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(xué)自動化與電氣丁程學(xué)院掃肅蘭州730070)
摘要：針對神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(yōu)勢
關(guān)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(jīng)網(wǎng)絡(luò)  在故障診斷中的應(yīng)用研究已經(jīng)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(xué)習(xí)樣本、網(wǎng)絡(luò)結(jié)構(gòu)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(shù)據(jù)樣本數(shù)量極其有限，神經(jīng)網(wǎng)絡(luò)方法實際應(yīng)用效果并不理想。支持向量機  是由Vapnik等人在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上建立起來的一種機器學(xué)習(xí)方法[5]，著重研究小樣本情況下的統(tǒng)計學(xué)習(xí)規(guī)律�；诮Y(jié)構(gòu)風(fēng)險最小化原理的SVM，既能有效地處理非線性數(shù)據(jù)，又能限制過學(xué)習(xí)，特別適合于小樣本集的數(shù)據(jù)處理，較好地解決了神經(jīng)網(wǎng)絡(luò)在故障診斷中存在的問題。
隨著現(xiàn)代測試技術(shù)、計算機技術(shù)和信號處理技術(shù)的迅速發(fā)展，故障診斷技術(shù)在鐵道機車車輛中的應(yīng)用越來越廣泛[6]。軸承是機車運行韻關(guān)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(jīng)網(wǎng)絡(luò)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(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)和LS-SVM進行比較，文中的分析研究和仿真結(jié)果證明了LS-SVM方法的有效性、優(yōu)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(shù)作為優(yōu)化目標的損失函數(shù)，把標準SVM中解二次規(guī)劃問題轉(zhuǎn)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(yīng)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(chǔ)的，現(xiàn)在主要的多類分類算法有一對一、一對多和有向無環(huán)圖分類法等，本文應(yīng)用了一對一分類法。
一對一方法是在每兩類之間訓(xùn)練一個分類器，因此對于一個k類問題，有k類訓(xùn)練數(shù)據(jù)，這k類訓(xùn)練數(shù)據(jù)兩兩結(jié)合，共可構(gòu)建M=(k-I)／2個訓(xùn)練集，分別使用LS-SVM兩類分類算法對這M個訓(xùn)練集進行學(xué)習(xí)，產(chǎn)生M個分類器。當(dāng)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(shù)增加一票，最后將樣本歸為票數(shù)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
|
