基于最小二乘支持向量机的电动机故障诊断方法

《基于最小二乘支持向量机的电动机故障诊断方法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、2012年第2期煤矿机电·89·基于最小二乘支持向量机的电动机故障诊断方法腾黎明，黄成博(1．北京新媒传信科技有限公司数据业务部，北京100083；2．上海市安装工程有限公司，上海200030)摘要：为从电动机频谱识别出故障电动机，先用CZT变换(线性调频z变换)分析采集到的电动机数据进行分类，然后训练最小二乘向量机，再把相同维数的数据送入训练好的最小二乘向量机进行判断，最终得出用最小二乘向量机进行电动机故障诊断的准确性、可行性和可靠性。关键词：线性调频Z变换；最小二乘支持向量机；准确率；实用性中图分类号：TM307．1文献标识码：B文章编号：1001—0874(2012)02—

2、0089—03DiagnosisofAsynchronousMotorFaultBasedonLS．SVMTENGLi—ming1HUANGCheng—bo(1．BeijingNewMediaChuan—XinTechnicalCo．，Ltd．，Beijing100083．China：2．ShanghaiInstallationEngineeringCo．，Ltd．，Shanghai200030．China)Abstract：Inordertodistinguishfaultymotor，thecollecteddataofmotorfrequencvareanalyzedand

3、classifiedandthentrainedtheirLS—SVM(LeastSquare-SupportVectorMachine)．Theexampleealeu1atedresuhsh0wsthefeasibility，reliabilityandaccuracyofthetreatment．Keywords：CZTtransformation；LS—SVM(LeastSquare—SupportVectorMachine)；aeouracy；practicability0引言∞支持向量机(SupportVectorMachine，SVM)是近10年来机器学习、模式识别

4、领域最有影响的成果之一；它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并推广应用到函数拟合等其频率／Hz他机器学习问题中。支持向量机分类算法建立在统发生断条故障的电机计学理论和结构风险最小化原则基础上，根据有限∞样本信息在模型复杂性和学习能力、推广能力之间粤寻求最佳折衷，在实际应用中表现出很好的性能，最小二乘支持向量机(LS—SVM)用等式约束代替不等式约束，求解过程变成解一组等式方程。图1FFT变换结果1电动机频谱的CZT细化用实验测取的20056组数据绘出断条电动机数实现电动机分类。应用CZT变换可以计算单位圆据和正常电动机数据的频谱图，再进行快速傅里叶上任一段

5、曲线的傅里叶变换。因此，CZT变换分析变换(FFT)，得到图l的波形。电动机的特征频率成分时，不需要频域的全部点，而从FFT变换的数据频谱，无法区别正常电动机只需要某一频带(如45～55Hz)的值，从而可以消和故障电动机。CZT变换(线性调频z变换)分段除基波对断条故障特征频率成分的影响。频谱细化能够很好分析出断条电动机的频谱成分，对原始数据进行插值拟合，进行傅里叶变换后·90·煤矿机电2012年第2期再使用CZT变换，局部放大波形后的频谱见图2。的。这种情况下，专门针对小样本学习问题的支良好电动机持向量机有望较好解决机械设备故障的模式识别问题。∞SVM的方法是从线性可分情况下的

6、最优分类坚平面提出的。考虑图3所示的二维两类线性可分情况：频率／Hz∞1＼Ⅳ、罂oo、⋯～一⋯，、『、nn．n．，、⋯一⋯．o-4-o、+、图2CZT变换结果、、、o、0从CZT变换结果直观地看出故障电动机和正图3最优分类平面示意图常电动机在频谱上的差异。可应用此法对电动机进行分类。图中实心点和十字花分别表示两类训练样本，2基于最dx-乘向量机的故障诊断分类线日正确无误地把两类分开，H。，分别为通过各类样本中离分类线最近的点且平行于分类线的最小二乘支持向量机将传统支持向量机中的不直线，H，及和日之间的距离叫做两类的分类空等式约束改为等式约束，且将误差平方和损失函数隙或分类间隔。所

7、谓最优分类线就是要求分类线不作为训练集的经验损失，这样就把解二次规划问题但能将两类无错误地分开，而且要使两类的分类空转化为求解线性方程组问题，提高求解速度和收敛隙最大，实际上就是使真实风险最小。推广到高维精度。E2]空间，最优分类线就成为最优分类面。支持向量机是建立在统计学理论和结构风险最SVM算法的基本思想是通过选择训练集中的小原理SRM(Structuralriskminimisationprinciple)一组特征子集(支持向量，SV)，使得对SV集的线性基础上的，SRM比