基于大规模训练集支持向量机的故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109816016A(43)申请公布日2019.05.28(21)申请号201910062336.3(22)申请日2019.01.23(71)申请人淮海工学院地址222005江苏省连云港市苍梧路59号淮海工学院(72)发明人徐启华师军(74)专利代理机构北京科家知识产权代理事务所(普通合伙)11427代理人陈娟(51)Int.Cl.G06K9/62(2006.01)权利要求书3页说明书8页附图2页(54)发明名称基于大规模训练集支持向量机的故障诊断方法(57)摘要本发明公开了故障诊断技术领域的基于大规模训练集支持向量机的故障诊断方法，提出了一种新的SVM学习策略，通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本，使最终得到的约减集规模明显缩小，从而可在保持较高分类精度的前提下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，给出了序贯最小优化算法的参数选择方法和几个关键问题的解决方法，为这种极具潜力的算法在SVM故障诊断中的实际应用奠定了坚实基础；本发明基于大规模训练集SVM的故障诊断方法有效、可靠，容易实现，可以作为工程应用的基础。CN109816016ACN109816016A权利要求书1/3页1.基于大规模训练集支持向量机的故障诊断方法，包括大规模训练集L和支持向量机SVM，其特征在于：首先用一个小规模的样本集S0训练得到一个初始的SVM分类器F0，然后用所述SVM分类器F0对所述大规模训练集L进行修剪，修剪后得到一个规模较小的约减集S，再用所述约减集S进行训练得到最终的故障分类器；l对于训练样本(xi,yi)∈R×{+1,-1},i＝1,2,…,n，进行两类故障分类时，所述支持向量机SVM求解的优化问题为检验样本x的决策规则为由于所述训练样本规模较大，计算工作量和存储空间的开销很大，优化问题直接求解难以进行，需要采用SMO算法求解。2.根据权利要求1所述的基于大规模训练集支持向量机的故障诊断方法，其特征在于：所述具体步骤如下：(1)从所述大规模样本集L中随机抽取一个小规模样本集S0，用所述小规模样本集S0训练得到初始的SVM分类器F0；(2)修剪所述大规模样本集L，得到约减集S，然后用所述约减集S训练得到最终的分类器；设所述SVM分类器F0的分类超平面为H，对于所述大规模样本集L的任意一个样本x，设x与H的距离为r，则有r＝g(x)/||w||，其中w是所述支持向量机SVM的权值向量，两类支持向量所在超平面到H的距离分别为±1/||w||。3.根据权利要求1所述的基于大规模训练集支持向量机的故障诊断方法，其特征在于：采用所述SMO算法求解的具体实现方法如下：κ＝K(x1,x2)+K(x2,x2)-2K(x1,x2)2CN109816016A权利要求书2/3页其中，标注“old”的表示上一步的计算值，标注“new”的表示得到的新计算值；每次进行更新计算时，都要计算式(3)中的Ei(i＝1,2)和式(1)中的目标函数W(α)，若直接由式(1)、(3)进行计算，需要利用全体训练样本，当所述训练样本数目大时，计算工作量不小，为了减少计算开销，对它们的计算公式进行改写，不必每次都直接计算，而是充分利用上一次的计算结果，迭代计算；(1)阈值b的更新得到后，若有则首先根据KKT条件更新式(2)中的阈值b，b的初始值取为零：若同时还有则(2)Ei的迭代计算Ei是预测函数输出与期望输出之间的差值，可按下式迭代计算式(3)的运算次数为O(n)量级；与式(3)相比，式(4)利用了上一次的计算结果，仅需重新根据两个样本计算，需要做4次乘法，6次加法，显然，在训练样本规模较大的情况下，收益较大；(3)目标函数W(α)的更新计算根据式(1)计算目标函数，运算次数为O(n2)量级；而式(5)的运算次数为O(n)量级，显然，在所述大规模样本集L下，式(5)比式(1)要减少很多计算工作量；另外，迭代过程中还要计算α2＝L或α2＝H处的目标函数值，此时，也只需计算出增量，与上一次的计算结果相加即可，目标函数增量为4.根据权利要求2所述的基于大规模训练集支持向量机的故障诊断方法，其特征在于：修剪所述大规模样本集L具体修剪方法是：若x被所述SVM分类器F0错分，则保留此样本；若x被所述SVM分类器F0正确分类，当1-ε≤|g(x)|≤1+ε时，保留x，否则删除它，其中0<ε<1为可以调整的阈值。3CN109816016A权利要求书3/3页5.根据权利要求4所述的基于大规模训练集支持向量机的故障诊断方法，其特征在于，确定所述小规模样本集S0规模依据的条件是：使用训练代价不高，且保证用训练得到的所述SVM分类器F0有一定的分类精度。6.根据权利要求2所述