基于SVM的旋转机械在线状态监测研究

1、基于SVM的旋转机械在线状态监测研究李晔1，蒋东梅1，李必文2（1.南华大学 工程训练中心，湖南 衡阳 421001）（2.南华大学 机械工程学院，湖南 衡阳 421001）摘要：为了解决传统旋转机械故障诊断系统识别率不高的问题，本文根据支持向量机(Support Vector Machine, SVM)在解决小样本数据集及非线性问题上的独特优势，提出了一种基于SVM的故障诊断方法。并将该方法应用在模拟转矩试验台的故障诊断上，实验结果表明该方法能够对故障进行有效的识别。关键词：旋转机械 支持向量机 在线监测中图分类号：TP 23； 文献标识码：BStudy of On- line Condit

2、ion Monitoring Systemfor Rotary Machine Based on SVMLi Ye1，Jiang Dong Ping1，Li Bi Wen 2 Abstract: In order to solve the low recognition rate problem of the traditional rotating machinery fault diagnosis system, according to SVMs ability to solve the small sample data sets and nonlinear problems, A f

3、ault diagnosis method based on SVM is proposed. The experiments on Analog Torque Test Stand state recognition shows this method is practical.Keywords: Rotating Machine； Support Vector Machine；On-line Monitoring0 引 言旋转机械是工农业生产中非常重要的设备，在发电站、灌溉、石油炼制、化工等多个领域中应用非常广泛，其运行状况的好坏直接影响着生产能否正常进行。因此对旋转机械的运行状态进行有效

4、的实时在线监测和分析诊断，及早发现故障隐患，及时为旋转机械维修提供科学的依据，将是一项极具现实意义的工作。支持向量机（Support Vector Machine）是近年来出现的一种新的数值计算方法1。它与神经网络不同的是具有严密的理论基础。能够解决高维问题和局部极值问题。支持向量机使用大间隔因子来控制学习机器的训练过程，使其只选择具有最大分类间隔的分类超平面，从而使其在满足分类条件的情况下，又具有高的推广能力。在解决许多实际问题时很有成效。将SVM技术引入旋转机械故障诊断领域，有望克服传统故障诊断方法识别率不高的缺点。1. 支持向量机理论 支持向量机(SVM)方法由Vapnik等提出2-3，

5、是从统计学习理论基础上发展起来的一种新的通用学习方法，它是结构风险最小化原理的近似实现。SVM是从线性可分情况下的最优分类面发展而来的，其基本思想可用图1的两类分类问题来说明。其中实心点和空心点代表两类样本，为分类线，、分别为过各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离叫做分类间隔(margin)。SVM是通过原空间或经投影后在高维空间中构造最优分类面，其最优分类函数是：其中为符号函数，而是分类的阈值。图1 线性可分情况下的最优分类线示意图而对于非线性情形，如图2所示。SVM的基本思想是通过某种特定的非线性映射，将样本空间映射到高维特征空间，使其线性可分，并在高维特征空间中构

6、造出最优分类超平面，从而实现分类。 图2 非线性情形示意图2. SVM的训练算法为了能在实际问题中应用支持向量机方法，需要有效的学习算法，近年来许多研究者在这方面作了大量的工作，使支持向量机成为一种能在实际问题中应用的技术。Chunking算法以及分解算法都包含对分解后的子系统求解二次规划问题的内循环，虽然是比原问题规模较小的二次规划问题，但一般仍必须用数值法求解，这往往会在计算精度和计算复杂性方面带来一些问题。SMO算法4也是一种分解算法，但是其工作空间只包含两个样本，即在每一步迭代中都只对两个拉格朗日乘子进行优化，由于对拉格朗日乘子的线性等式约束，这是可能达到的最小优化问题，可以求出二次规

7、划问题的解析解。因此SMO算法只需一段简洁的程序代码就可以解决二次规划问题，而不必在每一步迭代中都调用一次数值求解二次规划问题的复杂函数。这样，尽管在SMO中二次规划子问题增多了，但是总的计算速度反而大大提高。此外，这种算法完全不需要处理大矩阵，因而对存储空间没有额外的要求，很大的SVM训练问题也能用个人计算机进行运算。由于这些优点，SMO是目前在实际问题中应用最为广泛的一种方法。本文中SVM的训练算法也采取SMO算法，如图3所示为SMO算法的流程图。SMO算法将工作集的大小限定为2。一次只对两个lagrange乘子进行优化，通过启发方式对其进行优化，这种思想事实上就是一种爬山式的学习方法。支

8、持向量机算法的具体步骤如下:1. 获取训练样本，； 2. 选择进行非线性变换的核函数以及对错分类(误差)进行惩罚的惩罚因子C；3. 构造二次优化问题;4. 解二次优化问题;5. 获得a0和b0，得到支持向量机；6. 将待检测的样本输入支持向量机，得到检测结果。3. 实 验实验装置采用模拟转矩实验台，见图4。它是一种精密多功能的旋转机械装置，能模拟产生旋转机械的轴向和径向振动，并能比较精密地控制转速、转子不平衡程度、弯曲程度、碰磨程度、转子与轴承之间配合间隙大小，以及轴承座的位置，从而有效模拟多种旋转机械故障。利用模拟转矩实验台模拟旋转机械中的6种故障，分别是：转子不平衡、转轴不对中、油膜涡动、

9、转子横向裂纹、动静件碰磨、机座松动。为了能够准确地了解系统及相应算法的性能，仿真实验需要能够明确地知晓被监测图3 SMO算法流程图图4. 振动实验台设备当前的状态，又需要让各状态之间具备一定的相似度。本文采用以下方案：将加速度传感器分别安装在基座的X、Y、Z轴方向，采集三个方向的振动信号。选择经过特征提取的转子不对中、转子不平衡、齿轮故障、轴承滚子故障、动静件摩擦、轴承座松动等6种故障样本各50个，选择径向基函数(RBF)作为核函数，径向基函数也称作高斯核函数6，表示方法如下：选取惩罚因子C和核参数分别为50和0.01，训练样本并形成SVM，如表1所示，得出SVM的识别率。由表可以看出，SVM

10、的能够对故障样本进行有效的识别。表1 SVM识别率故障类型识别精度轴承滚子故障94.2%断齿故障93.4%基座松动85.0%动静件摩擦91.3%不平衡79.0%不对中99.1%4. 总 结从实验的结果来看，本文开发的基于SVM的在线系统在模拟转矩试验台的各状态识别上，有着较好的识别率，仿真实验证明该系统是有效的。虽然仿真实验取得了一定的效果，但是真正应用于工厂复杂旋转设备故障诊断，系统还需要作进一步的实验验证与完善。参 考 文 献1 江志钢.基于支持向量机的机床故障诊研究J.装备制造技术,2009.12.2 Vapnik V. The nature of statistics learning theory M. New York: Springer-Verlag,1995. 40-50.3 Vapnik V. Statistical learning theory M. NewYork: JohnWiley and Sons, 1998, 102- 110.4 Shevade S K，Keerthi S S，Bhattacharyya C, Murthy K R K. Improvements to the SMO Algorithm for SVM regressionJ. IEEE Transactio