基于最小二乘支持向量機的機車軸承故障診斷

雷燁，姜子運

(蘭州交通大學自動化與電氣丁程學院掃肅蘭州730070)

摘要：針對神經網絡故障診斷存在的諸多問題，提出了基于最小二乘支持向量機的機車軸承故障診斷方法采用最小二乘支持向量機方法建立多類故障分類囂，對輸入的特征向量信息進行分類，完成故障診斷功能仿真證明了最小二乘支持向量機在小樣本情況下比神經網絡具有更強的泛化能力，用于故障診斷時在識別準確率和抗干擾能力方面有明顯的優勢

關鍵詞：最小二乘支持向量機；故障診斷；多類故障分類；機車軸承

中圖分類號：TP183    文獻標識碼：A

    1引言

 

    神經網絡在故障診斷中的應用研究已經取得了較多的成果[1]-[4]，但它存在易陷入局部最小值、泛化能力差、需要大量的學習樣本、網絡結構難選擇等方面的問題。在處理實際的故障診斷問題時，由于能得到的故障數據樣本數量極其有限，神經網絡方法實際應用效果并不理想。支持向量機是由Vapnik等人在統計學習理論的基礎上建立起來的一種機器學習方法[5]，著重研究小樣本情況下的統計學習規律。基于結構風險最小化原理的SVM，既能有效地處理非線性數據，又能限制過學習，特別適合于小樣本集的數據處理，較好地解決了神經網絡在故障診斷中存在的問題。

 

    隨著現代測試技術、計算機技術和信號處理技術的迅速發展，故障診斷技術在鐵道機車車輛中的應用越來越廣泛[6]。軸承是機車運行韻關鍵部件，對運行的安全性具有重要影響．而且軸承故障也是車輛運行中的主要故障源之一。文獻[7][8]對機車車輛軸承的神經網絡診斷方法進行了深入探討。

 

    本文提出了基于最小二乘支持向量機的機車車輛軸承故障診斷方法，與文獻[7]不同的是采用最小二乘支持向量機方法建立多故障分類器。采用文獻[7]中給出的數據，將BP神經網絡和LS-SVM進行比較，文中的分析研究和仿真結果證明了LS-SVM方法的有效性、優越性和魯棒性。

 

    2 基于LS-SVM的多故障分類器

 

    2.1最小二乘支持向量機

 

    支持向量機主要思想是：首先選擇非線性映

    Suykens在文獻[10]中提出了LS-SVM方法，與標準SVM相比，LS-SVM用等式約束代替不等式約束，且將誤差的二范數作為優化目標的損失函數，把標準SVM中解二次規劃問題轉化為求解線性方程組問題[11]：

2.2  LS-SVM多故障分類器的建立

 

    最小二乘支持向量機是一種處理二分類問題的方法，但在實際應用中需要解決多類分類問題，為此需要研究用最小二乘支持向量機解決多類分類問題。多類分類也是以二分類為基礎的，現在主要的多類分類算法有一對一、一對多和有向無環圖分類法等，本文應用了一對一分類法。

 

    一對一方法是在每兩類之間訓練一個分類器，因此對于一個k類問題，有k類訓練數據，這k類訓練數據兩兩結合，共可構建M=(k-I)／2個訓練集，分別使用LS-SVM兩類分類算法對這M個訓練集進行學習，產生M個分類器。當決定樣本類別時，采用****即贏策略，每個分類器對樣本進行一次判斷，若分類器判斷出樣本屬于第i類，則i類的票數增加一票，最后將樣本歸為票數最多的那一類。

 

3基于LS-SVM的車輛軸承故障診斷

 

3.1車輛軸承振動信號的獲得