资源描述：
《基于支持向量机的发动机故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、基于支持向量机的发动机故障诊断研究摘要:故障样本的缺乏严重制约智能故障诊断的发展,本文提出支持向量机应用到发动机故障诊断中,该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广,而且模型简单,具体是将汽车在典型故障下尾气中各气体的体积分数作为训练样本。用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断。经过LIBSVM工具箱进行仿真,结果表明经优化后的支持向量机对于小样本故障诊断有很高的准确率。 关键词:故障诊断支持向量机小样本 :TP277:A:1007-9416(2011)03-0050-02 FaultDiagnosi
2、sofEngineMisfireBaseonSupportVectorMachine ZhangKaiyu,LuDiSongLixinDoumakesimulation,theresultshoachinehasaveryhighaccuracy. Keyachine;Smallsamplesize 汽车发动机在使用过程中随着技术状况下降,出现故障现象增多,因此对发动机的故障诊断并排除,对发动机节能和减少污染有着十分重要的意义。由于发动机是一个高阶,非线性,大惯量,多模型的系统,其故障难以用精确的数学模型描述。传统的方法是运用神经X络、模糊逻辑、专家系统等
3、基于数据学习的智能故障诊断方法[1-2],但是这些传统方法理论基础都是传统统计学,根据大数定律可知,只有当训练样本数目接近无限大时才能准确表达。但对于发动机这样一种集机械、电子、液压、信息处理等为一体的复杂工况的机器,其故障模式的识别是一个小样本学习问题。由Vapnik博士等人不断完善的支持向量机算法在在人脸识别、文本分类、作物病害识别[3-5]等领域得到广泛的应用,较好地解决了线性不可分问题,为有限样本情况下的统计学习问题提供了一种有效的解决途径。专门针对小样本问题的支持向量机就有望解决神经X络等学习方法中遇到的一些问题,比如如何确定X络结构的问题、过学习与欠学习问题
4、、局部极小点问题等[6]。因此将多分类支持向量机(SVM)应用到发动机的故障诊断中,将有助于提高故障诊断的精度和故障诊断的智能化。 1、支持向量机(SVM) SVM是从线性可分情况下的最优分类面发展而来的,基本思想可用两维情况来说明。在图1中,三角形和正方形分别表示两类样本,H为分类线,H1、H2分别为过离分类线最近的样本且平行于分类线的直线,相邻之间的距离叫做分类间隔(margin)。最优分类线即为要求分类线不但能将类正确分开(训练错误为0),而且使得分类间隔最大。对于线性不可分情况,需要引入一个常数C:惩罚系数,来控制对错分类样本惩罚的程度,实现最优分类。将
5、图1推广到高维空间,最优分类线即成为最优分类超平面。 发动机故障属于非线性问题,所以,将上述介绍的问题推广到非线性分类超平面中,SVM的非线性特性可通过把输入样本x映射到高维特征空间H中,在高维空间中使用线性分类器来实现。在高维特征空间H中构造最优超平面时,只需要使用空间点积,即内积运算。因此在最优分类面中采用适当的内核函数,需满足Mercer条件[7],就可实现非线性变换后的线性分类问题,而不会增加计算的复杂度。对于两分类的非线性问题,具体的算法如下: 设样本集,其中,为输入空间,M为输入变量数,样本所属类别,n为样本数。在 (1) 的约束条件下,最优目标函数
6、变为,即为: (2) 对应的分类决策函数为 (3) 式中,为支持向量,位未知向量,b为分类阙数,为Lagrange乘子。 2、基于SVM的发动机故障诊断 汽车故障诊断是一个模式识别的过程。本文用支持向量机算法建立故障诊断模型,模型的建立需要训练样本对模型的训练和测试样本对的模型的检测。首先故障样本的采集:把汽车发动机在六种故障:间歇性失火、高油气比、低油气比、点火过迟、点火过早和废气歧管漏气情况下的尾气排放中HC、CO2、CO、O2体积分数数据作为故障样本,采集48组数据,其中42组作为训练样本6组作为测试样本。 2.1惩罚参数C和径向基核函数中的参数
7、的选取 惩罚参数C实现在错分样本的比例和算法的复杂度之间的折中,在确定的特征子空间中,C取值较小表示对经验误差的惩罚小,学习机器的复杂度小而经验风险值较大;如果C取,则所有的约束条件都必须满足,这意味着训练样本必须要准确地分类。每个特征子空间至少存在一个合适的C使得SVM的推广能力最好。对于一个具体问题,如果核参数取值不合适,SVM就无法达到预期的学习结果。 本文选用在支持向量机研究中应用较多的径向基函数(RBF),即 (5) 式中,σ为核宽度系数。 研究表明核函数参数对诊断结果有很大影响,由于本文选用RBF作为支持向量机的核函
