诊 断知 识 不 完备 的 实际 情 况 ，提 出一 种基 于 支持 向 量 机 （ｕ ｐ ｒ ｖ ｃｏ ｓ ｐ ｏｔ ｅｔｒ ｍａ ｈｎ ，Ｓ ｃ ｉｅ ＶＭ） 的故 障诊 断方 法 。根 据航 舵 故 障输入 输 出映 射 非线性 的特 点 ，分 析 Ｓ ＶＭ 的分类 机理 ，对 基 于 Ｓ ＶＭ 的故 障诊 断 步骤 进 行介 绍 ，解 决 了小样 本模 式 的分 类 问题 ，并通 过仿 真对 该 方法 的有 效性 进行 验证 。仿真 结 果表 明：
上 是 典 型 的复 杂 非 线 性 分 类 问题 。 近 年 来 ， 国 内外 学 者 使用 基 于 信 号 处 理 和 基 于
径 ［。Ｓ ３ ＶＭ 基 于 结 构 风 险最 小 化 理 论 ，兼 顾 了经 验 ｌ
风 险和推广 能力 ，对解 决小样 本的模式分类 问题具
有 独 特 的优 势 ，适 合 舵 机 系 统诊 断 。Ｓ ＶＭ 由线 性 可 分 情 况 下 的最 优 分 类 面推 广而 来 。最优 分 类 面 有 ２ 项 要 求 ：分 类 面 能 正确 分 类 与 且 分 类 间 隔 最 大 。前 者 是 使 经 验 风 险最 小 ， 而后 者 保 证 界 中的 置 信 范 围
的折 中 。
５ １结 束 训 练 ， 立 训 练 数 据 样 本 的最 优 分 类 超 建
平面 。
对 于任 意 的对 称 函数 （ ， ’， 是 某 个 特 征 空 Ｘ） 它 间 中 的 内 积 运 算 的 充 分 必 要 条 件 是 ， 对 于 任 意 的
２３ 故 障诊 断 阶 段 － 故 障 诊 断 阶 段 就 是 载 入 训 练 后 产 生 的 最 优 分
兵 工 自 动 化
・５６ ・
２０ｌ ０４ ２．
Ｏｒ ａ ｃ ｎｄ ｓ ｒ ｕ ｏ ａ ｉ ｎ ｄｎ ｎ ｅ Ｉ ｕ ｔ ｙ Ａ ｔ ｍ ｔ ｏ
３ （） １ ４
一
种基于 Ｓ ＶＭ 的航 舵 故障诊 断方法
周 晶 ，宋 辉 ， 李铁 ， 李 明 海
（ 军 大 连 舰 艇 学 院 训 练 部 模 拟 训 练 中 心 ， 辽 宁 大 连 ｌ６ １） 海 １ ０８
（） ２ 系 数 ａ； ｉ
≤Ｃ，（ ＝ ，， ） ｉ １ …， ２
ｆ１ ＝
４ ）根 据 训 练 样 本 特 征 找 出 支 持 向量 （ｕ ｐ ｒ ｓ ｐ ｏｔ ｖ ｃｏ ，ｓ ，计 算 阈值 ｂ ｅ ｔｒ ｖ） ；
其 中 Ｃ 为 惩 罚 参 数 ，用 来 控 制 分 类 误 差 与 推 广 性 能
图 １ 支持 向量机 分 类流 程 图
收 稿 日期 ： ２ １ １ － ７ ０ １ ０ ２ ；修 回 日期 ：２ １— ２ ０ ０ １ １－ ７ 作 者 简 介 ：周 晶 （９ ０ ） 男 ， 湖 北 人 ， 硕 士 ，讲 师 ，从 事 故 障 诊 断 、 模 式 识 别 与 智 能 系 统 研 究 。 １７ 一 ，
ｃ ａ ｓｆｃ ｔ ｎ ｍｅ ｈ ｎ ｓ ｌ ｓ ｉ ａ ｉ ｃ ａ ｉ ｍ，ｉ ｔｏ ｕ ｅｔ ｅ ｆ ｕ ｔｄ ａ ｎ ｓｓ ｓｅ ａ ｅ ｎ Ｓ ｉ ｏ ｎ ｒ ｄ ｃ ｈ ａ ｌ ｉ ｇ ｏ ｉ ｔｐｓｂ ｓ ｄ ｏ ＶＭ ， ｎ ｏ ｖ ｈ ｌ ｓ ｉ ｃ ｔ ｎ ｐ ｏ ｌ ｍ ｓｏ ｍ ａ ｌ ａ ｄ ｓ ｌ ｅ ｔ ｅ ｃ ａ ｓｆ ａ ｉ ｒ ｂ ｅ ｆｓ ｌ ｉ ｏ
近的样本的ｌｘ ＝ 。 ｇ ） １最优分类面问题可以表述为求 （Ｉ
函 数 的最 小值 。Ｌ ｇ ａ ｇ ａ ｒｎ ｅ函 数 定 义 如 下 ：
类 函 数 来 区 分 正 常 或 异 常 种类 样 本 ，构 造 最 优 分 类 超 平 面 ，其 步 骤 如 下 ：
１ １根 据 已知 的 舵 机 正 常 状 态 和 故 障 状 态 下 的
Ｌ ，以 ÷ｗ ）∑ （一 ＋卜 ） （ （ｂ） （ ｗ ｗ ， ６ １ １ ｗ， ＝ － 一 ） ）
ｆ ＝ｌ
其 中 ａ为 Ｌ ｇａ ｇ ｉ ａ ｒｎ ｅ乘 子 ， 取 对 ｗ 和 ｂ的 Ｌ ｇａ ｇ 求 ａ ｒｎ ｅ 函数 最 小值 。 对 于 非 线 性 问 题 ，只 需 要 将 输 入 向量 非 线 性 映 射 到 一个 更 高 维 的特 征 空 间 ，然 后 再 构造 最 优 分 类 超 平 面 。约 束 条 件 式 中 的 ａ 应 满 足 ：
ｓ ｍ ｐ ｅ ｍｏ ｅ ｈ ｎ ｓ ｉ ｌ ｔｏ ｏ ｖ ｒｆ ｈ ａ ｉ ｉ ． ｅ ｓ ｍｕ ａ ｉ ｎ ｒ ｓ ｌ ｓ ｏ ｈ ｔｔ ｅ ｍ ｅｈｏ ａ ｌ ｃ ａ ｓ ｆｃ ｔｏ ａ ｌ ｄ ．Ｔ ｅ ，ｕ ｅ ｓｍｕ ａ ｉ ｎ ｔ ｅ ｉ ｔ ｅ ｖ ｌ ｔ Ｔｈ ｉ ｌ ｔ ｅ ｕ ｔ ｈ ｗｓｔ ａ ｈ ｔ ｄ ｆ ｕ ｔ ｌ ｓ ｉｉ ａ ｉ ｎ ｙ ｄ ｙ ｏ ｃ ｒｅ ｔ ｅ ｓｃ ｎ ｒ ａ ｈ ９ ％ ． ｏ ｒ ｃ ｎ ｓ ａ ｅ ｃ ２
为 ： ｇ ｘ ＝ｗ・ ＋ （１ ｘ ｂ。
训 练 阶段 主 要 目的 ：在 已知 舵 机 正 常和 故 障 ２
对 判 别 函数 进 行 归 一 化 ，使 两 类 中 离 分类 面 最
种 状 态 下 ，分 别 输 入 的 多 组特 征样 本 对 支 持 向量 机
进 行 学 习 ，找 到 训 练 样 本 的 支 持 向量 ，产 生 一 个 分