• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    不均衡最大軟間隔SVDD軸承故障檢測模型

    2019-10-21 06:17:50陶新民李晨曦李青
    振動工程學(xué)報 2019年4期
    關(guān)鍵詞:故障檢測軸承

    陶新民 李晨曦 李青

    摘要: 針對不均衡數(shù)據(jù)下的軸承故障檢測問題,提出一種最大軟間隔支持向量域描述(Maximum Soft Margin Support Vector Domain Description,MSM-SVDD)故障檢測模型。該模型通過引入最大軟間隔正則項,將傳統(tǒng)支持向量域描述(SVDD)算法的分類邊界向故障類偏移,進(jìn)而提高算法的故障檢測性能,同時對正則化項系數(shù)的取值范圍進(jìn)行了理論分析。實(shí)驗部分討論了正則化項系數(shù)、高斯核參數(shù)以及正常類樣本數(shù)目對模型故障檢測性能的影響,并給出了正則化項系數(shù)與高斯核參數(shù)的取值建議。實(shí)驗結(jié)果表明,新提出的MSM-SVDD模型非常適合處理小樣本不均衡數(shù)據(jù)下的故障檢測問題。最后通過實(shí)測數(shù)據(jù)的對比實(shí)驗,表明MSM-SVDD模型在不均衡數(shù)據(jù)下的故障檢測性能較其他方法有較大幅度提升。

    關(guān)鍵詞: 故障檢測; 軸承; 不均衡數(shù)據(jù); 最大軟間隔; 支持向量域描述

    中圖分類號: TH163+.3; TH133.3 ?文獻(xiàn)標(biāo)志碼: A ?文章編號: 1004-4523(2019)04-0718-12

    DOI:10.16385/j.cnki.issn.1004-4523.2019.04.020

    引 言

    在工業(yè)領(lǐng)域中,旋轉(zhuǎn)機(jī)械是應(yīng)用最為廣泛的一類機(jī)械設(shè)備,例如:汽輪機(jī)、壓縮機(jī)和傳送帶等。軸承作為旋轉(zhuǎn)機(jī)械設(shè)備的重要組成部分,其工況直接影響整個旋轉(zhuǎn)機(jī)械設(shè)備的運(yùn)行狀態(tài)。因此開展軸承早期故障檢測研究具有十分重要的現(xiàn)實(shí)意義[1]。

    振動信號分析方法[2]由于操作簡單,設(shè)備研發(fā)耗費(fèi)成本較低且優(yōu)于其他方法,因此在當(dāng)前大型旋轉(zhuǎn)機(jī)械設(shè)備軸承故障檢測中得到廣泛采用。在振動信號分析方法中,包絡(luò)分析[3]是一種常用的振動信號處理技術(shù),其主要包括HHT[4],EMD[5]和 EEMD[6]等方法。但是受振源復(fù)雜、背景噪聲隨機(jī)以及頻譜混疊等因素的影響,上述方法的檢測效果并不理想[7]。近年來,隨著人工智能技術(shù)的迅速發(fā)展,智能化已成為故障檢測技術(shù)的重要發(fā)展方向,而機(jī)器學(xué)習(xí)是提高故障檢測系統(tǒng)智能水平的主要途徑[8]。其中,作為機(jī)器學(xué)習(xí)方法典型代表的支持向量機(jī)(Support Vector Machine, SVM)算法,因其良好的非線性區(qū)分能力被廣泛應(yīng)用于機(jī)械系統(tǒng)的故障檢測[9]。但是在實(shí)際大型旋轉(zhuǎn)機(jī)械設(shè)備故障檢測應(yīng)用中故障類訓(xùn)練樣本是不易獲取的,從而導(dǎo)致正常類訓(xùn)練樣本與故障類訓(xùn)練樣本間數(shù)目不均衡。受不均衡數(shù)據(jù)的影響,SVM算法的檢測性能嚴(yán)重下降[10]。因此如何在不均衡數(shù)據(jù)下提高SVM算法的故障檢測性能成為了眾多學(xué)者關(guān)注的重點(diǎn)。近些年,相繼提出了各種處理不均衡數(shù)據(jù)故障檢測的SVM改進(jìn)算法。其中,代價敏感(Cost-sensitivity SVM, CSSVM)學(xué)習(xí)方法[11]通過把各類不同錯分代價應(yīng)用到分類決策中去對SVM進(jìn)行改造,盡可能地降低了錯誤分類的整體代價;然而因受等式約束限制,算法性能的提升并不明顯[12]。后來提出的基于邊界人工少數(shù)類過取樣技術(shù)(Border Synthetic Minority Over-sampling Technique, BSMOTE)的代價敏感SVM[13]算法和基于BSMOTE過取樣集成SVM (Ensemble SVM, ESVM)[14]算法雖在一定程度上降低了樣本數(shù)據(jù)的非平衡度,但是上述算法均是利用已有正常類樣本信息增加規(guī)模,容易導(dǎo)致在樣本增加的同時決策域減小,算法過度擬合,從而降低故障檢測精度[15]。為此,學(xué)者們將目光投向與SVM原理相似的支持向量域描述(Support Vector Domain Description, SVDD)[16]算法。由于SVDD訓(xùn)練時不需要故障類樣本,因此較SVM更適合不均衡數(shù)據(jù)下的軸承故障檢測問題[17]。然而正是因為SVDD沒能考慮到少數(shù)故障類樣本信息對決策邊界的影響,使得優(yōu)化后的決策邊界緊靠正常類樣本一側(cè),導(dǎo)致算法的故障檢測性能不高。事實(shí)上,在實(shí)際不均衡數(shù)據(jù)故障檢測應(yīng)用中,雖然難獲取,但仍可以收集到少數(shù)故障類樣本。為了能利用少數(shù)故障樣本改善分類界面,學(xué)者們提出帶故障類樣本信息的支持向量域描述(Support Vector Domain Description with Negative Samples, SVDD –NEG)[18]算法,該算法通過對正常類和少數(shù)故障類中的錯分樣本增加懲罰項來提高算法的泛化性能。然而正如上文所述,故障樣本雖然存在但數(shù)量較少,在這種極端不均衡情況下,故障類樣本與正常類樣本混疊概率較低,因此,在實(shí)際故障檢測應(yīng)用中通常要解決的是不均衡數(shù)據(jù)的可分問題。由于SVDD-NEG采用的是對兩類樣本集的錯分總和進(jìn)行懲罰來調(diào)整分類邊界,當(dāng)面對可分問題時,兩類樣本集錯分總和通常為零,這時懲罰項將無法起到調(diào)整分類邊界的作用。

    為此,本文在借鑒傳統(tǒng)SVM算法分類間隔最大化思想基礎(chǔ)上,對SVDD的優(yōu)化目標(biāo)進(jìn)行改進(jìn),通過增加正常類與故障類樣本間的最大軟間隔正則項[19],實(shí)現(xiàn)調(diào)整分類邊界的作用。在此基礎(chǔ)上提出一種基于最大軟間隔SVDD軸承故障檢測模型。該模型通過充分利用少數(shù)故障類樣本信息,將分類邊界向故障類偏移,進(jìn)而提高模型處理不均衡數(shù)據(jù)的故障檢測性能。實(shí)驗部分將本文方法同其他方法進(jìn)行比較,結(jié)果表明本文方法在數(shù)據(jù)不均衡情況下的軸承故障檢測性能較其他方法有較大幅度提高。

    猜你喜歡
    故障檢測軸承
    軸承知識
    哈爾濱軸承(2022年2期)2022-07-22 06:39:32
    軸承知識
    哈爾濱軸承(2022年1期)2022-05-23 13:13:24
    軸承知識
    哈爾濱軸承(2021年2期)2021-08-12 06:11:46
    軸承知識
    哈爾濱軸承(2021年1期)2021-07-21 05:43:16
    軸承知識
    哈爾濱軸承(2021年4期)2021-03-08 01:01:02
    軸承知識
    哈爾濱軸承(2020年4期)2020-03-17 08:13:56
    基于定子逆序的電機(jī)同步速變換故障檢測算法
    優(yōu)化網(wǎng)絡(luò)設(shè)備維護(hù)提高數(shù)據(jù)通信傳輸質(zhì)量
    電子電路的故障檢測技術(shù)
    新型探測線圈淺析
    科技視界(2016年21期)2016-10-17 17:53:37
    平乐县| 平原县| 孝感市| 海兴县| 武夷山市| 保靖县| 绵竹市| 平湖市| 南部县| 土默特左旗| 渭南市| 大安市| 湘潭县| 重庆市| 屏东市| 三门县| 江油市| 英吉沙县| 灵丘县| 如皋市| 清镇市| 长武县| 大厂| 石城县| 通城县| 施甸县| 鹤山市| 德保县| 武鸣县| 东阳市| 朝阳市| 桦川县| 新河县| 静宁县| 开江县| 湘阴县| 开化县| 平顺县| 白朗县| 即墨市| 宜阳县|