基于支持向量机的4—135柴油机故障诊断.docx

基于支持向量机的4—135柴油机故障诊断摘要：利用小波包能量法提取数据特征值，减轻了通过波形分析法所需要做的大量特征提取；并且利用支持向量机（SVM）作为故障分类模型，结合能量法所提取的特征数据，最终得出的结果稳定准确率高。最后拓展讨论了选取不同归一化数据处理方法或不归一化，以及选用不同核函数对最终结果（准确率）的影响。关键词：故障诊断柴油机小波分解支持向量机（SVM）柴油机是一种重要的往复式动力机械，大多作为动力源使用在各种设备上。由于柴油机结构复杂，故障类型多、特点不一而可监测状态参数较少（温度、压力为主），因此多数故障在参数表现上呈一致状态很难判断故障类型（所在）。支持向量机是在小样本情况下发展起来的一种基于统计理论中VC维理论和结构风险最小化理论的新型机器学习理论，较好地解决了小样本、高维数和非线性等问题。SVM可以进行直观的几何解释，并且克服了BP、Hopfield中较难确定结构和存在局部最优等弊端，从而极大地提高了系统的泛化能力。因此，在此背景下，笔者着重研究基于支持向量机的柴油机故障诊断技术。1支持向量机支持向量机结构体系中所出现参数符号分别有：变量i=（i=1，2…，s）是拉格朗日乘子，s是乘子的数量；b为阈值或偏移量；K（x，xi’）为一个支持向量机的核函数；xi’（i=1，2…，s）为SVM的支持向量机；x为训练样本、检验样本或实测样本中的某个向量；y（x）为x对应的输出量。2柴油机特征信号提取2.1故障诊断信号提取系统的建立图1为柴油机故障信号提取的系统简图。本系统中柴油机的数据采集是通过以下两部分传感器完成：（1）喷油器入口的压力传感器（CYG30固态压阻传感器）；（2）柴油机缸头的振动传感器（YD系列压电式加速度传感器）。其中采样频率fs为25HZ，数据长度10240。两个传感器传输信号经电荷放大器（DHF-6系列电荷放大器）放大后，进入计算机数据采集系统并做转化处理。2.2特征提取（小波包能量法）以故障类型：出油阀磨损某一组数据为例。通过MATLAB对振动波形图进行小波分解重构如图2所示，对S130～S137进行能量计算可得如表1数据，即为所要提取的特征值。3诊断实例3.1选定讯练集和测试集选取出油阀磨损、供油多、供油提前角晚、供油提前角早、针阀卡死、针阀磨损等六种故障类型。根据上文所述提取特征值方法分别对6中故障类型数据进行特征值提取可以得到样本集总共有6种类别（故障），31个样本，8个特征分量。现将每个类别（故障）中的前三组提取出来重新组合数据，作为讯练集。后两组的数据作为测试集。对训练集和测试集做[0，1]归一化处理，对应映射如：。式中，，归一化的效果是原始数据被规整到[0，1]范围内，即，这种归一化方式称为[0，1]区间归一化。3.2训练与测试通过训练集对SVM分类模型进行训练，用所得模型对测试集进行分类预测，最后得到分类的准确率为93.6667%。4结论通过最终准确率可以看出，本文所采用的通过小波分解重构求各层能量的方法提取特征值并结合支持向量机理论的方法对柴油机故障诊断的结果是准确的，而且精度高分类结果稳定。5案例拓展5.1选用不同归一化数据预处理方法选择不同的归一化数据预处理方法或者不归一化，最后分类结果如表2。由表2可以看出，本例需要对数据进行归一化，才能提高最后的分类结果的准确率，并且不同的归一化方法使得最终结果也不同。但是并不能下定论说任何问题都必须要归一化，还是要以实际为主。5.2选用不同核函数的对比对于SVM中采用不同的核函数进行Matlab实现，分类结果（测试集统一采用[0，1]归一化）如表3所示。通过表3可以看出，针对本例数据选择RBF（径向基）函数作为核函数，最终的分类准确率最高。