基于引力球结构支持向量机多类算法的涡轮泵故障诊断

合集下载

支持向量机在航空发动机故障诊断中的应用_尉询楷

本文在采用模糊方法对故障信息进行特征提取的基础之上 ,采用支持向量机实现故障的分类达到智能诊断的目的。为了验证其有效性将其应用于某型发动机的自动停车故障诊断中 ,在训练样本中加入 Gaussian噪声以测试其鲁棒性和抗干扰能力 ;为验证其推广特性 ,对三组现场获得的故障模式进行了分析和验证。最后 ,给出了结论。
Abstract: An aeroengi ne fault diagnosis method based on support v ector machi nes is present ed. Af ter ex t racti ng f ault sy mpt oms via proper equi pment s or methods, support vect or machines w ere adopted to set up correlation betw een fault sy mpt oms and fault patt erns and to realize the classifica tion of faults. Suppo rt vecto r machines are specially desig ned fo r g ood generali zation abilit y under the condi tion that o nly small samples set is av ailable. Applyi ng this m ethod to a cert ain engi ne, the diag nostic result s are satisfactory, and it i s ref erable to dev elop diag nostic system f or new ly -developed engi nes.

基于小波包和支持向量机的滚动轴承故障诊断方法研究

基于小波包和支持向量机的滚动轴承故障诊断方法研究摘要：滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，因此滚动轴承故障诊断一直是机械领域的研究热点。

本文提出了一种基于小波包和支持向量机的滚动轴承故障诊断方法。

首先采集轴承运行时的振动信号，然后通过小波包变换对信号进行分解，得到多个频带信号。

接着，针对不同频带信号中的故障特征，采用支持向量机分类器进行故障诊断。

实验结果表明，该方法可以准确诊断出滚动轴承的故障类型，并具有较高的诊断率和鲁棒性。

该方法在滚动轴承的健康监测及维护中具有重要的应用价值。

关键词：滚动轴承；小波包；支持向量机；故障诊断1. 引言滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，甚至导致设备损坏和生产停滞。

因此，滚动轴承故障诊断一直是机械领域的研究热点。

目前，滚动轴承故障诊断的方法主要包括振动信号分析、声音信号分析和温度信号分析等。

振动信号是滚动轴承故障诊断中最常用的信号，其具有灵敏度高、响应迅速、特征明显等优点。

因此，采用振动信号进行故障诊断已成为一种主流方法。

2. 小波包分解小波包变换是小波变换的一种改进方法，它在小波变换的基础上增加了分解级数的选择，可以逐级地对信号进行分解，得到更多的细节信息。

在滚动轴承故障诊断中，可以采用小波包分解对振动信号进行频带分解，进一步提取信号的特征信息，提高故障诊断准确率。

3. 支持向量机分类器支持向量机是一种广泛应用于模式识别和分类问题的机器学习算法，其基本思想是寻找一个超平面将数据分为两类，并使得两类数据点到超平面的距离（即间隔）最大化。

因此，支持向量机具有较高的分类精度和泛化能力，适用于处理高维度的数据，并且不易受到噪声的影响。

4. 基于小波包和支持向量机的故障诊断方法本文提出的基于小波包和支持向量机的滚动轴承故障诊断方法主要包括以下步骤：（1）采集滚动轴承运行时的振动信号，并进行预处理；（2）对预处理后的信号进行小波包分解，得到多个频带信号；（3）针对不同频带信号中的故障特征，选取合适的特征提取方法，并采用支持向量机分类器进行故障诊断；（4）根据分类结果判断轴承的健康状态，并进行相应的维护措施。

基于多分类支持向量机的有杆抽油泵故障诊断研究

适于解决高维、线性问题．献［］提出利用非文８就ＳＭ对抽油机电动机工作功率、Ｖ电流数据进行故障
题］先后出现了网格法、量法、里叶位置法、１，矢傅
傅里叶曲率法、功率谱密度法等，这些方法都不能但
与正常的两分类研究．文提出对泵功图特征提取本组成样本集，用软间隔的ＳＭ对抽油泵故障诊断利Ｖ
多分类问题展开研究．
收稿日期：０９８２２０－－９０
作者简介：王凯（９３）男，１一，在读博士研究生，７主要从事有杆抽油系统动力学分析建模、故障诊断与模式识别研究．
生成灰度矩阵并进行灰度特征量提取，后结合神然
浪费，重影响设备寿命和设备开机率，严给企业造成
损失．人工诊断方法就是巡检人员定期到采油现场
经网络进行故障诊断，献［－］出直接对泵功图文４７提
抽油机故障多年来一直是油田生产和管理所面临的一个主要问题，严重地影响了产油量．油机它抽
发生故障后如不及时诊断和排除，会造成电能的就
进行研究．例如：献［］用Ｅｍａ经网络对抽文２利ｌｎ神油泵进行智能诊断，献［］用网格法对泵功图文３先
近年来，工程领域出现了利用数据挖掘中的新方法— — 支持向量机（ｕｐｒＶｃｒｃｉｅＳｐｏｅｔＭａｈｎ，ｔｏ

基于蝙蝠算法优化支持向量机的滚动轴承故障诊断

基于蝙蝠算法优化支持向量机的滚动轴承故障诊断罗源睿王海瑞(昆明理工大学信息工程与自动化学院)摘要支持向量机中参数的选择会直接影响滚动轴承故障诊断的分类效果，基于此提出一种采用蝙蝠算法优化支持向量机的故障诊断模型，以提高分类的准确率。

首先将采集到的振动信号进行集成经验模式分解，分解后得到一系列模态函数分量IMF,并将计算得到的各个分量的能量熵作为信号的特征向量,将所构造的特征向量输入到蝙蝠算法优化的支持向量机BA-SVM中进行识别分类，最后输出诊断结果。

将BA-SVM与GA-SVM、PSO-SVM模型进行对比,结果表明:BA-SVM模型的故障诊断准确率高、寻优能力强、收敛速度快。

关键词故障诊断滚动轴承BA-SV M算法参数优化中图分类号TP206+.3文献标识码A 滚动轴承在电力、冶金及航空等领域的应用非常广泛，尤其是在旋转机械设备上，是不可或缺的部件之一。

然而大多数机械设备发生故障都与滚动轴承密切相关，因此对滚动轴承的故障诊断研究具有十分重要的意义由于滚动轴承是最易损的部件之一,且出现故障时的振动信号多呈现非线性、非平稳性［2］#因此Wu Z H等提出了集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)方法［3,4］，通过在每次信号分解的过程中添加高斯白噪声，在有效滤除噪声影响的同时也解决了分解中存在的模态混叠现象#支持向量机(Support Vector Machines,SVM)在故障诊断方面的应用很广泛，对于解决小样本、非线性及高维特征等问题具有很好的识别能力［5,6］。

但SVM中核函数参数！和惩罚参数C往往依靠人为经验来选取,其值的大小对SVM的识别准确率尤为重要#近年来，群智能算法在优化SVM参数方面取得了很大的进展，其中蚁群算法［7］&遗传算法［8］及粒子群算法［9'10］等应用广泛#文章编号1000-3932(2021)03-0248-06笔者采用蝙蝠算法［11］(Bat Algorithm，BA)来优化SVM参数，实验结果证明了该方法能获得更高的识别率和较好的性能。

基于形态非抽样小波和支持向量机的滚动轴承故障诊断

霉００６
ｏ．ｏ４
ｌ
ｍ
ｏ０２
￡
０
２
３频段＿ｌ
一形态非抽样小波一小渡分析
图２轴承三种典型故障信号图
收稿日期：２０１５－０７－０２
图４外圈故障信号能量谱图
作者简介：刘倩（１９８７ —），女，河北廊坊人，助教，￣－Ｌ，－，主要研究方向为数据采集与电机控制；闫晓金（１９８３ —），男，辽宁大连人，讲师，主要研究方向为电源、电气传动；李叶紫（１９６１－），女，河北石家庄人，教授，主要从事电机控制及其故障诊断方面的工作。
冲击。
酱０．０４
箍０，０３
ＩＯ０２
Ｉ
１．２形态非抽样小波算法
丌＿ｆ
刚０Ｏｌ
ｌ
矗∞Ｅ
０
¨ 啊
ｌ２３频
识
形态非抽样小波分解则是基于非抽样小波框架的一种对偶小波分解方法，省去了小波分解过程的下抽样和重构过程的上抽样，
是基于信号每个点的变换方法，这种方法能够避免信息丢失和降低
噪声而引起的失真，因此更适合于信号的特征提取和降噪。设形态学闭算子为巾，开算子为，，，根据信号的脉冲特点，本文采用文献［３】提出的算法，采用形态非抽样小波变换的分解算子为：
６
一
（ｘ
）一＋一，，）
ｌ
））＝）＋）

特征加权的高斯加权K近邻-支持向量机的水泵故障诊断方法

特征加权的高斯加权K近邻-支持向量机的水泵故障诊断方法陈瑞;杨春曦;翟持;龙超;陈飞
【期刊名称】《机械科学与技术》
【年(卷),期】2022(41)3
【摘要】针对实际运行环境下的工业水泵具有工况数据量大、运行时间长、特征类型多等特点,提出一种基于特征加权的高斯加权K近邻-支持向量机(GWKNN-SVM)的组合故障诊断分类算法。

首先通过对某化工厂三台水泵5个月份的运行采集数据进行特征提取和清洗,然后分别使用高斯加权K近邻算法(GWKNN)-支持向量机算法(SVM)对数据进行快速粗分类和边界数据细分类,以提高水泵故障分类精度和识别效率。

最后通过仿真实例比较了相同条件下GWKNN-SVM算法和其他分类算法的故障分类效果。

试验结果表明,该组合分类方法能够有效提高水泵工况的故障分类精度,从而实现工业环境下的水泵健康监测。

【总页数】8页(P349-356)
【作者】陈瑞;杨春曦;翟持;龙超;陈飞
【作者单位】昆明理工大学化学工程学院;昆明理工大学机电工程学院
【正文语种】中文
【中图分类】TH133.3;TP183
【相关文献】
1.基于加权K近邻算法的变压器故障诊断
2.基于特征贡献度加权高斯核函数的粗糙one-class支持向量机
3.基于递归特征消除-加权k近邻算法的多联机系统制冷
剂充注量故障诊断策略4.基于加权K近邻的特征选择方法5.用于支持向量机拒识区域的加权k近邻法
因版权原因，仅展示原文概要，查看原文内容请购买。

支持向量机在船舶柴油机废气涡轮增压器故障诊断中的应用

收稿日期：０１１一１修回日期：０２０－０２１．Ｏ２２１ —２２
第３３卷第２期２１０２年６月
上
海
海
事
大
学学
报
Ｖｏ．３Ｎｏ２１３．
０ａｇａＭｒｉｅｎｅｉｆｎｈｉａｔｉｒｔｉｍＵｖｓｙ
Ｊｎ０２ｕ．２１
文章编号：６２—９９（０２０ —０８０１７４８２１）２０１－４
机（ｕｐｒＶｃｒｃｉｅＶ相关理论，Ｓｐｏｔｅｔｈｎ，ＳＭ）ｏＭａ对船舶柴油机废气涡轮增压器进行智能故障诊，Ｖ分析废气涡轮增压器常见故障；究ＳＭ在船舶柴油机增压器故障诊研Ｖ
ｇｓｔｒｏｈｒｅａｅｎＳｐｏｅｔｒｃｉｅ（ＶａｂｃａｒｂｓｄｏｕｐｒＶｃｈｎＳＭ）ｃｒｌｉｅｒ．ＡｃｒｉｇｔｔｅＳＭｉ－ｕｇｔｏＭａｏｒａｏｔｏｙｃｏｄｎＶｅｔｎｈｏｈｎ
ｔｌｉｅｔｆｕｔｄａｎｓｓｔｅｒ，ｔｅｃｍｍｏａｔｆｅｈｕｔｇｓｔｒｏｈａｇｒａｅａｌｚｄ；ａｄｔｅａ — ｅｌｇｎａｌｉｇｏｉｈｏｙｈｏｎｆｕｌｓｏｘａｓａｕｂｃｒｅｒｎａｙｅｎｈｐｐｉａｉｎｏＶＭｎｆｕｔｄａｎｓｓｆｒｔｅｔｒｏｈａｇｒｏｈｉｉｓｌｅｇｎｅｉｅｅｒｈｄｌｔｏｆＳｃｉａｌｉｇｏｉｈｕｂｃｒｅｆｓｐｄｅｅｎｉｓｒｓａｃｅ．Ｔｈｉｌｔｏｏｅｓｍｕａｉｎ

基于奇异值分解和支持向量机的滚动轴承故障模式识别

基于奇异值分解和支持向量机的滚动轴承故障模式识别陆爽
【期刊名称】《农业工程学报》
【年(卷),期】2007(23)4
【摘要】提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法.对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键.奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量,而支持向量机可以完成模式识别和非线性回归.利用上述原理根据轴承振动信号的变化特征,采用奇异值分解对其提取状态主特征矢量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态,并且对未知故障有良好的识别能力.与常用的人工神经网络方法相比,该诊断方法具有更好的有效性、鲁棒性和精确性.
【总页数】5页(P115-119)
【作者】陆爽
【作者单位】浙江师范大学交通学院,金华,321019
【正文语种】中文
【中图分类】TH133.3;TP181
【相关文献】
1.基于图像奇异值分解的滚动轴承故障模式识别 [J], 秦海勤;徐可君;隋育松;孟照国
2.基于小波包和支持向量机的滚动轴承故障模式识别 [J], 田野;陆爽
3.基于奇异值分解和共振解调的滚动轴承故障特征提取 [J], 张安;马增强;陈明义;李俊峰
4.基于集合经验模式分解和K-奇异值分解字典学习的滚动轴承故障诊断 [J], 李继猛;李铭;姚希峰;王慧;于青文;王向东
5.基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断 [J], 孟宗;刘子涵;吕蒙因版权原因，仅展示原文概要，查看原文内容请购买。

基于pca相似系数与svm的涡轮泵故障检测算法

基于pca相似系数与svm的涡轮泵故障检测算法一、背景介绍涡轮泵作为现代化工生产中常用的流体机械，其故障检测一直是工程技术领域内的一个研究热点。

传统的故障检测方法主要基于数据的运算，但是传统方法中所含信息较少，容易受到局部噪声干扰的影响，从而导致可靠性不高。

为了提高涡轮泵故障检测的精度和可靠性，本文提出了一种基于PCA相似系数与SVM的涡轮泵故障检测算法。

二、算法原理1. PCA相似系数PCA（Principal Component Analysis），即主成分分析，是一种常用的数据降维方法，它可以将高维数据降维到低维，在过程数据处理中得到了广泛的应用。

PCA的基本思想是通过线性变换将原来的数据映射到一个新的坐标系中，使得数据在新的坐标系下的不同维度之间完全无关，从而达到降维的目的。

PCA相似系数用于评估测试数据与训练数据之间的相似度。

2. SVMSVM（Support Vector Machine）是一种基于统计学习理论的分类器。

SVM将输入空间映射到高维特征空间，利用核函数进行分割，实现对数据进行分类。

SVM具有高精度、可扩展性强等优点，在过程数据处理中也得到了广泛的应用。

3. 涡轮泵故障检测算法本算法首先利用PCA将涡轮泵的输入数据进行降维处理，然后利用SVM分类器对处理后的数据进行分类。

具体步骤如下：（1）利用传感器等设备采集涡轮泵的运行数据，并对数据进行采样处理。

（2）采用PCA算法将输入数据的维度进行压缩，得到降维后的数据，并计算测试数据与训练数据之间的相似系数。

（3）利用相似系数构造SVM分类模型，并对测试数据进行分类。

（4）根据分类结果，判断涡轮泵是否存在故障，如存在故障，则进行相应的维修和更换。

三、实验结果为了验证本算法的有效性，在实验室中对涡轮泵进行了故障检测实验。

实验结果表明，本算法能够较为准确地检测出涡轮泵的故障情况，具有较高的精度和可靠性。

四、总结本文提出了一种基于PCA相似系数与SVM的涡轮泵故障检测算法，采用PCA进行数据降维并计算相似系数，结合SVM进行分类，能够有效地检测涡轮泵的故障情况，具有较高的精度和可靠性。

基于形态非抽样小波和支持向量机的滚动轴承故障诊断

1引言：介绍滚动轴承严重的故障，以及需要建立一个有效的检测方法进行故障识别。

2.数学基础：介绍支持向量机(SVM)的概念，介绍形态非抽样小波(M-DWT)的基本原理。

3.方法：描述如何将M-DWT与SVM结合应用于滚动轴承故障识别；4.系统实现：使用MAT1AB实现相关代码，运行实验和数据处理；5.实验结果：报道实验结果，验证系统的可行性；6.结论：总结论文所提出的方法，并对未来的工作提出展望。

在滚动轴承的检测和诊断中，准确、可靠的传感信号分析方法一直是工业上研究的一个重要的课题。

在过去的几十年里，许多研究团队已经探索了多种算法，以检测和诊断轴承的故障。

然而，由于抗干扰能力弱，轴承特征复杂，特征信号不易提取,因此开发具有较高精度的检测系统仍然存在挑战。

当考虑到对故障检测精度的要求时，KDD(Know1edgeDiscoverandDataMining)中的监督式学习模型可以作为一个有效的工具，如支持向量机(SVM)o它是一种基于概率理论的模型，它具有准确高、训练快、稳定性好等特点，极大地提高了故障检测的精度。

而小波分析技术，通过对时间序列数据进行变换，能够有效地提取出数据中存在的有用特征。

在许多应用中，小波分解都可以被用来处理噪声困扰的时间序列数据及其它类型的信号。

因此，结合SVM和小波分析技术，可以有效地提取滚动轴承的本文主要研究将基于SVM的方法与形态非抽样小波（M-DWT）结合应用于滚动轴承故障识别的方法。

实验结果表明,M-DWT结合SVM方法能够有效地提取轴承特征信号，并识别轴承故障。

支持向量机（SVM）是一种监督式机器学习模型，是一种用于分类和回归的有效工具。

它对特征数量无要求,可以完成非线性分类，还可以通过核函数解决复杂问题。

其中,核函数将输入映射到高维空间，使其在低维空间中不可分类的样本变成可分类的，从而实现高效的分类。

此外，由于使用一组最小的点完成训练，因此，具有较快的训练速度。

基于多分类支持向量机的有杆抽油泵故障诊断研究_王凯

2010年1月第25卷第1期西安石油大学学报(自然科学版)Journal of Xi ′an Shiyou University (Natural Science Editi on )Jan .2010Vol .25No .1收稿日期:2009208229作者简介:王凯(19732),男,在读博士研究生,主要从事有杆抽油系统动力学分析建模、故障诊断与模式识别研究.E 2mail:wangkai73@sina .com 文章编号:16732064X (2010)0120091205基于多分类支持向量机的有杆抽油泵故障诊断研究王凯(西安理工大学机械及精密仪器学院,陕西西安710048)摘要:针对传统方法对有杆抽油泵系统进行故障诊断存在的缺陷,提出了基于支持向量机的抽油泵故障诊断方法.为解决高维、非线性分类问题,通过引入核运算技巧,分析非线性软间隔分类学习机具体算法,并得到使分类间隔最大的最优分类超平面方程.提出了特殊情况下的样本数据标准化处理具体算法,采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性.采用一对多S VM 分类器对抽油泵工况进行了多分类仿真试验,并与BP 网络、RBF 网络、最小距离法等加以比较,试验结果表明一对多S VM 分类法理论严谨,方法可行,自适应好,可在线运行,在解决有杆抽油泵故障诊断问题中表现出了良好的性能,有助于提高采油效率,实现远程采油控制智能化,建设数字油田.关键词:有杆抽油泵;故障诊断;支持向量机;最优分类超平面;核运算;参数寻优中图分类号:TP182;TE938 文献标识码:A 抽油机故障多年来一直是油田生产和管理所面临的一个主要问题,它严重地影响了产油量.抽油机发生故障后如不及时诊断和排除,就会造成电能的浪费,严重影响设备寿命和设备开机率,给企业造成损失.人工诊断方法就是巡检人员定期到采油现场测量各种参数,然后根据这些参数进行计算和故障判断.显然该方法浪费人力、物力,而且不能及时地诊断出故障,有可能月初发生的故障到月末才能发现,严重地影响了生产.故障诊断问题本质上是模式识别或模式分类问题.抽油泵故障诊断技术的研究一直是国内外采油工程技术人员的一个重要研究课题[1],先后出现了网格法、矢量法、傅里叶位置法、傅里叶曲率法、功率谱密度法等,但这些方法都不能很好地描述各图形之间的细微差别,导致诊断正确率不高,尚未达到工程实用化的程度[2].泵功图和抽汲参数为利用人工智能实现抽油系统故障诊断提供了丰富的信息.近年来人们开始尝试使用一些人工智能领域的方法对抽油泵故障诊断进行研究.例如:文献[2]利用El m an 神经网络对抽油泵进行智能诊断,文献[3]先用网格法对泵功图生成灰度矩阵并进行灰度特征量提取,然后结合神经网络进行故障诊断,文献[427]提出直接对泵功图进行标准化并特征提取,然后利用神经网络进行故障诊断.但是神经网络故障诊断方法面临着网络参数难以合理确定、容易陷入局部最小、网络学习过程容易发生震荡以及泛化能力不强等问题[8].近年来,工程领域出现了利用数据挖掘中的新方法———支持向量机(Support Vect or Machine,S VM )进行故障诊断或分类,它可以在训练样本较少时取得很强的推广能力,这是依靠对大量训练样本学习才能获取泛化能力的神经网络所不能比拟的,适于解决高维、非线性问题.文献[8]就提出利用S VM 对抽油机电动机工作功率、电流数据进行故障与正常的两分类研究.本文提出对泵功图特征提取组成样本集,利用软间隔的S VM 对抽油泵故障诊断多分类问题展开研究.西安石油大学学报(自然科学版)1　SV M的基本理论统计学习理论是美国Vapnik等人在20世纪90年代初期提出专门研究小样本情况下机器学习规律的理论[9210],它建立在结构风险最小化原则和VC维概念基础上,有着严格的理论基础,被认为是目前针对小样本统计估计和预测学习的最佳理论[11].1995年,Vapnik等人又提出了基于统计学习理论的一种模式识别的新方法———支持向量机,它因其坚实的理论基础和诸多良好特性在近年获得了广泛的关注.S VM基本思想是建立一个超平面作为决策面,要求该超平面既能将正负两类样本正确分开以保证并固定经验风险最小(为零),又能使两类的分类间隔为正且最大以保证实际风险最小.如图1所示,H为把两类样本正确分开的最优分类线,H1和H2分别为过各类样本距分类线最近的点且平行于H的直线,H1和H2之间的距离即为两类的分类间隔.推广到高维空间,最优分类线就相应地成为最优分类面(Op ti m al Separating Hyper p lane,OSH).图1　最优超平面示意图给定l个训练样本xi ∈R n,i=1,…,l,yi={+1,-1}为类别标记.n维空间中线性判别函数(分类面方程)的一般形式为g(x)=(w,x)+b,其归一化形式使得两类所有样本都满足不等式约束条件y i[(w,x i)+b]≥1.S VM要求分类间隔2/w越大,对于未知点的判断越准确.分类间隔取得最大实际上就是对泛化能力的直接体现,可通过最小化w2/2实现,则原始最优化问题为m in w,b 12w2=12(w,w),s.t.yi [(w,x i)+b]≥1,i=1,…,l.(1)实际应用中遇到的大部分问题属于非线性问题,另外训练样本集内一些噪点及孤点数据可能存在误差而不能被O SH正确分类的情况不能忽视.通过引入核函数思想,采用非线性映射φ(x)将输入样本空间X(X∈R n)映射到一个高维特征空间F,在F中找到一个能正确划分新训练集的软间隔O SH 方程,把非线性空间的分类问题转换到线性空间的分类问题.原始问题可描述为:m inw,b,ζ12(w,w)+C∑li=1ζi,s.t.yi[(w,φ(x i))+b]≥1-ζi,ζi≥0,i=1,…,l.(2)其中,松弛因子ζi可软化约束条件,惩罚系数C>0,其值越大表示对错误分类的惩罚程度越大,实现在错分样本比例和算法复杂程度之间的折衷.该线性不等式约束条件下的凸二次规划问题,可采用Lagrange优化方法求解.根据M ercer定理,采用在样本空间进行的核函数运算代替高维空间中复杂的内积计算,不必知道非线性映射的具体形式,只需选定合适的核函数即可,大大降低了问题的难度,避免了“维数灾难”问题.对偶问题形式为m inα12∑li=1∑lj=1y i y jαiαj K(x i,x j)-∑lj=1αj,s.t.∑li=1αiy i=0,0≤αi≤C,i=1,…,l.(3)式中,αi为各个样本对应的Lagrange乘子.原始问题目标函数为凸函数,其解一定是全局解,对偶问题的最优解α3中各分量αi通常大部分为零,小部分大于零的αi所对应的样本即为支持向量xi.利用任意一个支持向量xi,根据鞍点处的KKT条件可求得阈值b3.文献[13]也提出了一种利用全体支持向量算得平均阈值的方法.通过构造的软间隔超平面方程可求得决策函数为f(x)=sgn∑li=1a3i y i K(x,x i)+b3.(4) O SH仅仅依赖于小部分α3i∈(0,C)所对应的全体支持向量,与其余大部分向量无关.基于以上算法得到的S VM称为非线性软间隔分类学习机.2　多类分类的支持向量机S VM分类器的输入为训练样本集和测试样本集,而输出则是对测试样本预测出的类别归属(即类别号).S VM本身是一个二分类算法,许多工程领域中的模式识别(分类)问题属于高维、非线性多分类问题,如何将其推广至多分类,以适应工程实际应用的需要,具有十分重要的意义.目前,构造S VM多类分类器的方法主要有两类,一类是完全多类S VM方法,以W eston[13]提出的多值分类算法为代表,通过改变两分类S VM原始最—29—王凯:基于多分类支持向量机的有杆抽油泵故障诊断研究优化问题,重新构造多类分类模型并对其目标函数进行优化,一次性实现多类分类.这类算法选择的目标函数十分复杂,计算复杂度也非常高,实现困难,分类精度上也不占优势,难以实际应用.另一类是组合多类S VM方法,其基本思想是通过组合多个两类S VM分类器实现对多类S VM的构造,主要有一对多(一对余)法,一对一法(成对分类法、投票法),有向无环图法,纠错编码法,基于二叉树的层次法等五种方法[14216].根据S VM理论知,组合多类S VM的训练时间取决于训练样本的个数而与其特征维数无关,分类时间取决于构造所需两类S VM的个数和两类S VM中支持向量的个数.综合比较5种方法的优缺点可知,一对多方法构造的两类S VM数量适中,算法简单且容易实现,对待测样本的分类结果与各个两类S VM使用顺序无关,推广上界与特征空间维数无关,训练时间较短,可用于大规模数据分类,因此应用最广.采用一对多法的S VM多分类算法基本步骤:①将训练样本和测试样本数据在[-1,1]标准化预处理,可避免大数淹没小数和避免核函数内积计算困难;②选择核函数和一对多算法,利用训练样本集进行分类器模型参数寻优;③利用训练样本集进行机器学习,建立S VM多分类器模型;④利用得到的分类器对测试样本进行分类验证.样本数据在[-1,1]标准化处理时应特别注意:既不能将训练样本集与测试样本集简单混合后统一进行标准化处理,也不能将训练样本与测试样本数据独立地分别进行标准化处理(即独立缩放).支持向量机属于有师学习算法,模式分类是基于已知类别的训练样本集并以其作为基准平台,所以对测试样本集标准化处理必须与训练样本集相联系.正确的做法是依据式(5)先将训练样本集标准化处理,找出训练样本集各属性特征的最小值m in(x train)、最大值m ax(x train),在此基准上依据式(6)对测试样本集进行标准化处理,即训练样本集与测试样本集关联缩放.公式(6)中的修正系数a和b默认取1.x3train=2x train-m ax(x train)-m in(x train)m ax(x train)-m in(x train),(5)x3test=2x test-b m ax(x train)-a m in(x train)m ax(x train)-m in(x train).(6)如果测试样本集的属性数据超出训练样本集对应属性特征的最小值或最大值,则需将训练样本集该属性特征的最小值m in(xtrain)缩小或最大值m ax(x train)整体线性放大一定的比例(如10%,即式(6)中a=0.9,b=1.1),以保证涵盖住测试样本集各属性特征数据范围,否则出错.3　仿　真仿真环境主要有M atlab7.1,L ibsv m-2.88, Python25,Gp400w in32;计算机CPU为英特尔双核1.66MHz,2G内存,W indow s XP操作系统.以获取到的中国某油田3个采油区块60口油井的泵功图特征数据为例验证一对多S VM方法进行多分类实验,选取其中的12口组成测试样本集,其余组成训练样本集.泵功图几何特征是进行故障识别与诊断的主要依据.根据抽油泵工作时的力学行为,可将上述60口油井的抽油泵井下工况划分为供液不足,严重气体影响,液击,气体影响,严重液击,正常等最常见典型工况,对应的工况类别号分别设定为1,2,3,4,5,6.在泵功图上选取最大位移点(即上死点Pr)、最小位移点(即下死点P l)、最大载荷点(PM)、最小载荷点(P N)、固定阀开启点(P SO)、固定阀关闭点(PSC)、游动阀开启点(P TO)、游动阀关闭点(PTC)等8个特征点,如图2所示.SV线、TV线分别表示固定阀、游动阀的开闭载荷线,ARU、ARD分别表示泵功图右上角、右下角空缺面积,AM表示泵功图面积,SP表示柱塞冲程,L为泵功图封闭曲线周长.为分析方便,设S×,××表示×点相对于××点的位移量.经过筛选最终选择12种特征参数(计算式见表1)组成一个样本,其数据格式形如表2所示.图2　泵功图特征点表1　特征参数计算式序号特征参数计算式序号特征参数计算式1c1=S r.m/S p7c7=L2/(4πA M)2c2=S l,n/S p8c8=L/Am 3c3=S m,n/S p9c9=S r,sc/S p4c4=S l,so/S p10c10=A ru/A M5c5=S l,tc/S p11c11=A rd/A M6c6=S r,to/S p12c12=S to,tc/S p—39—西安石油大学学报(自然科学版)表2　样本数据格式序号类别号c1c2c3c4c5c6c7c8c9c10c11c12 110.85850.14800.00650.03990.09220.77500.11671.21090.09330.11040.46690.1327 210.76030.13020.10950.03760.00180.56480.10351.14060.04310.10450.44870.4334 320.85850.17230.03080.12280.11280.81700.10701.15980.08210.10180.40650.0702 420.83260.22770.06030.03560.18870.76300.06270.88740.08010.12080.32880.0483 520.83980.13790.02220.03780.11620.75010.10701.15980.06580.10650.37170.1337 730.59290.39660.01040.02020.26880.55290.18221.51330.10660.01820.46420.1783 730.71970.52890.24870.04170.29180.37280.11391.19650.03280.03600.26040.3354 840.87080.45620.32700.04460.27440.52500.11931.22430.05580.05570.20630.2005 940.83370.42470.25840.03990.24110.54670.08631.04150.05970.09260.19250.2123 试验表明,S VM中采用径向基核函数分类效果较好.S VM分类器模型参数C和核参数γ的取值直接影响到分类器的学习能力和推广能力(惩罚系数C的作用前面已述,而核参数γ太大或太小分别会造成训练数据“欠拟合”与“过拟合”,γ的影响程度更为明显).通过计算分类器的推广误差来衡量参数的优劣,比较优秀的方法有K重交叉验证法,其过程是将标准化处理后的训练样本集随机分为K个集合(通常分为K等份),其中的K-1个集合临时充当新的训练样本集对其进行训练,得到一个决策函数,并用决策函数对剩下的一个集合(临时充当测试样本集)进行测试.该过程重复K次,保证每个训练样本都临时充当过测试样本,取K次过程中的交叉验证的准确度和均方根误差作为推广误差,可避免数据的“过拟合”和“欠拟合”.径向基核函数的γ值和目标函数中C值的确定以往主要靠经验或默认值,现在用基于网格搜索的K重交叉验证法确定.对γ和C设定一个初始搜索范围和步长(通常γ的搜索范围和步长分别为[-10,15]和1,而C的搜索范围和步长分别为[10,-15]和-1,也根据需要允许自行修改),这样就预设出一个关于C和γ的二维网格.网格中的每个节点,借助于python25软件包中的启发式自动搜索和K重交叉验证,可得到关于C 和γ的最优值以及寻优过程的等高线图,如图3所图3　C和γ的寻优等高线图示.交叉验证法得到的优化参数使得S VM模型很好地实现了复杂性与最小化误差之间的折中,增强了S VM分类器的泛化能力.选取12口油井的泵功图特征数据作为测试样本,分别使用一对多S VM方法、B P网络、RB F网络和最小距离法进行多分类仿真试验.使用B P网络和RB F网络时,需要将样本数据在[0,1]标准化处理,三层B P网络的结构参数如下:隐层节点数n=25,隐层和输出层传输函数分别采用单极S形函数和线性函数,网络学习算法采用默认的L M算法(该算法使网络训练收敛最快、收敛误差小),学习速率0.2,动量项0.9,最大训练次数1500,期望误差0.001.采用ne wrb创建径向基网络,可自适应地逐渐增加径向基神经元个数,可获得比ne wrbe更小规模的径向基网络,RBF网络扩展系数采用1.5,期望误差0.01.最小距离分类法的距离度量采用欧氏距离.4种分类方法的分类结果如表3所示.表3　抽油泵工况分类结果分类方法精度/%耗时/sBP法75.000 3.045RBF法58.3000.520S VM(优化参数)92.000 2.610S VM(默认参数)66.667 2.790最小距离法75.0000.053从表3可知,神经网络方法分类精度不高,耗时较长.最小距离法分类时,主要依据测试样本与训练样本的欧氏距离的大小决定测试样本的类别归属,通常适用于样本特征维数较少的情况,但耗时较少.经过参数寻优建立的S VM分类器模型对测试样本的分类精度明显高于采用默认参数时的分类精度,耗时介于神经网络法与最小距离法之间.S VM分类器有较高的鲁棒性体现在S VM模型参数C和γ在小范围波动,分类精度不受影响.对模式分类而言,—49—王凯:基于多分类支持向量机的有杆抽油泵故障诊断研究高质量的样本是取得高分类精度的前提,特征提取的方法是决定高质量样本数据的先决条件.神经网络法要想取得较高的分类精度除了依靠选择合理的网络结构和训练参数,还要有大量的高质量的样本数据.由于针对泵功图中固定阀、游动阀各自的开启点、关闭点的确定方法不一,导致标定的特征点位置与实际位置之间存在误差,样本数据质量不如公共标准数据库中样本数据理想,分类精度比不上对标准数据库中鸢尾型植物等许多范例的分类精度(这表明S VM非常适用于解决多分类问题),但是对于测试样本数量仅为总样本六分之一且样本特征为高维的情况,所得到的分类精度已经属于较高水平且耗时较小,证明将S VM用于有杆抽油泵故障诊断是正确、可行的.4　结束语正因为S VM有着严谨扎实的理论基础,易于实现,克服了神经网络容易出现的过学习和陷入局部极小的缺点,使得S VM泛化能力强,自适应好,能够在线运行,适用于解决小样本、高维、非线性的多分类问题.目前S VM已经成为继神经网络之后的机器学习领域研究热点.总之,基于多分类S VM在解决有杆抽油泵故障诊断问题中表现出了良好的性能,对提高采油效率、降低采油成本以及实现远程采油控制的自动化、智能化而且可以推广到很多工程应用领域,为建立数字油田提供了帮助,具有广阔的工程应用前景.致谢:衷心感谢西安理工大学刘宏昭教授、刘涵教授审阅全文并给予热情指导.参考文献:[1]　崔锦华,余国安,安锦高,等.有杆抽油系统[M].北京:石油工业出版社,1994.[2]　冯娜娜.抽油机井泵况智能诊断方法研究[D].秦皇岛:燕山大学,2007.[3]　吴伟,陈国定,何焱.基于人工神经网络和灰度矩阵的泵功图诊断[J].西安石油大学学报:自然科学版,2007,3(22):1202123.[4]　廖锐全,吴凌云,关治洪.基于神经网络的抽油机井井下故障诊断专家系统[J].武汉理工大学学报,2002,26(4):4572459.[5]　韩国庆,吴晓东,张庆生,等.示功图识别技术在有杆泵工况诊断中的应用[J].石油钻采工艺,2003,25(5):70275.[6]　王敏珍,刘超.神经网络技术在油井故障自动诊断中的研究与应用[J].长春工程学院学报,2005,6(4):41243.[7]　姬广伟,王奎升.人工神经网络技术对钢丝绳柔性抽油杆抽油机井故障诊断研究[J].石油矿场机械,2005,34(2):66268.[8]　舒服华.基于加权支持向量机的抽油机井故障诊断[J].石油机械,2006,34(3):57259.[9]　V ladi m ir Vapnik.The support vect or method of functi onesti m ati on[M].Bost on:Klu wer Academ ic Publishers,1998.[10]V ladi m ir Vapnik.Statistical Learning Theory[M].Ne wYork:John W iley&Sons,1998.[11]高隽.人工神经网络原理及仿真实例[M].2版.北京:机械工业出版社,2007.[12]刘冰.多类S VM分类算法的研究和改进[J].电脑知识与技术,2007,6:159021593.[13]W est on J,W atkins C.Multi2class support vect or machines[C]//M.Verleysen:Pr oeeedings of ES ANN99,B russels,1999:41283.[14]徐启华,师军.基于支持向量机的航空发动机故障诊断[J].航空动力学报,2005,20(2):2982302.[15]H su Chih2W ei,L in Chih2Jen.A Comparis on on methodsfor multi2class support vect or machines[J].I EEE Trans2acti ons on Neural Net w orks,2002,13(2):4152425. [16]郑永涛,刘玉树.支持向量机解决多分类问题研究[J].计算机工程与应用,2005,23:1902192.责任编辑:张新宝—59—of the drilling cost can hel p enter p rise direct ors and invest ors t o carry out scientific decisi on and esti m ati on.Based on analyzing the in2 fluential fact ors of oil2gas drilling cost,a drilling cost forecasting model is established using BP neural net w ork,in which the relati onshi p a mong the fact ors is considered.Taking the drilling work data of s ome oilfield as an exa mp le,it is p r oven that the method has higher forecast p recisi on than linear regressi on method and BP neural net w ork method.Key words:cost f orecast;oil2gas drilling cost forecasting;BP neural net w ork;linear regressi onL I U Tian2shi,ZHAO Yue,MA Gang(College of Computer,Xi’a n Shiyou University,Xi’an710065,Shaanxi,China)JXSY U2010V. 25N.1p.87290Study on the fault d i a gnosis of rod2pu m p i n g un it ba sed on m ulti2cl a ss support vector mach i n esAbstract:Because there are many defects in the traditi onal methods f or the fault diagnosis of r od2pu mp ing unit,a r od2pu mp ing u2 nit fault diagnosis method based on Support Vect orMachine(S VM)is p r oposed.To s olve the p r oble m of higher di m ensi onal non2linear classificati on,the s pecific algorith m s of non2linear s oft margin classificati on learning machine are analyzed and the op ti m al classificati on hyper p lane equati on with maxi m al classificati on margin is deduced by intr oducing kernel technique.The concrete algorith m for data p re2 p r ocessing under s pecial circu m stances is p resented.To choose op ti m al the model para meters,the cr oss validati on method based on grid2 search is used s o t o avoid the blindness and arbitrary and casualness in the selecti on of the para meters.The multi2classificati on si m ula2 ti on experi m ent f or oil2well pu mp ing operati on modes is carried out using one versus the rest S VM.The experi m ent result is compared with BP2ANN,RBF2ANN,m ini m u m distance method on the sa me experi m ent object.It is shown that one versus the rest S VM classifica2 ti on method has the advantages of strict theory,better feasibility,powerful generalizati on ability,str onger self2adap tati on,running on2line etc.It shows good perf or mance in the fault diagnosis of r od2pu mp ing unit.I n additi on,it is hel pful t o enhancing oil2p r oducti on efficien2 cy,realizing the intelligence of re mote oil2p r oducti on contr ol and building digital oilfield.Key words:r od2pu mp ing unit;fault diagnosis;support vect or machine;op ti m al separating hyper p lane;kernel calculati on;parame2 ter op ti m izati onWAN G Kai(Faculty of M echanical and Precisi on I nstru ment Engineering,Xi’an University of Technol ogy,Xi’an710048,Shaanxi, China)JXSY U2010V.25N.1p.91295Appli ca ti on of PS O2L SSV M cl a ssi f i ca ti on m odel i n logg i n g lithology recogn iti onAbstract:It is put f or ward t o combine particle s war m op ti m izati on(PS O)algorith m with least squares support vect or machines (LSS VM)t o i m p r ove the p recisi on of identifying lithol ogy according t o l ogging data.Firstly,PS O is used f or op ti m izing the i m portant para meters of LSS VM,and then the op ti m ized para meters are used f or obtaining a better PS O2LSS VM classificati on model.The experi2 mental results show that,compared with the traditi onal S VM model based on cr oss2validati on and the BP neural net w ork model with sin2 gle hidden layer,the PS O2LSS VM model can more accurately describe the nonlinear mapp ing relati onshi p bet w een l ogging data and li2 thol ogy categories,and it has higher p recise of lithol ogy identificati on and aut omati on degree of algorith m.Key words:lithol ogy identificati on;l ogging data;least squares support vect or machines;particle s war m op ti m izati on algorithm CHEN G Guo2jian,G UO Rui2hua(College of Computer,Xi’a n Shiyou University,Xi’an710065,Shaanxi,China)JXSY U2010V.25 N.1p.96299D esi gn of the da t a warehouse system for the veh i cle manage m en t of petroleu m tran sport a ti on en terpr isesAbstract:The traditi onal vehicle management syste m for petr oleu m trans portati on enter p rises is mainly used f or the daily business management,and it is difficult t o meet the needs of the analysis and decisi on of the enter p rises.For this reas on,a data warehouse syste m for the petr oleu m trans portati on enter p rises is designed.It can not only be used f or the vehicle management but als o can meet the needs of the analysis and decisi on of the enter p rises.The corres ponding the mes,multi2di m ensi onal data structures and multi2granularity data organizati on model are analyzed and designed,and the architecture and the component modules of the syste m are p resented.Key words:petr oleu m trans portati on enter p rise;vehicle manage ment;data warehouseWAN G W u2xi(College of Computer,Xi’an Shiyou University,Xi’an710065,Shaanxi,China)JXSY U2010V.25N.1p.1002102Ⅹ。

基于小波包和支持向量机的舰用发动机故障诊断

基于小波包和支持向量机的舰用发动机故障诊断崔建国;刘宝胜;王桂华;于明月;高阳【摘要】Warship engine is a complex system,due to the impact of marine climate,the probability of failure is greatly increased,and therefore,the warship engine fault diagnosis research is of great significance. In this paper,taking the main pump bearing of the ship engine as an example,the fault diagnosis method based on wavelet packet and support vector machine is presented. First,the collected data multilayer wavelet packet and find the signal energy of each band,formed feature vector various failure modes. Fault feature vectors formed training set input to the support vector machine,to establish the diagnosis classifier through training and the use of test data established diagnostic classification test. The experimental results show that the method can well realize the ship diesel engine fault diagnosis efficiency and has good prospects for engineering applications.%舰用发动机是一个复杂的大系统，由于受到海洋恶劣气候的影响，其故障发生的概率大大增加，因此，对舰用发动机故障诊断进行研究具有重大实际意义。

基于小波包-支持向量机的滚动轴承故障诊断

一
配对，化成两类问题进行训练，样就需要建立转这
（Ｋ一１／）２个ＳＭ。Ｖ在识别时，对构成的多个ＳＭＶ进行综合判断，一般用投票或淘汰的方法来完成多类识别，但这种方法需要较多的分类器，测试时需要
的应用价值。
一
对于非线性问题，用核函数将其从低维转化利成高维空间的线性问题，在特征空间中求最优分类面，时，此相应的分类函数变为：
个三层小波包分解的结构如图１所示。
）ｇ【）６】＝ｓ ∑。Ｙ（＋ ’ ｎ
（）６
进行多层次的频带划分，仅继承了小波变换所具不有的良好时频局域化优点，而且继续对没再分解的
可求得最优超平面的决策函数为：
，）ｓ［ｗ＋＝ｇ【。ｉ．＋（＝ｇ）ｂ］ｓ ∑口Ｙｘ）ｂ】 ¨ ｎ ‘
（５）
高频频带进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，之与信号频谱相匹使配，从而提高了时频分辨率，因此小波包具有更广泛
二次凸规划的问题，：即
振动信号为研究对象，利用小波分析进行消噪处理
后，再利用小波包频带能量进行特征提取，构成振动信号的特征向量，此基础上通过支持向量机对特在征向量进行故障模式识别，试验结果表明，基于小波包一支持向量机的滚动轴承故障诊断是可行的，且
支持向量机是由线性可分模式发展而来的，主要思想是建立一个超平面作为决策曲面，使得正、反例的边缘间隔最大化。将１个ｄ维样本表示为：７，

东北大学本科毕业设计论文《基于支持向量机算法的电网故障诊断方法研究》

ABSTRACT
With electricity demand growth and technology progress, power grid has become larger and more complex. Due to the formation of large power grids, the quality of electricity supply and electric security improves, also, resources complementary has been strengthened. Once fault occurs, however, it will spread to a wider area with a faster speed. For these merits, this study focuses on the fault diagnosis for power network based on support vector machine. By analyzing relative literatures and building a simulation model, this thesis finishes the analyzing of fault waveforms and harmonic distribution, and studies fault characteristics from the perspective of signal synthesis. To extract fault features submerged in original fault data, this thesis deeply studies the fuzzy processing method, the value detection of instantaneous current and the common fault feature extraction method based on wavelet singular entropy. For the error-prone of instantaneous current detection, fuzzing set ideas is drew to optimize the training samples and by modifying diagnostic strategies, the shortcoming is overcame. To reduce the elapsed time of the common fault feature extraction method based on wavelet singular entropy, a new fault feature combination is proposed by comparing the method with instantaneous current detection. This new combination can inspect faults rapidly when current has a sharp rise such as no- load line closing serious short circuit and improve the diagnostic accuracy when fault current rise is more gentle by taking advantage of wavelet transform which has a wealth of information. Under the condition that the fault features are extracted entirely, artifirt vector machine are used to diagnose power network faults. On one hand, a comparison of the two methods and a study on kernels, multi-class classification methods and SVM training algorithms are carried out. On the other hand, for a figurative expression of the diagnostic results, two dimensions are constructed from the training samples and a twodimensional optimal hyperplane is established by analyzing simulation system structure and data characteristics. Finally, by analyzing the spatial distribution of sample points, the three-dimensional optimal hyperplane is explored. －III－

鲸鱼优化多核支持向量机的滚动轴承故障诊断

Xrand 。这种机制保证了算法更强的最优值全局搜索
能力。上述过程的数学表述，
如式（10）、
（11）所示。
|
Pn = N∙Xrand - X
|
Hale Waihona Puke X(t + 1) = Xrand - M∙P
（10）
n
（11）
结合上述步骤，图 2 给出了鲸鱼优化算法的流
据。在不同的轴承状态下随机选取 10 组数据作为
文献标识码：A
DOI：10.14022/j.issn1674-6236.2021.03.007
文章编号：1674-6236（2021）03-0031-05
Fault diagnosis of rolling bearing based on whale optimized multi⁃core support
Keywords: SVM；whale optimization；bearing；fault diagnosis
收稿日期：2020-03-21
稿件编号：202003164
基金项目：国家自然科学基金地区项目（51865045）
作者简介：王建国（1958—），男，内蒙古呼和浩特人，博士，教授。研究方向：大型风力发电机组传动系统关键
王建国，等
鲸鱼优化多核支持向量机的滚动轴承故障诊断
围猎物、泡网攻击与搜寻猎物 3 个步骤。
1）包围猎物：在鲸鱼算法中，鲸鱼个体首先根据
各自所在的初始位置进行随机的搜索。在数学中，
这种搜索对应了算法的全局探索阶段，其数学模型，
如式（4）~（7）所示。
X(t + 1) = X*(t) - M∙P

基于遗传算法优化的支持向量机的齿轮箱轴承故障识别

第 26 卷第 13 期 Vol.26 No.13
电子设计工程 Electronic Design Engineering
2018 年 7 月 Jul. 2018
Байду номын сангаас
基于遗传算法优化的支持向量机的齿轮箱轴承故障识别
沈陆垚 1，师帅康 2
（1.南洋理工大学机械与航空工程学院，新加坡 636866；2.合肥工业大学机械工程系，安徽宣城 242000）
收稿日期：2017-08-18 稿件编号：201708106
作者简介：沈陆垚（1995—），男，江苏靖江人，硕士研究生。研究方向：模式识别与故障诊断。 - 52 -
沈陆垚，等基于遗传算法优化的支持向量机的齿轮箱轴承故障识别
1 支持向量机
1.1 线性支持向量机
首先对线性可分问题进行分析，以二维线性可
的分类的正确率，为实现齿轮箱轴承故障的模式识别和智能诊断提供了帮助。
关键词：齿轮箱轴承；支持向量机；遗传算法；故障识别
中图分类号：TN06
文献标识码：A
文章编号：1674-6236（2018）13-0052-05
Fault recognition of gearbox bearing based on support vector machine optimized by
Abstract: The fault recognition of rolling mill gearbox is the key to realize its intelligent diagnosis. Based on the purpose of improving the recognition accuracy，this paper uses the diagnosis model established by the support vector machine to realize the fault diagnosis，and the key parameters are optimized by Genetic Algorithm（GA）. The fault recognition experiments with the 6307 bearing and the bearing of the high line gearbox of a steel mill show that the recognition accuracies are both 95% ，which is 15% and 23% higher than that without optimization respectively. It is concluded that the optimization model improves the accuracy of the classification of SVM，which is helpful to realize the pattern recognition and intelligent diagnosis of gearbox bearing failure. Key words: gearbox bearing；support vector machine；genetic algorithm；fault recognition

支持向量机的涡扇发动机试车故障诊断

tianyezhounianchengzhouxiao超特高压输电线路单相接地故障特性研究期刊论文计算机仿真2008259linfengwangyonggen航空发动机控制系统故障检测仿真平台研究期刊论文计算机仿真20072412xuhuihuangshengguoshuping基于最小二乘支持向量机的航空发动机故障远程诊断期刊论文机械科学与技术2007265唐昌盛
．
Ｙ０ＮＧｅ— ａＸｕｎ，ＬｏｇＥＩｙｎ
（ｃｏｌｆｎｉｅ＆Ｅｅｇ，Ｎｒｗｓｍｌｔｃｎｃｎｖｒｔ，ｉａｈｎｉ１０２ｈｎ）ＳｈｏｏｇｎＥｎｒｙｏｔｅｔＰｏｅｈｉａＵｉｅｉＸ ’ｎＳａｘ７０７，Ｃｉａｈｅｙｌｓｙ
■
ＡＳＲＣＴ：ｏｄａｎｓｔｒｏａ￣ｅＳａａｈｆｌｉｔｓａｆｌｄａｎｓｓｍｂｓｄｏｕｐｒＶｃＢＴＡＴｉｏｅｕｂ —ｆｎｅｎ ’ ｓｔａｔｎｅｔ．ｕｔｉｏｉｓｔａｅｎＳｐｏｅ－ｇｎｇｐｕａｇｓｙｅｔｔｃｉｅＳＭ）ｉｅｔｂｉｅｏＭａｈｎｓ（Ｖｒｓｓｌｈｄ．ＳＭｉｓｅｉｅｉｅｒｓｌｓｍｐｅｓｔｎａｂａｏｄｇｎｒｌａａｓＶｓｐｃｌｓｄｆｍａａｌｓｅａｄｃｎｏｔｉｇｏｅｅｉ－ａｄｇｎｏｌｎａｚ
中图分类号：２３６Ｖ６，文献标识码：Ａ
ＡｐｌａｉｎｏｕｐｒｃｏａｈｎｎＦｕｔｐｉｔｆＳｐｏｔＶｅｔｒＭｃｉｅｉａｌｃｏ
ＤｉｇｏｉｆＡｅｏｎｉｅＴｅｔａｎｓｓｏｒｅｇｎｓ