基于優(yōu)化支持向量機(jī)多分類器的水電機(jī)組故障診斷

秦正飛，高 磊，王軍現(xiàn)，康 健

（1.安徽金寨抽水蓄能有限公司，安徽省六安市 237000；2.河北張河灣蓄能發(fā)電有限責(zé)任公司，河北省石家莊市 050000；3.國(guó)網(wǎng)新源檢修分公司，天津市 300000）

0 引言

水輪機(jī)和發(fā)電機(jī)作為水力發(fā)電的主要設(shè)備，機(jī)組的運(yùn)行狀況事關(guān)電網(wǎng)以及人身的安全，這要求機(jī)組擁有良好的運(yùn)行狀態(tài)。文獻(xiàn)[1]是利用小波分解提取故障信號(hào)特征分量，再用SVM對(duì)其進(jìn)行訓(xùn)練來(lái)建立故障診斷模型；文獻(xiàn)[2]對(duì)于SVM的參數(shù)問(wèn)題，利用粒子群算法來(lái)對(duì)SVM的參數(shù)進(jìn)行優(yōu)化，將由EEMD分解得到的IMF作為特征輸入，將其進(jìn)行故障上應(yīng)用。故障診斷實(shí)質(zhì)是如何準(zhǔn)確進(jìn)行分類，分類方式也比較多。于是，使用一種基于優(yōu)化SVM的融合模型分類診斷辦法。并對(duì)SVM的參數(shù)選擇問(wèn)題用ABC進(jìn)化處理，獲得進(jìn)化子分類器。EMD克服了小波分解能量泄漏和不能針對(duì)性自適應(yīng)選取基函數(shù)[3]的不足，但EMD存在端點(diǎn)效應(yīng)[4]和可能產(chǎn)生虛假的本質(zhì)模式函數(shù)，于是提出EMD的優(yōu)化方法DEMD對(duì)信號(hào)進(jìn)行特征提取作為融合診斷模型的輸入特征向量，通過(guò)仿真分析該優(yōu)化融合模型能明顯提高分類的準(zhǔn)確度。

1 子分類器

1.1 支持向量機(jī)分類器

SVM是由Vapnik[5]等人提出，對(duì)水電機(jī)組具有的小樣本非線性等特征具有比較好的分類能力。缺點(diǎn)是SVM的參數(shù)問(wèn)題通常都要進(jìn)行一定的優(yōu)化。核函數(shù)是可分與不可分的一個(gè)變換，進(jìn)而求解凸規(guī)劃極值問(wèn)題，獲得最優(yōu)分類超平面，最終獲得分類結(jié)果，所以采用該方法進(jìn)行分類。

SVM在應(yīng)用時(shí)，核函數(shù)選擇、參數(shù)σ和C的選擇對(duì)分類結(jié)果非常重要。因高斯徑向基函數(shù)分類效果好于其他類型，本文采用該類型。由文獻(xiàn)[6]知，參數(shù)σ和C對(duì)數(shù)據(jù)樣本的映射復(fù)雜度、擬合及泛化能力起平衡作用，采用ABC算法對(duì)其進(jìn)行優(yōu)化處理，以達(dá)到全局最優(yōu)分類效果。

ABC方法是由Dervis Karaboga提出以模擬蜜蜂采蜜過(guò)程的智能搜索方法，適應(yīng)度用蜜源花蜜量呈正比關(guān)系來(lái)評(píng)價(jià)，蜜源表示可能的最優(yōu)解。算法以采蜜、觀察和偵查蜂之間分工合作搜索解空間中的蜜源，從而獲得最優(yōu)解。本文利用ABC全局優(yōu)化的特點(diǎn)對(duì)參數(shù)σ和C進(jìn)行搜索，減少計(jì)算盲目性，提高分類效果，參數(shù)尋優(yōu)如圖1所示。

圖1 SVM參數(shù)優(yōu)化過(guò)程圖Fig．1 SVM parameter optimization process diagram

1.2 加權(quán)樸素貝葉斯分類器

針對(duì)NBC的樣本屬性與類別之間存在不同關(guān)聯(lián)程度問(wèn)題，參照文獻(xiàn)[7]的方法將NBC最大化計(jì)算公式：

進(jìn)行加權(quán)處理，如下式：

權(quán)值的處理按照文獻(xiàn)[8]中的方法進(jìn)行，得：

式中Cj——分類標(biāo)簽；

X——樣本集；

x——未知樣本；

D——維數(shù)；

xd——樣本變量；

Xd——d維條件下的屬性集合；

xd——樣本變量；

S（d）——?dú)w一化屬性相似度；

V（d）——屬性權(quán)重。

將式（3）帶入式（2）中就得到加權(quán)的NBC，即FWNBC分類器。

1.3 基于 Mahalanobis 距離的分類器

它是由P．C．Mahalanobis首先使用的一種有效計(jì)算未知樣本相關(guān)度方法[9]，馬氏距離與其呈反相關(guān)關(guān)系，所以其判別函數(shù)為：

式中Ci——分類標(biāo)簽；di——馬氏距離。

2 基于融合分類器診斷原理

融合分類器診斷主要分為三個(gè)部分，一是對(duì)原始數(shù)據(jù)樣本進(jìn)行特征向量提取，以此作為融合模型的輸入向量；二是融合模型中各分塊進(jìn)行分類診斷，得出各自最優(yōu)分類診斷結(jié)果；三是將各分塊進(jìn)行融合通過(guò)一定方法獲得最終結(jié)果，示意圖如圖2所示。

圖2 融合模型分類診斷流程Fig．2 Fusion model classification diagnosis process

3 特征量?jī)?yōu)化提取

原始樣本數(shù)據(jù)中往往含有反應(yīng)故障特征的信息，在進(jìn)行故障分類診斷時(shí)需要對(duì)原始數(shù)據(jù)樣本進(jìn)行特征提取。DEMD是以EMD為基礎(chǔ)，先微分在積分處理的一個(gè)過(guò)程，其分解圖如圖3所示。

由文獻(xiàn)[10]知，DEMD在對(duì)原始數(shù)據(jù)信號(hào)進(jìn)行分解的效果比EMD好，因?yàn)镈EMD是建立在EMD的基礎(chǔ)上的，故其也存在端點(diǎn)效應(yīng)問(wèn)題，下面來(lái)看一個(gè)仿真分析。信號(hào)為式（5），波形圖如圖4所示。

圖3 DEMD分解示意圖Fig．3 DEMD decomposition diagram

圖4 仿真信號(hào)波形圖Fig．4 Simulation signal waveform figure

由圖5和圖6知，DEMD分解過(guò)程中在低頻分量時(shí)誤差較大，在端點(diǎn)發(fā)生能量丟失現(xiàn)象。于是本文用SVR（信號(hào)延拓）和窗函數(shù)進(jìn)行優(yōu)化處理。現(xiàn)將優(yōu)化處理的DEMD對(duì)如下仿真信號(hào)進(jìn)行分析：

從圖7和圖8與圖5和圖6對(duì)比發(fā)現(xiàn)，經(jīng)優(yōu)化處理的DEMD分解能夠有效地解決端點(diǎn)效應(yīng)問(wèn)題。

4 融合模型的水電機(jī)組故障診斷分析

將信號(hào)通過(guò)上文中經(jīng)優(yōu)化的DEMD分解，獲得的IMF分量作特征向量輸入。將DEMD分解的E1、E2、E3、E4、E5（E為不同倍數(shù)轉(zhuǎn)頻時(shí)的能量）作為輸入的特征向量IMF，將其進(jìn)行三個(gè)子分類器的分類診斷得出對(duì)應(yīng)的分類診斷結(jié)果，將三個(gè)結(jié)果通過(guò)投票的決策方法獲得最后的結(jié)果。其融合分類器的診斷步驟如圖9所示。

圖5 仿真信號(hào)經(jīng)DEMD分解圖Fig．5 DEMD analysis of the simulation signal

圖6 仿真信號(hào)的頻譜圖Fig．6 Simulation signal spectrum

圖7 優(yōu)化DEMD分解仿真信號(hào)圖Fig．7 Optimization DEMD simulation signal decomposition

圖8 優(yōu)化DEMD分解仿真信號(hào)頻譜圖Fig．8 Optimized DEMD decomposition simulation signal spectrum

圖9 融合分類器診斷流程Fig．9 Classifier fusion diagnosis process

5 實(shí)例診斷

利用文中優(yōu)化DEMD分解方法對(duì)某水電機(jī)組轉(zhuǎn)子對(duì)中、質(zhì)量失衡和尾水管渦帶偏心問(wèn)題的振動(dòng)樣本數(shù)據(jù)進(jìn)行特征提取，將提取特征分量作為模型輸入特征向量。其訓(xùn)練樣本和測(cè)試樣本如表1和表2所示。

表1 機(jī)組振動(dòng)訓(xùn)練樣本Tab.1 The vibration of the training sample

表2 機(jī)組振動(dòng)測(cè)試樣本Tab.2 The vibration test samples

現(xiàn)在以數(shù)據(jù)樣本經(jīng)DEMD和優(yōu)化DEMD提取特征向量的前提下，進(jìn)行SVM、優(yōu)化SVM、FWNBC、MDC、FWNBC+MDC+優(yōu)化SVM的對(duì)比分類診斷分析，結(jié)果如表3和表4 所示，其中1至4分別對(duì)應(yīng)故障類別。

表3 在DEMD提取信號(hào)特征的前提下Tab.3 Under the premise of the DEMD extract signal features

表4 在優(yōu)化DEMD提取信號(hào)特征的前提下Tab.4 Under the premise of extracted by optimizing the DEMD signal characteristics

由表3和表4中的對(duì)比分析可知，在同等條件下，MDC的分類診斷效果最差，SVM經(jīng)優(yōu)化后效果好于優(yōu)化前，融合型（FWNBC+MDC+優(yōu)化SVM）的效果最好。另外，在不同前提條件下，經(jīng)優(yōu)化DEMD分解后的輸入特征向量，對(duì)模型的分類診斷效果要好于未經(jīng)優(yōu)化的DEMD分解方法。以上分析反映出，振動(dòng)信號(hào)的提取過(guò)程經(jīng)優(yōu)化后能提高故障診斷的準(zhǔn)確率，同時(shí)，融合分類器的分類診斷能力比單一分類器有明顯提高。

6 結(jié)束語(yǔ)

文中通過(guò)對(duì)SVM的參數(shù)以及DEMD端點(diǎn)效應(yīng)問(wèn)題進(jìn)行優(yōu)化處理，仿真分析表明經(jīng)優(yōu)化的SVM和DEMD在機(jī)組的故障診斷中起到積極作用，有利于對(duì)數(shù)據(jù)樣本的分析。經(jīng)水電機(jī)組振動(dòng)實(shí)例對(duì)比分析，表明優(yōu)化融合分類器模型比單獨(dú)使用及為優(yōu)化前對(duì)故障分類診斷的效果好，提高了準(zhǔn)確度。

[1] 鄒敏，周建中，劉忠．基于支持向量機(jī)的水電機(jī)組故障診斷[J]．中國(guó)農(nóng)村水利水電，2008（1）：114-117．ZOU Min．Hydropower generating unit’s fault diagnosis based on support vector machine （SVM）[J]．China Rural Water and Hydropower，2008（1）：114-117．

[2] Tang X，Zhuang L，Cai J，etal．Multi-fault classification based on support vectormachine trained by chaos particle swarm optimization[J]．Knowledge-Based Systems，2010，23（5）：486-490．

[3] 盧娜，肖志懷，符向前．基于蟻群初始化小波網(wǎng)絡(luò)的水電機(jī)組振動(dòng)故障診斷[J]．水力發(fā)電學(xué)報(bào)，2014，33（2）：251-258．LU Na，XIAN Zhihuai，F(xiàn)U Xiangqian．Hydropower generating unit’s fault diagnosis based on wavelet networks of ant colony initialization[J]．Journall of Hydroelectric Engineering，2014，33（2）：251-258．

[4] 曠歡，王如龍，張錦，等．基于SVM的EMD端點(diǎn)效應(yīng)抑制方法研究 [J]．計(jì)算機(jī)工程與應(yīng)用，2015，51（11）：96-200，227．KUANG Huan，WANG Rulong，ZHANG Jin，etal． Research based on the EMD endpoint effect suppression method of SVM [J]．Computer Engineering and Applications，2015，51（11）：96-200，227．

[5] 張孝遠(yuǎn)，周建中，黃志偉，等．基于粗糙集和多類支持向量機(jī)的水電機(jī)組振動(dòng)故障診斷[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（20）：88-93．ZHANG Xiaoyuan，ZHOU Jianzhong，HUANG Zhiwei，etal．Hydropower generating unit’s fault diagnosis based on Various kinds of support vector machine and rough sets[J]．Proceeding of the Csee，2010，30（20）：88-93．

[6] 劉路，王太勇．基于人工蜂群算法的支持向量機(jī)優(yōu)化[J]．天津大學(xué)學(xué)報(bào)，2011，44（9）：803-809．LIU Lu，WANG Taiyong．Support vector machine optimization based on artificial bee colony algorithm[J]．Transactions of Tianjin University，2011，44（9）：803-809．

[7] 秦鋒，任詩(shī)流，程澤凱，等．基于屬性加權(quán)的樸素貝葉斯分類算法[J]．計(jì)算機(jī)工程與應(yīng)用，2008，44（6）： 107-109．QIN Feng，REN Shiliu，CHEN Zekai，etal．Based on the attribute weighted naive bayes classification algorithm[J]．Computer Engineering and Applications，2008，44（6）： 107-109．

[8] 劉達(dá)，張國(guó)英，劉冠洲，等．基于特征篩選的云分類器[J]．北京石油化工學(xué)院學(xué)報(bào)，2011，19（1）：11-13．LIU Da，ZHANG Guoying，LIU Guanzhou，etal．Cloud classifier based on feature selection[J]．Journal of Beijing institute of petrochemical，2011，19（1）：11-13．

[9] Schloegl A，Lee F，Bischof H，et al． Characterization of fourclass motor imagery EEG data for the bci-competiton[J]．2005，2（4） ：536-543．

[10] 景蓓蓓，李鴻光．基于微分的經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄔ谵D(zhuǎn)子裂紋和碰摩故障診斷的應(yīng)用[J]．噪聲與振動(dòng)控制，2009，10：66-69．JING Beibei，LI Hongguang．Crack the rotor rubbing fault diagnosis application based on the empirical mode decomposition method of differential[J]． Noise and Vibration Control，2009，10：66-69．