基于支持向量机的液压泵故障诊断.pdf

第 2 8 卷第 8 期 2 O O 7年8月 煤矿机械 Co a l Mi n e Ma c h i n e r y V0 1 ． 2 8 N o． 8 Au g ． 20 0 7 基 于支持 向量机 的液压泵故障诊断 张国新，汤青波，许德昌 江西理工 大学 机 电工程学 院 ，江西 赣州 3 4 1 0 0 0 摘要支持向量机在解决小样本、 非线性及高维模式识别问题 中表现出许 多特有的优势， 用 一 支持 向量机构造“ 一对一” 多分类算法， 应用于 Z B 4 0液压泵的故障诊断， 取得 了较好效果， 较神 经网络方法， 它不必预先提取信号的特征量 ， 只需要 少量的故障样本训练分类器， 实用性好。 关键词 支持向量机 ；液压泵；故障诊 断 中图分类号 T P 3 0 6 文献标志码 A文章编号 1 0 0 3 ． o 7 9 4 2 o o 7 0 8 ． 0 1 9 3 ． 0 3 S t u d y 0 n Fa u l t Di a g no s i s Ba s e d o n S VM f o r Hy d r a u l i c Pu m p Z t t A N G G t t o x i n ， T A N G Q i l I g b o ， XUD e c l Ⅱ l g F a c u l ty o f M e c h a n i c a l a n d E l e c t r o n i c a l E n g i n e e r i n g ， J i a l d U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y ， G a n z h o u 3 4 1 0 0 0 ， C h i n a Ab s t r a c t ． S u p p o r t v e c t o r m a c h i n e S V M i s e ff e c t i v e t o s o l v e p r o b l e ms o f p a t t e rn r e c o g n i t i o n u n d e r t h e e o n d i ． t i o n o f fi n i t e s a mp l e s a n d h i d i me n s i o n a l s p a e e． I n s t e a d o f e o r f lmo n e S VM ， s VM wa s s e l e c t e d a s b i n a r y c l a s s i fie r t o c o n s t r u c t mu l t i c l a s s S VMs ． i n wh i c h t h e me a n i n g o f p a r a me t e r v wa s mo r e o b v i o u s a n d c o u l d b e d e t e r mi n e d mo l e e a s i l y ．A s a n a p p l i c a t i o n e x a mo l e ． 4 k i n d s o f r e a l f a u l t s a mo l e s f o r Z B 4 0 h y d r a u l i c p u mp w e r e c l a s s i fie d c o r r e c t l y u s i n g t h i s a l g o r i t h m ． Ke y wo r d s s u p p o r t v e c t o r ma c hi n e；h y d r a u l i c p u mp；f a u l t d i a g n o s i s 0引言 液压泵是液压系统中的核心元件 ， 对其工作状 况进行监测与诊断具有重要意义 。根据振动诊断理 论 ， 液压泵壳体上测得 的振动信号 ， 包含 了液压泵的 故障信息， 对振动信号的不同分析手段， 产生了不同 的振动诊断方法。文献[ 1 ] 使用了频谱分析法， 文献 [ 2 ] ， [ 3 ] 使用了神经网络分析方法。频谱法比较直 观， 但对专业知识要求较高 ； 神经网络分析方法对故 障样本的数量和质量都 要求较高 ， 而这一点在实际 应用中很难做到， 因此 ， 泛化能力 推广能力 较差。 近几年来 ， 在统计学习理论的基础上发展出一种 新的学习机器一支持向量机 S u p p o r t V e c t o r Ma c h i n e 。 支持向量机是建立在统计学习理论的V C 维理论和 结构风险最小原理基础上的， 根据有限的样本信息在 模型的复杂性和学习能力之间寻求最佳折衷， 以获得 最好的推广能力。它在解决小样本、 非线性及高维模 式识别问题中表现出许多特有的优势， 已被越来越多 地应用到模式识别领域 ， 如手写体文字识别、 人脸识 别、 生物识别和三维对象识别等， 并取得了良好的识 别效果。故障诊断的本质是模式识别， 本文应用支持 向量机 S V M ， 通过对小量的液压泵故障振动信号样 本的学习， 实现液压泵故障诊断。 1 支持向量机理论 1 最优分类超平面 对于线性可分 的训练样本集 ， Y ， i 1 ， 2 ， ⋯ ， n， 戈 ∈ ， r E { 1 ， 一1 } ， 存 在一个最优分类超 平面 妣 6 0 ， 如图 1 所示 。该超平面将上述训练 样本集无错误地分开 即训练错误率为 0 ， 且离超 平面最近 的样本点与超平 面之 间的距离 间隔 最 大。一般情况下 ， 归一化后 的分类面可以描述为下 列形式 当 Y i 1 时， 似 6 ≥1 当 Y 一1 时 ， w x6 ≤一1 图 1 最优分类超平 面 上述的分类面可以采用一种等价的形式描述为 Y w x6 ≥1 。经过理论推导， 构造最优分类超平 面实际上就是在约束式 1 和式 2 下对式 3 所描 述的泛 函进行最大化 a f ≥0 ， i 1 ， 2 ， ⋯ ， n 1 ∑a 。 0 2 il n n a ∑a 一 告∑a ia j y iy J 3 式中 a 拉格朗 日乘子。 最后求解一个二次规划问题 能保证收敛于全局最 优解 ， 神经 网络难以做到这一点 后得 出该最优分 类超平面为下列的符号函数形式 一 1 9 3一 ， s g n ∑ Y iO i 6 4 支持 向量 维普资讯 V o 1 ． 2 8 N o ． 8 基于支持向量机的液压泵故障诊断张国亲 等 第 2 8 卷第 8 期 a ≥0为支持向量对应的拉格朗 日系数 去{ [ 1 ] [ 一1 ] } ∑a i y ， O l i ≥0 式中 1 属于第 1 类的某个支持向量； ～1 属于第 2类的一个支持向量 。 2 支持向量机 S V M 在现实世界 中， 很多分类 问题都是线性不可分 的， 这使支持 向量机 的应用具有很大 的局限性。 但 是 ， 根据上述的广义最优超平面的思想 ， 可 以通过将 原样本空间的非线性 问题转化为另一个空间中的线 性问题。 S V M就是基 于这一思想 的， 即首先通过再 生核映射将输入空间变换到一个高维特征空间， 在 这个高维空间中样本变得线性可分 ， 然后在这个新 的特征空间中求取最优线性分类面 ， 而这种再生核 映射是通过定义适 当的内积核 函数实现的。 S V M分 类 函数的形式为 s g n ∑ a i y K X i b 5 式 中 K X i X 内积核 函数。 3 v一支持 向量机 vS V M 有时通过再生核 映射后也不能保证线性可分， 因此有人提出 vS V M， 表达式如下 m i n [ ⋯ 一 m 妻 i 1 ￡] 约 束 { 一 ≥ lD 一 ￡ 式 中 ￡ 松弛变量 ； k 类 中的哪一类得票最多 M a x Wi n s ， 就判定测试样 本属于哪一类。 2 “ 一对多” 的多分类算法 根据上一节介绍的二分类算法， 可以构造 k个 二类分类器。在构造 k个分类器中的第 m个分类 器时， 将第 m类 的训练样本作为一类 ， 将除去 m类 之外的其余所有类别的训练样本作为一类 。在对测 试数据的分类中， 采用“ 比较法” ， 将测试样本分别输 入给 k个二类分类器 ， 比较 k个输 出结果 ， 输 出为 最大的分类器的序号即为测试样本所属的类别 。 实际应用表明 ， “ 一对一” 通常较 “ 一对多” 的分 类效果更好， 本文采用“ 一对一” 多分类算法。 3 诊断实例 Z B 4 0 液压泵 的主要故 障是配油盘粘铜和斜 盘 粘铜 ， 故将故 障类型分为 4个类 型 ①正常； ②配油 盘故障； ③斜盘故障； ④配油盘与斜盘同时故障。经 试验得出结论， 配油盘一侧壳体上的测点是振动信 号的最佳测 点 ， 故在此处安装加速度传感器 ， 拾取 Z B 4 0 液压泵的振动信号作为样本数据或测试数据。 图2是部分样本 数据 的时域波 形 图 采样频率 1 0 0 0 0 H z ， 采 1 2 8点 ， 液压泵工作转速为 1 4 7 0 r ／ m i n 。 ㈤量薹 晏{ v 支持向量比数 的界。 ， 儿 因为 v 有明确的物理意义 ， 选择起来较 c～S V M更 有依据 ， 本文采用 S V M。 2 S V M多类分类器的构造 S V M本质 上是一个解决二分类 问题 的学 习机 器 ， 但现实中所遇 到的大量 问题却是 多分类 问题 。 S V M不能直接解决多类问题 ， 需要构造用 于多分类 的支持向量机算法。基于二分类的多分类支持向量 机算法主要有“ 一对一” 和“ 一对多” 2种。 1 “ 一对一” 的多分类算法 根据上一节介绍的二分类算法， 在 k 类样本中 构造所有可能的 2类分类器 ， 每个 2类分类器只用 k类中的 2类训练样本进行训练 ， 这样可 以共构造 出 k k一1 ／ 2个二类 分类器。在对测试数据样本 的分类 中， 采用 “ 投票法” 将测试样本输 入给 由 k 类中第 m类样本 和第 n类样本构造的二类 分类 器 S V Mm n 。如果输 出结果判定 属于第 m类 ， 则给第 m类加一票 ； 如果属于第 n类 ， 则给第 n类加一票 。 所有 k k一1 ／ 2 个二类分类器对测试样本分类后 ， 2 目 1 0 蜷1 2 0 2 0 4 o 6 0 8 0 1 0 0 l 2 0 0 2 0 4 o 6 0 R 【 】1 0 0 1 2 0 点数 点数 a 正常 泵 b 配油盘故障泵 图 2 Z 8 4 0液压泵 的部分样本数据 以 Z B 4 0液压泵的正常工作状态和 3种故 障状 态共 4 种状态建立多故障分类器。取每种状态 6 个 样本共 6 42 4个样本数据作为训练样本， 所有分 类器均采用高斯径向基核函数 K X i X e x p 一7 I I ， y0 ． 2和 v S V M， v一 0 ． 5 参数 v ， y的取 值 ， 对 S V M的性能影 响较大 ， 本例 中 y0 ． 5时， 出 现一例误判 ， 采用“ 成对分类” 的多类分类算法 将 2种状态各 6个样本作 为分类器 的二类输 入， 分别 标识为 1和 一1 ， 对应 4种工作 状态共建 立 4 3 ／ 2 6个 二 类 分 类 器 S V M 0 1 、S V M 0 2 、 S V M 0 3 、 S V M1 2 、 S V M1 3、 S V M 2 3 ， 其 中 S V Mm n代表 m类与 n 类样本之间建立的二类支持向量机。表 1 为建立好 的 S V Mm n对每组 2 个共 8 个测试样本的测试结果 ， 显示诊断正确率为 1 0 0 ％， 说明了该方法的有效性。 - - - 1 9 4 。- - 维普资讯 第 2 8卷第 8期 2 0 0 7年8 月 煤矿机械 Co a l Mi n e Ma c hi n e V0 J ． 2 8 N0 ． 8 Au g ．2 007 立磨液压系统的故障诊断与排除 任海 军 。贺利乐 1 ． 西安建筑科技大学，西安 7 1 0 0 5 5 ；2 ． 洛阳理工学院，河南 洛阳4 7 1 0 2 3 摘要 介绍 了立磨液压 系统的组成及作用， 针对立磨生产环境 的特殊性以及立磨液压 系统 的特殊性， 采用有效的故障分析和诊断方法一 简易诊断法和综合分析法， 查找液压系统故障产生的 原因和部位 ， 并介绍了立磨液压 系统常见的故障原因和排除方法。 关键词 立磨液压 系统 ；简易诊断法 ；综合分析法；故障原 因；排除方法 中图分类号T P 3 0 6 文献标志码 A文章编号 1 0 0 3 ． 0 r 7 9 4 2 0 0 7 0 8 ． 0 1 9 5 ． 0 3 Br e a k d o wn Di a g n o s i s a n d Re m o v a l i n Hy d r a u l i c S y s t e m 0 f Ve r t i c a l M i l l R E NH a l j u n 。 HEL i l e 【 1 ． X i ’ a n U n i v e r s i t y o f A r c h i t e c tu r e and T e c h n o l o g y ，X i ’ a ll 7 1 0 0 5 5 ， C hi n a ； 2 L u o y ang I n s ti tu t e of T e c h n o l o gy， L u o y a n g 4 7 1 023 ， C hin a Ab s t r a c t T h e c o mp o s i t i o n a n d f u nc t i o n o f t h e h y d r a u l i c s y s t e m o f v e r t i c al mi 1 1 a r e i n t r o du c e d．i n v i e w o f the v e r t i c al mi 1 1 p r o d u c t i o n e n v i ron me n t p a r t i c ula r i t y a s w e l l as t h e h y d r a u l i c s y s t e m p a r t i c ula r i t y ，a d o p t e d the e l - f e c t i v e f a u l t analy s i s and d i a g n o s i s me tho dt h e s i mp l e d i a g n o s i s me thod a n d the c o mp r e h e n s i v e analy t i c al me thod ，s e a r c h i n g f o r the r e aso n and s pot o f t h e b r e a k d o w n i n t h e h y d r a u l i c s y s t e m，and the reaso n an d r e ． mo v a l me thod o f the c o mmo n b reakd o wn i n the h y d r a u l i c s y s t e m o f v e rt i c al mi 1 1 a l e i n t r o d u c e d ． Ke y wo r d s h y d r a uli c s y s t e m o f v e rt i c al mi l l ；s i mp l e d i a g n o s i s m e thod ；c o mp reh e n s i v e a n aly t i c al me thod ； b r e ak d o wn reasO l l ；remo v al me t h od 0引言 立磨与球磨相比， 具有产量高， 粉磨效率高， 能 耗低和烘干能力强等优点 ， 因此 ， 被广泛应用于水泥 行业的生料生产 中。立磨 是水泥生 产 中的关键设 备 ， 它的工作性能直接决定着立磨的生产能力。而 影响立磨生产能力的主要 因素之一就是立磨的液压 系统。液压系统工作可靠， 供油压力稳定， 故障少， 表 1 S V Mr r m的测试 结果 4结 语 针对人工神经网络、 模糊诊断等智能诊断方法 ， 需要大量的故障样本或先验知识 ， 并且往往需要预 先提取信号的特征量， 本文用 v 一 支持向量机构造 “ 一 对一” 多分类算法， 建立 了基于支持 向量机的多 故障分类器。应用多故障分类器对 Z I MO液压泵 ， 正 常、 配油盘故障、 斜盘故障 、 配油盘与斜盘同时故障 4 种数据样本进行分类 ， 取得 了满意的效果。该分 类器的训练和测试数据样本均为时域 的原始故障数 据 ， 不必预先提取信号的特征量 ， 且只需要少量的故 就为立磨提高台时产量提供了必要的保证条件。 1 立磨液压系统的组成及作用 立磨种类 比较多 ， 但它们的液压系统基本相同。 图 1 是 M P S 3 7 5 0 B立磨液压系统原理图。 立磨液压系统 主要 由液压泵 、 液压缸 、 蓄能器 、 液压控制阀和基本油路等组成。系统的主要作用就 是向磨辊提供足够的、 稳定的研磨压力。此外 ， 还用 障样本训练分类器， 具有算法简单、 可操作性强、 可 对故障在线分类和故障分类能力强的优点 。 参考文献 [ 1 ] 黄志坚， 袁周 ． 液压设备故障诊断与监测实用技术 [ M] ． 北京 机 械工业出版社 ， 2 0 0 6 ． [ 2 ] 张远深， 张明霞． 径向基函数网络在液压泵故障诊断中的应用与 实现 [ J ] ． 液压与气 动， 2 0 0 5 1 3 84 0 ． [ 3 ] 郑军华， 马骏骑 ． 基于神经网络的液压泵故障诊断一学习系统的 分析[ J ] ． 昆明理工大学学报 理工版 ， 2 0 0 3 ， 2 8 1 3 94 1 ． [ 4 ] V a p n i k V ． N ． 统计学习理论的本质[ M] ． 张学工， 译． 北京 清华大 学出版社 ， 2 0 O O ． [ 5 ] 阎平凡 ， 张长水 ． 人工神经网络与模 拟进化计算 [ M] ． 2版． 北京 清华大学出版社 ， 2 0 0 5 [ 6 ] 张周锁， 李凌均 ， 何正嘉． 基于支持向量机的多故障分类器及应用 [ J ] ． 机械科学与技术 ． 2 O O 4 ， 2 3 5 5 3 6 5 3 9 ． [ 7 ] 赵晶， 张旭东， 高隽． 基于支持向量机的多类形状识别系统[ J ] ． 合 肥工业大学学报 ， 2 0 0 4 ， 2 7 1 2 32 6 ． 作者简介张国新 1 9 7 1 一 ， 江西新赣人 ， 1 9 9 9年获江西理工大 学机械工程硕士学位 ， 现在主要从事机械故 障诊断方面 的教学研究 工作 ， 电话 0 7 9 75 8 6 5 9 0 9 ， 电子信箱 z h d y 2 1 8 h o t ma i l ． C O B． 一 1 9 5一 收稿 日期 2 0 0 7 ． 0 4 - 0 7 维普资讯