基于最小二乘支持向量机的机车轴承故障诊断

雷烨，姜子运

(兰州交通大学自动化与电气丁程学院扫肃兰州730070)

摘要：针对神经网络故障诊断存在的诸多问题，提出了基于最小二乘支持向量机的机车轴承故障诊断方法采用最小二乘支持向量机方法建立多类故障分类嚣，对输入的特征向量信息进行分类，完成故障诊断功能仿真证明了最小二乘支持向量机在小样本情况下比神经网络具有更强的泛化能力，用于故障诊断时在识别准确率和抗干扰能力方面有明显的优势

关键词：最小二乘支持向量机；故障诊断；多类故障分类；机车轴承

中图分类号：TP183    文献标识码：A

    1引言

 

    神经网络在故障诊断中的应用研究已经取得了较多的成果[1]-[4]，但它存在易陷入局部最小值、泛化能力差、需要大量的学习样本、网络结构难选择等方面的问题。在处理实际的故障诊断问题时，由于能得到的故障数据样本数量极其有限，神经网络方法实际应用效果并不理想。支持向量机是由Vapnik等人在统计学习理论的基础上建立起来的一种机器学习方法[5]，着重研究小样本情况下的统计学习规律。基于结构风险最小化原理的SVM，既能有效地处理非线性数据，又能限制过学习，特别适合于小样本集的数据处理，较好地解决了神经网络在故障诊断中存在的问题。

 

    随着现代测试技术、计算机技术和信号处理技术的迅速发展，故障诊断技术在铁道机车车辆中的应用越来越广泛[6]。轴承是机车运行韵关键部件，对运行的安全性具有重要影响．而且轴承故障也是车辆运行中的主要故障源之一。文献[7][8]对机车车辆轴承的神经网络诊断方法进行了深入探讨。

 

    本文提出了基于最小二乘支持向量机的机车车辆轴承故障诊断方法，与文献[7]不同的是采用最小二乘支持向量机方法建立多故障分类器。采用文献[7]中给出的数据，将BP神经网络和LS-SVM进行比较，文中的分析研究和仿真结果证明了LS-SVM方法的有效性、优越性和鲁棒性。

 

    2 基于LS-SVM的多故障分类器

 

    2.1最小二乘支持向量机

 

    支持向量机主要思想是：首先选择非线性映

    Suykens在文献[10]中提出了LS-SVM方法，与标准SVM相比，LS-SVM用等式约束代替不等式约束，且将误差的二范数作为优化目标的损失函数，把标准SVM中解二次规划问题转化为求解线性方程组问题[11]：

2.2  LS-SVM多故障分类器的建立

 

    最小二乘支持向量机是一种处理二分类问题的方法，但在实际应用中需要解决多类分类问题，为此需要研究用最小二乘支持向量机解决多类分类问题。多类分类也是以二分类为基础的，现在主要的多类分类算法有一对一、一对多和有向无环图分类法等，本文应用了一对一分类法。

 

    一对一方法是在每两类之间训练一个分类器，因此对于一个k类问题，有k类训练数据，这k类训练数据两两结合，共可构建M=(k-I)／2个训练集，分别使用LS-SVM两类分类算法对这M个训练集进行学习，产生M个分类器。当决定样本类别时，采用****即赢策略，每个分类器对样本进行一次判断，若分类器判断出样本属于第i类，则i类的票数增加一票，最后将样本归为票数最多的那一类。

 

3基于LS-SVM的车辆轴承故障诊断

 

3.1车辆轴承振动信号的获得