張敏龍 王濤 王旭平 趙軍紅

摘要： 提出一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法，該算法從故障樣本使用、實時樣本劃分以及訓練樣本更新三個方面對傳統(tǒng)在線SVDD算法進行優(yōu)化。一是在SVDD訓練階段加入故障樣本，提高數(shù)據(jù)描述能力和診斷精度；二是提出球邊界偏移判別準則，形成可變的雙層邊界將超球空間分成三個區(qū)域，同時增大對故障樣本的敏感性，降低漏檢風險；三是引入滑動窗機制批量檢測更新樣本，減少計算量，并通過調節(jié)落入中間區(qū)域的樣本比例控制虛警率。對離心壓縮機喘振過程信號檢測的試驗結果表明，該算法能夠自適應更新模型和閾值，并在極少虛警和漏檢的情況下實現(xiàn)壓縮機喘振故障的準確高效診斷。

關鍵詞： 故障診斷； 支持向量域描述； 故障樣本； 球邊界偏移判別； 滑動窗

中圖分類號： TH165+.3 文獻標志碼： A 文章編號： 1004-4523（2016）03-0555-06

DOI：10.16385/j.cnki.issn.10044523.2016.03.023

引 言

在機械故障診斷中，設備正常運行模式樣本多而故障運行模式樣本少。從模式識別角度來看，監(jiān)測機器運行狀態(tài)是一種少故障樣本情況下的異常檢測問題[1]。Tax等[2]提出的支持向量域描述（Support Vector Domain Description，SVDD）是一種經典的單值分類器，能有效解決故障診斷問題中的小樣本、非線性等困難，目前已成功用于機械設備的故障診斷之中[35]。

近年來，實時監(jiān)測、在線診斷已成為故障診斷領域的重要發(fā)展方向，而SVDD在線算法的研究應用也隨之成為一個新熱點。目前SVDD在線算法存在的問題和相應的改進方法有：（1）對于故障樣本，目前多數(shù)在線算法選擇棄用[7]或視為正常樣本的偏移繼續(xù)使用[8]，這樣會帶來很大的浪費和誤差。文獻[6]指出，故障樣本富含寶貴的信息資源，在SVDD訓練時加入少量故障樣本，可以適當提高診斷精度。（2）帶故障樣本的SVDD算法（SVDD with Negative Samples，NSVDD）為保證模型的推廣能力，允許出現(xiàn)錯分樣本，這些樣本多數(shù)位于超球邊界附近，在實際應用時會帶來一定的檢測誤差[9]，因此需要對這些樣本進行更合理的劃分。文獻[7]使用雙閾值以區(qū)分故障樣本和非邊界支持向量；文獻[10]提出了一種υ_NSVDD算法克服了野點和噪聲的影響；文獻[11]對υ_NSVDD進行了改進，使之更適于樣本不平衡問題。（3）SVDD算法本質是一個二次規(guī)劃問題，傳統(tǒng)二次規(guī)劃由于核矩陣的存儲導致計算緩慢，而在線故障診斷為適應機械故障狀態(tài)的變化，需要不斷更新檢測模型，使得在線診斷效率低下，甚至無法進行。目前提高在線算法效率的方法主要有兩種，一是針對二次規(guī)劃本身，如文獻[7]引入SMO算法訓練SVDD模型，提高了二次規(guī)劃速度；二是改進訓練樣本的更新方式，如文獻[12]提出一種增量式SVDD，減少了新增樣本的訓練時間。

綜上考慮，本文提出一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法（Variable Double Threshold NSVDD Online Diagnosis，VDTNOD）。該算法將故障樣本加入SVDD訓練，提出球邊界偏移判別準則，同時引入滑動窗機制[13]批量更新樣本。最后將其應用于離心壓縮機喘振過程診斷，并分析了算法精度及自適應診斷能力。

4 結 論

本文提出了一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法，對故障樣本的使用、實時樣本的劃分以及訓練樣本的更新等進行優(yōu)化，并將其成功應用于離心壓縮機喘振故障診斷，主要結論如下：

（1）該算法使用少量故障樣本參與SVDD模型的訓練，提高了診斷精度。

（2）該算法定義了球邊界偏移判別準則，形成可變的雙層判別邊界，加大了對故障樣本的敏感性，減小了漏檢風險。

（3）該算法通過使用較大的比例警告限和報警限，降低了診斷虛警。

（4）該算法利用滑動窗機制，批量檢測更新樣本，提高了診斷效率。

（5）該算法能夠在極少虛警和漏檢的情況下快速準確地實現(xiàn)對壓縮機喘振的在線自適應診斷。參考文獻：

[1] Mahadevan S， Shah S L. Fault detection and diagnosis in process data using oneclass support vector machines[J]. Journal of Process Control， 2009，19（10）：1627—1639.

[2] David M J Tax， Robert P W Duin. Support vector domain description[J]. Pattern Recognition Letters， 1999，20（1113）：1191—1199.

[3] 王濤， 李艾華， 王旭平， 等. 基于SVDD與距離測度的齒輪泵故障診斷方法研究[J]. 振動與沖擊， 2013，32（11）：62—65.

WANG T， LI A H， WANG X P， et al. Fault diagnosis method for a gear pump based on SVDD and distance measure[J]. Journal of Vibration and Shock， 2013，32（11）：62—65.

[4] 孫文柱， 曲建嶺， 袁濤， 等. 基于改進SVDD的飛參數(shù)據(jù)新異檢測方法[J]. 儀器儀表學報， 2014，35（4）：932—939.

SUN W Z， QU J L， YUAN T， et al. Flight data novelty detection method based on improved SVDD[J]. Chinese Journal of Scientific Instrument， 2014，35（4）：932—939.

[5] Jordan M B， Markus T. Feature extraction for novelty detection as applied to fault detection in machinery[J]. Pattern Recognition Letters， 2011，32：1054—1061.

[6] David M J Tax， Robert P W Duin. Support vector data description[J]. Machine Learning， 2004，54：45—66.

[7] 胡雷， 胡蔦慶， 秦國軍. 雙閾值單類支持向量機在線故障檢測算法及應用[J]. 機械工程學報， 2009，45（3）：169—173.

HU L， HU N Q， QIN G J. Online fault detection algorithm based on doublethreshold OCSVM and its application[J]. Journal of Mechanical Engineering， 2009，45（3）：169—173.

[8] Davy M， Desobry F， Gretton A， et al. An online support vector machine for abnormal events detection[J]. Signal Processing， 2006，86（8）：2009—2025.

[9] Guo S M， Chen L C， Tsai J S H. A boundary method for outlier detection based on support vector domain description[J]. Pattern Recognition， 2009，42：77—83.

[10] Mu T T， Nandi A K. Multiclass classification based on extended support vector data description[C]. IEEE Transactions on System， Man， and Cybernetics—Part B：Cybernetics， 2009，39（5）：1206—1202.

[11] 劉小平， 徐桂云， 任世錦， 等. 一種新的不平衡數(shù)據(jù)υNSVDD多分類算法[J]. 南京大學學報（自然科學版）， 2013，49（2）：150—158.

Liu X P， Xu G Y， Ren S J， et al. A new unbalanced data υNSVDD multiclass algorithm[J]. Journal of Nanjing University （Natural Sciences）， 2013，49（2）：150—158.

[12] 馮國瑜， 肖懷鐵， 付強， 等. 基于ISVDD的雷達高分辨距離像在線識別方法[J]. 系統(tǒng)工程與電子技術， 2012，34（3）：489—494.

FENG G Y， XIAO H T， FU Q， et al. Online recognition method of HRRP for radar systems based on ISVDD[J]. Systems Engineering and Electronic， 2012，34（3）：489—494.

[13] 張慶， 徐光華， 華成， 等. 一類支持向量機的設備狀態(tài)自適應報警方法[J]. 西安交通大學學報， 2009，43（11）：61—65.

ZHANG Q， XU G H， HUA C， et al. Selfadaptive alarm method for equipment condition based on oneclass support vector machine[J]. Journal of Xi′an Jiaotong University， 2009，43（11）：61—65.