梁樹(shù)甜，孟得東

?

支持向量機(jī)在船舶電力推進(jìn)系統(tǒng)故障診斷中的應(yīng)用

梁樹(shù)甜，孟得東

(武漢船用電力推進(jìn)裝置研究所，武漢 430064)

針對(duì)人工神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部最優(yōu)解等不足，本文采用支持向量機(jī)技術(shù)建立船舶電力推進(jìn)故障診斷系統(tǒng)。確定支持向量機(jī)的核函數(shù)和分類(lèi)方法，結(jié)合訓(xùn)練樣本，采用基于網(wǎng)格搜索的K重交叉驗(yàn)證法進(jìn)行核函數(shù)的參數(shù)優(yōu)化，從而得到支持向量機(jī)故障診斷模型。利用支持向量機(jī)工具箱函數(shù)，在MATLAB 中進(jìn)行故障診斷模型的仿真計(jì)算，結(jié)果表明基于支持向量機(jī)所建立的故障診斷模型有較強(qiáng)的診斷準(zhǔn)確性和泛化推廣能力，從而提高船舶的安全性。

船舶電力推進(jìn)系統(tǒng) 故障診斷 支持向量機(jī)

0 引言

支持向量機(jī)(Support Vector Machine，SVM)[1]是一種以有限樣本統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的通用學(xué)習(xí)方法，其有效地解決了小樣本、高維數(shù)、非線性等問(wèn)題，并克服了人工神經(jīng)網(wǎng)絡(luò)收斂速度慢和存在局部最優(yōu)解等缺點(diǎn)，提高了學(xué)習(xí)方法的泛化能力。目前，支持向量機(jī)已經(jīng)廣泛應(yīng)用于模式識(shí)別、系統(tǒng)建模、故障診斷等領(lǐng)域，并取得了良好的效果。本文研究支持向量機(jī)在船舶電力推進(jìn)系統(tǒng)故障診斷中的應(yīng)用。

1 支持向量機(jī)理論

1.1 最優(yōu)分類(lèi)超平面

1.2 線性支持向量機(jī)

解式(1)，可得分類(lèi)函數(shù)表達(dá)式：

1.3 非線性支持向量機(jī)

相應(yīng)的分類(lèi)函數(shù)為：

可見(jiàn)，通過(guò)核函數(shù)的概念，將低維空間的非線性分類(lèi)問(wèn)題轉(zhuǎn)化為高維空間的線性分類(lèi)問(wèn)題。常用的核函數(shù)有：

2)高斯徑向基核函數(shù)：

3)指數(shù)徑向基核函數(shù):

1.4 多分類(lèi)支持向量機(jī)

支持向量機(jī)本身是一個(gè)二分類(lèi)算法，由于故障診斷中設(shè)備的故障種類(lèi)一般多于兩種，所以支持向量機(jī)要應(yīng)用于故障診斷，必須研究其多分類(lèi)方法。目前，支持向量機(jī)的多分類(lèi)方法有：一對(duì)多SVM分類(lèi)(One Against All，OAA)、一對(duì)一SVM分類(lèi)(One Against One，OAO)、有向無(wú)環(huán)圖SVM分類(lèi)(Directed Acyclic Graph，DAG)、多層分類(lèi)器或分類(lèi)樹(shù)、多分類(lèi)SVM(Multi-class SVM)、 M-ary分類(lèi)等方法。本文以M-ary分類(lèi)法為例。

該方法不僅充分利用了二值分類(lèi)器的優(yōu)點(diǎn)：不依賴(lài)先驗(yàn)知識(shí)，計(jì)算相對(duì)簡(jiǎn)單；并且僅需要log2k個(gè)分類(lèi)器，實(shí)現(xiàn)起來(lái)更簡(jiǎn)單方便。

2 船舶電力推進(jìn)系統(tǒng)故障診斷

2.1 支持向量機(jī)故障診斷模型

電力推進(jìn)系統(tǒng)故障診斷支持向量機(jī)模型如圖2所示[2-3]。由于電力推進(jìn)系統(tǒng)組成設(shè)備多，用單個(gè)支持向量機(jī)難以實(shí)現(xiàn)整個(gè)系統(tǒng)的故障診斷，所以根據(jù)電力推進(jìn)系統(tǒng)的組成，設(shè)計(jì)了多支持向量機(jī)的故障診斷模型。圖中，SVM1～SVM5為5個(gè)支持向量機(jī)，表示電力推進(jìn)系統(tǒng)故障診斷的5個(gè)部分：推進(jìn)變壓器、推進(jìn)變頻器、推進(jìn)電動(dòng)機(jī)、其它設(shè)備和外環(huán)境。其中每個(gè)SVM由于診斷設(shè)備的不同，輸入結(jié)點(diǎn)和輸出結(jié)點(diǎn)也不同。SVM6為合成支持向量機(jī)，其根據(jù)各設(shè)備的診斷結(jié)果和權(quán)重得出電力推進(jìn)系統(tǒng)的故障診斷結(jié)果，最后根據(jù)診斷結(jié)果給出相應(yīng)的維修策略。

2.2 支持向量機(jī)故障診斷的步驟

支持向量機(jī)故障診斷的步驟如圖3所示[4]。

1) 選取核函數(shù)、確定支持向量機(jī)分類(lèi)算法支持向量機(jī)核函數(shù)的選取對(duì)測(cè)試樣本診斷的準(zhǔn)確度有很大影響，在具體選擇什么樣的核函數(shù)來(lái)對(duì)樣本集進(jìn)行訓(xùn)練的問(wèn)題上，因?yàn)椴煌臉颖?，選取不同核函數(shù)的差異比較大，所以選取核函數(shù)要視樣本而定。一般情況下，高斯徑向基核函數(shù)能達(dá)到要求，是首選的核函數(shù)。支持向量機(jī)的分類(lèi)算法以上已敘述。基于分類(lèi)算法的復(fù)雜程度和對(duì)樣本進(jìn)行訓(xùn)練的速率，一般選取一對(duì)多SVM分類(lèi)或M-ary分類(lèi)。

2) 確定訓(xùn)練樣本集和測(cè)試樣本集

訓(xùn)練樣本集是指通過(guò)對(duì)大量的現(xiàn)場(chǎng)試驗(yàn)數(shù)據(jù)整理、專(zhuān)家統(tǒng)計(jì)和廣泛搜集工作得到的已有樣本集；測(cè)試樣本集是指需要進(jìn)行故障診斷的系統(tǒng)的樣本數(shù)據(jù)。

3) 樣本的歸一化和核函數(shù)參數(shù)的優(yōu)化

樣本的歸一化是指將訓(xùn)練樣本中所有的數(shù)據(jù)參數(shù)采用極差標(biāo)準(zhǔn)化方法標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化后的數(shù)據(jù)值在[0,1]之間，樣本歸一化可以提高精確度，簡(jiǎn)化數(shù)據(jù)運(yùn)算，加快訓(xùn)練模型的收斂速度。

核函數(shù)參數(shù)的優(yōu)化是通過(guò)對(duì)歸一化后的訓(xùn)練樣本集進(jìn)行搜索學(xué)習(xí)得到的。本文采用基于網(wǎng)格搜索的K重交叉驗(yàn)證的優(yōu)化方法，將訓(xùn)練樣本機(jī)隨機(jī)地分為K個(gè)集合，其中K-1各集合新的訓(xùn)練樣本集對(duì)其進(jìn)行訓(xùn)練，用得到的支持向量機(jī)對(duì)剩下的一個(gè)集合進(jìn)行測(cè)試。該過(guò)程重復(fù)K次，保證每個(gè)訓(xùn)練樣本都充當(dāng)過(guò)測(cè)試樣本，取K次過(guò)程中的交叉驗(yàn)證的準(zhǔn)確度為推廣誤差，可避免數(shù)據(jù)的過(guò)擬合和欠擬合。

4) 訓(xùn)練支持向量機(jī)和對(duì)測(cè)試樣本的診斷

樣本歸一化和核函數(shù)參數(shù)確定以后，可以用訓(xùn)練樣本對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，然后就可以對(duì)測(cè)試樣本進(jìn)行故障診斷。

3 仿真

以某電力推進(jìn)系統(tǒng)為例進(jìn)行故障診斷模型的仿真分析。首先進(jìn)行推進(jìn)變壓器的故障診斷，變壓器基本參數(shù)為：額定功率1450 kVA，輸出電壓690 V，絕緣等級(jí)為F級(jí)。采集推進(jìn)變壓器在各工況下的運(yùn)行數(shù)據(jù)，歸一化后得訓(xùn)練樣本如表1所示。

應(yīng)用MATLAB SVM Toolbox提供的函數(shù)，結(jié)合表1訓(xùn)練樣本，進(jìn)行支持向量機(jī)的訓(xùn)練，其中分類(lèi)器2的最優(yōu)分類(lèi)超平面如圖5中白色實(shí)線所示，白色虛線上的點(diǎn)即為支持向量。

訓(xùn)練好支持向量機(jī)后，對(duì)表3所示的測(cè)試樣本進(jìn)行診斷，計(jì)算各分類(lèi)器的結(jié)果，并應(yīng)用公式(8)得第一個(gè)測(cè)試樣本為正常狀態(tài)，第二個(gè)測(cè)試樣本為輸出電壓高，與實(shí)際情況相符。至此完成推進(jìn)變壓器的故障診斷。

最后，合成SVM根據(jù)各設(shè)備的診斷結(jié)果和其在電力推進(jìn)系統(tǒng)中的權(quán)重得到電力推進(jìn)系統(tǒng)的故障診斷結(jié)果。

4 結(jié)束語(yǔ)

本文在分析船舶電力推進(jìn)系統(tǒng)故障診斷支持向量機(jī)模型和支持向量機(jī)故障診斷步驟的基礎(chǔ)上，通過(guò)仿真實(shí)例，證明了支持向量機(jī)在船舶電力推進(jìn)系統(tǒng)故障診斷中具有較高的準(zhǔn)確性和實(shí)用價(jià)值。

[1] 李國(guó)正等. 支持向量機(jī)導(dǎo)論[M]. 北京: 電子工業(yè)出版社，2004.

[2] 王孟蓮等. 船舶電力推進(jìn)系統(tǒng)故障診斷技術(shù)研究[J]. 船電技術(shù)，2010，30(12):1-4.

[3] 王德成，林輝. 一種SVM不平衡分類(lèi)方法及在故障診斷的應(yīng)用[J]. 電機(jī)與控制學(xué)報(bào)，2012，16(9):48-52.

[4] 肖燕彩. 支持向量機(jī)在變壓器狀態(tài)評(píng)估中的應(yīng)用研究[D]. 北京: 北京交通大學(xué)博士學(xué)位論文, 2008.

Applications of Support Vector Machine to Fault Diagnosis for Marine Electric Propulsion System

Liang Shutian，Meng Dedong

（Wuhan Institute of Marine Electric Propulsion, Wuhan 430064, China）

TM743

A

1003-4862（2014）09-0050-05

2014-07-15

國(guó)家科技支撐計(jì)劃項(xiàng)目（2012BAG03B01）

梁樹(shù)甜(1984-),男，碩士。研究方向：電力推進(jìn)系統(tǒng)。