数字技术与应用
基于支持向量机的发动机故障诊断研究
张开五卢迪宋立新爽文娟
(哈尔滨理工大学黑龙江哈尔滨150080)
应用研究：
摘要：故障样本的缺乏严重制约智能故障诊断的发展，本文提出支持向量机应用到发动机故障诊断中，该方法专门针对小样本集合设计，能够在小样本情况下获得较大的推广，而且模型商单，具休是将汽车在典型故障下尾气中各气体的休积分数作为调练样本。用处理过的样本和最优参数建立基于支持向量机的多元分奏器模型，进行故障奏别诊断。经过LIBSVM工具箱进行仿真，结果表明经优化后的支持向量机对于小样本故障诊断有很高的准确率。
关键词：故障诊断支持向量机小样本中图分类号：TP277
文献标识码：A
文章编号：1007-9416(2011)03-0050-02
FaultDiagnosisofEngineMisfireBaseonSupportVectorMachine
Zhang Kaiyu,Lu DiSong Lixin
Dou Wenjuan
Harbin University of Seience and Technology,
(College of Electronical and Electronie Engineering
Harbin150080)
Abstract,The shortage of the fault sample restriets the development of intelligent fault diagnose development,in this pape r, a novel fault diagnosis method based on support vector machine is presented,The method is special designed for small sam ple size,and can obtain commendable generalization ability.This paper regards the engine fault diagnosis as training sample. Support vector machine model of engine fault diagnosis based on the worked samples and optimize parameters,Using LIBSVM m ake simulation,the result show that the support vector machine has a very high aceuracy.
Key Words;Fault diagnosis;Support vector machine;Small sample size
汽车发动机在使用过程中随着技术状况下降，出现故障现象增多，因此对发动机的故障诊断并排除，对发动机节能和减少污染有着十分重要的意义。由于发动机是一个高阶，非线性，大惯量，多模型的系统，其故障难以用精确的数学模型描述。传统的方法是运用神经网络、模糊逻辑、专家系统等基于数据学习的智能故障诊断方法I-3，但是这些传统方法理论基础都是传统统计学，根据大数定律可知，只有当训练样本数目接近无限大时才能准确表达。但对于发动机这样一种集机械.电子、液压，信息处理等为一体的复杂工况的机器，其故障模式的识别是一个小样本学习问题。由Vapnik博上等人不断完善的支持向量机算法在在人险识别、文本分类，作物病害识别一等领域得到广泛的应用，较好地解决了线性不可分问题，为有限样本情况下的统计学习问题提供了一种有效的解决途径。专门针对小样本问题的支持向量机就有望解决神经网络等学习方法中遇到的一些问题，比如如何确定网络结构的问题，过学习与欠学习
H2
H
H A A
A
AX
A
支持向量
口
口
图1支持向量最优分类面
口
口
口口
margin
万效字技与应用Digitaltechnologyandapplication 50
间题、局部极小点间题等因此将多分类支持向量机(SVM)应用到发动机的故障诊断中，将有助于提高故障诊断的精度和故障诊断的智能化。
1、支持向量机(SVM)
SVM是从线性可分情况下的最优分类面发展而来的，基本思想可用两维情况来说明。在图1中，三角形和正方形分别表示两类样本，H为分类线，H,H,分别为过离分类线最近的样本且平行于分类线的直线，相邻之间的距离叫做分类间隔(margin)，最优分类线即为要求分类线不但能将类正确分开(训练错误为0),而且使得分类间隔最大。对于线性不可分情况，需要引入个常数C；惩罚系数，来控制对错分类样本惩罚的程度，实现最优分类。将图1推广到高维空间，最优分类线即成为最优分类超平面。
发动机故障属于非线性问题，所以，将上述介绍的问题推广到非线性分类超平面中，SVM的非线性特性可通过把输人样本x映射到高维特征空间H中，在高维空间中使用线性分类器来实现。在高维特征空间H中构造最优超平面时，只需要使用空间点积，即内积运算，因此在最优分类面中采用适当的内核函数K(x，x，），需满足Mercer 条件，就可实现非线性变换后的线性分类问题，而不会增加计算的复杂度。对于两分类的非线性问题，具体的算法如下：
设样本集H=(),(xy)(,y,))，其中eX=R"， R"为输入空间，M为输变量数，样本所属类别yE(+1,-1)，n为样本数。在
Ey,a,0,0≤a,≤C,i=,2....n
的约束条件下，最优目标函数变为W(α)，即为：
W(a)=)
a
Eyy,a,a,K(x,x,)
(1)(2)