趙玉龍　王昌榮　蔣有才

摘要： 提高故障預(yù)測(cè)準(zhǔn)確度的方法有很多，研究先進(jìn)的智能預(yù)測(cè)算法就是其中的一種。大量的先進(jìn)預(yù)測(cè)算法都得到了廣泛的應(yīng)用，如專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。每種智能預(yù)測(cè)算法都有各自的優(yōu)點(diǎn)和不足，首先介紹了常見(jiàn)的智能預(yù)測(cè)算法及其應(yīng)用；然后重點(diǎn)介紹了支持向量機(jī)，主要包括其基本原理和主要問(wèn)題；最后對(duì)支持向量機(jī)算法的改進(jìn)方向進(jìn)行了探討。支持向量機(jī)作為智能預(yù)測(cè)算法的一種，對(duì)于提高故障預(yù)測(cè)準(zhǔn)確度有很好的應(yīng)用前景。

Abstract： There are many methods to improve the accurate degree of fault prediction， and the advanced intelligent prediction algorithm is one of them. A large number of advanced prediction algorithms have been widely used， such as expert systems， neural networks， support vector machines and so on. Each kind of intelligent prediction algorithm has its own advantages and disadvantages. The common intelligent prediction algorithm and its application are introduced in this paper. Then the support vector machine is introduced， mainly including its basic principles and main problems. Finally， the improvement direction of the support vector machine algorithm is discussed. As a kind of intelligent prediction algorithm， support vector machine has a good application prospect for improving the accuracy of fault prediction.

關(guān)鍵詞： 故障預(yù)測(cè)；準(zhǔn)確度；智能預(yù)測(cè)算法；支持向量機(jī)

Key words： fault prediction；accurate degree；intelligence prediction algorithm；support vector machine

中圖分類號(hào)：TP206+.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2016）32-0159-03

0 引言

從功能定位情況來(lái)看，相比于故障診斷，故障預(yù)測(cè)這種維修保障形式更加高級(jí)，屬于新興邊緣學(xué)科的范疇，其綜合性較強(qiáng)，覆蓋了通信、材料、機(jī)械、控制、計(jì)算機(jī)、電子等多個(gè)領(lǐng)域[1]。

主要強(qiáng)調(diào)預(yù)見(jiàn)性的故障診斷，其目的在于預(yù)先消除故障，進(jìn)而實(shí)現(xiàn)維護(hù)費(fèi)用以及工作量的全面降低。在這一背景下，故障預(yù)測(cè)技術(shù)的首要發(fā)展問(wèn)題，便是怎樣提升故障預(yù)測(cè)準(zhǔn)確度。

提高故障預(yù)測(cè)準(zhǔn)確的方法有很多，從故障預(yù)測(cè)整個(gè)流程來(lái)說(shuō)，就可以從數(shù)據(jù)的準(zhǔn)確度、數(shù)據(jù)的預(yù)處理、故障特征提取方法的改進(jìn)以及智能預(yù)測(cè)算法的選擇這四個(gè)方面來(lái)進(jìn)行提高。提高數(shù)據(jù)準(zhǔn)確度方面，研究一些新型靈巧、健壯的傳感器以及尋求高信噪比的數(shù)據(jù)監(jiān)測(cè)手段都能夠?qū)?shù)據(jù)的準(zhǔn)確度有很大的提高。數(shù)據(jù)的預(yù)處理方面，改進(jìn)現(xiàn)有的降噪方法以及尋求新的降噪方法都是很多學(xué)者的研究?jī)?nèi)容，這對(duì)于提高預(yù)測(cè)的準(zhǔn)確度也有不可忽視的作用。特征提取方面，尋找到能夠表征設(shè)備性能退化的特征也是現(xiàn)在研究的熱點(diǎn)。

預(yù)測(cè)方法方面，一些先進(jìn)的智能預(yù)測(cè)算法相繼被提出，并且相應(yīng)的改進(jìn)方法也得到了廣泛的應(yīng)用，最新的一些組合預(yù)測(cè)算法也再相關(guān)的文獻(xiàn)中被應(yīng)用。

四個(gè)方面中每一個(gè)方面的進(jìn)步都會(huì)對(duì)故障預(yù)測(cè)準(zhǔn)確度的提高有重要的作用。本文主要從第四個(gè)方面即智能預(yù)測(cè)算法方面進(jìn)行分析和研究。介紹了一些常見(jiàn)的智能預(yù)測(cè)算法及其應(yīng)用情況，并重點(diǎn)介紹了比較有前景的支持向量機(jī)算法的一些基本問(wèn)題和改進(jìn)的方向。

1 常見(jiàn)的智能預(yù)測(cè)算法及其應(yīng)用

1.1 專家系統(tǒng)及其應(yīng)用

在很難建立數(shù)學(xué)模型或是無(wú)精確數(shù)學(xué)模型的復(fù)雜系統(tǒng)中，專家系統(tǒng)的作用能夠充分發(fā)揮出來(lái)，其優(yōu)勢(shì)在非線性領(lǐng)域表現(xiàn)的尤為突出。李茂林[2]、張晶[3]等將研究目光著眼于某自行火炮的電氣系統(tǒng)的失效模式以及故障機(jī)理方面，在對(duì)其展開(kāi)了細(xì)致而又全面的分析的基礎(chǔ)之上，充分發(fā)揮混合推理機(jī)制的作用，系統(tǒng)地分析了推理機(jī)的實(shí)現(xiàn)問(wèn)題，進(jìn)而致力于電氣系統(tǒng)故障綜合診斷專家系統(tǒng)的開(kāi)發(fā)。結(jié)果顯示，此系統(tǒng)在提升電氣系統(tǒng)的保障能力方面的作用是極為突出的，能夠?yàn)楸Ｕ先藛T提供專業(yè)化的決策參考。必須要關(guān)注的一點(diǎn)為，專家系統(tǒng)地開(kāi)發(fā)依賴于大量的原始積累，且其開(kāi)發(fā)周期較長(zhǎng)，現(xiàn)階段尚不具備一個(gè)統(tǒng)一的規(guī)范來(lái)指導(dǎo)專家系統(tǒng)的開(kāi)發(fā)，因此出現(xiàn)偏差的概率也相對(duì)較大。

綜合來(lái)看，盡管專家系統(tǒng)的應(yīng)用相對(duì)較早，但是已有的研究成果比較少，因此新的智能預(yù)測(cè)算法逐步發(fā)展起來(lái)，有望取而代之。

1.2 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

從實(shí)現(xiàn)方式來(lái)看，如下兩種方式可以實(shí)現(xiàn)預(yù)測(cè)故障神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)功能：首先是對(duì)輸入輸出之間的動(dòng)態(tài)關(guān)系加以考量，充分發(fā)揮帶饋連接動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的作用，完成動(dòng)態(tài)模型的建立，進(jìn)而發(fā)揮其預(yù)測(cè)功能；其次為將神經(jīng)網(wǎng)絡(luò)作為函數(shù)逼近器，采用擬合預(yù)測(cè)的方式來(lái)評(píng)估設(shè)備工況情況。從神經(jīng)網(wǎng)絡(luò)的特點(diǎn)來(lái)看，其非線性映射能力較為突出，因此可以逼近所有的非線性函數(shù)。Nawaz[4]等將研究對(duì)象定為半導(dǎo)體蝕刻設(shè)備，充分發(fā)揮遞歸神經(jīng)網(wǎng)絡(luò)的作用，實(shí)現(xiàn)了預(yù)測(cè)準(zhǔn)確度的全面提升，準(zhǔn)確度高達(dá)百分之九十左右。郭濤[5]等將研究對(duì)象定為某魚(yú)雷保障設(shè)備，充分發(fā)揮RBF的作用，完成了網(wǎng)絡(luò)預(yù)測(cè)模型的建立，進(jìn)而實(shí)現(xiàn)了預(yù)測(cè)準(zhǔn)確度的全面提升。

從客觀上來(lái)講，神經(jīng)網(wǎng)絡(luò)的缺陷也是顯而易見(jiàn)的，較為突出的幾項(xiàng)缺點(diǎn)為：訓(xùn)練樣本的需求量相對(duì)較大、容易限于局部最小點(diǎn)、對(duì)于經(jīng)驗(yàn)因素的依賴性較強(qiáng)、易于出現(xiàn)過(guò)學(xué)習(xí)情況。針對(duì)神經(jīng)網(wǎng)絡(luò)的上述缺點(diǎn)，一些相關(guān)的改進(jìn)改進(jìn)方法也得到了應(yīng)用。程進(jìn)軍[6]等利用遺傳算法（GA）多神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進(jìn)行尋優(yōu)，建立了GA和NN的預(yù)測(cè)模型，仿真結(jié)果表明該模型的預(yù)測(cè)精度較高；范愛(ài)鋒等提出了指數(shù)衰減神經(jīng)網(wǎng)絡(luò)模型，確定了衰減系數(shù)取0.75～0.9為宜，并以某型雷達(dá)磁控管為例進(jìn)行故障預(yù)測(cè)，取得了較高的預(yù)測(cè)精度。

1.3 支持向量機(jī)及其應(yīng)用

從定義上來(lái)講，支持向量機(jī)（SVM）應(yīng)該被歸于機(jī)器學(xué)習(xí)算法的范疇，這一算法是在統(tǒng)計(jì)學(xué)理論的基礎(chǔ)之上發(fā)展而來(lái)的，其優(yōu)點(diǎn)在于：對(duì)于樣本量的要求較低，具備較強(qiáng)的小樣本學(xué)習(xí)能力；學(xué)習(xí)能力較強(qiáng)、泛化能力較強(qiáng)。隨著現(xiàn)代科技的不斷發(fā)展，設(shè)備的復(fù)雜性也逐漸增強(qiáng)，因此小樣本學(xué)習(xí)能力較強(qiáng)的設(shè)備的優(yōu)越性便得以凸顯，在這一背景下，支持向量機(jī)的作用便得到了充分發(fā)揮。

支持向量機(jī)在近些年來(lái)呈現(xiàn)出較快的發(fā)展?fàn)顟B(tài)。田干[7]等將研究目光著眼于液體火箭發(fā)動(dòng)機(jī)參數(shù)預(yù)測(cè)領(lǐng)域，著重強(qiáng)調(diào)與對(duì)最小二乘支持向量機(jī)以及支持向量機(jī)的利用，實(shí)現(xiàn)了預(yù)測(cè)精度的全面提升。在此基礎(chǔ)上展開(kāi)了橫向的對(duì)比，肯定了支持向量機(jī)的優(yōu)勢(shì)所在。從客觀上來(lái)講，盡管支持向量機(jī)的測(cè)量精度較高，但是最小二乘支持向量機(jī)卻在訓(xùn)練時(shí)間上表現(xiàn)了一定的優(yōu)勢(shì)。Benkedjouh[8]等將研究對(duì)象定為軸承的剩余壽命預(yù)測(cè)問(wèn)題，有效利用了支持向量回歸機(jī)的作用，依次完成線上步驟以及線下步驟，在訓(xùn)練支持回歸模型的基礎(chǔ)之上科學(xué)的預(yù)測(cè)軸承的剩余壽命，得到了較為準(zhǔn)確的預(yù)測(cè)結(jié)果。

2 支持向量機(jī)預(yù)測(cè)算法基本問(wèn)題及改進(jìn)方向

2.1 支持向量機(jī)的基本原理[9]

設(shè)給定訓(xùn)練集回歸問(wèn)題就是依據(jù)給定的訓(xùn)練數(shù)據(jù)尋找一個(gè)實(shí)值函數(shù)y=f（x）來(lái)擬合 y 與x 的依賴關(guān)系。對(duì)于線性回歸，用線性回歸函數(shù)：y=f（x）=（？棕·x）+b來(lái)擬合數(shù)據(jù)；對(duì)于非線性情況，支持向量回歸機(jī)的基本思想是通過(guò)一個(gè)非線性映射：nΦ R → H將樣本點(diǎn)映射到高維特征空間 H ，并在高維特征空間進(jìn)行線性回歸，從而得到原空間的非線性回歸估計(jì)。此時(shí)回歸估計(jì)函數(shù)為：y=f （x）=（？棕·？鬃（x））+b。通過(guò)解最優(yōu)化問(wèn)題可以得到權(quán)值向量 w 和偏置 b ，從而得到回歸函數(shù)。

2.2 支持向量機(jī)預(yù)測(cè)的主要問(wèn)題

核函數(shù)、懲罰參數(shù)C、核參數(shù)的選取是影響支持向量機(jī)使用性能的三項(xiàng)主要因素[10]。一般情況下，擬合程度與C呈現(xiàn)出正比關(guān)系，C越大，代表學(xué)習(xí)機(jī)器的復(fù)雜性越高，在這種情況下，“過(guò)學(xué)習(xí)”現(xiàn)象便更容易發(fā)生。但是若學(xué)習(xí)機(jī)器的復(fù)雜度過(guò)低的話，還會(huì)導(dǎo)致“欠學(xué)習(xí)”的情況。C取值對(duì)于SVM性能的影響將在高于一定的閾值之后失效。高斯核函數(shù)、多項(xiàng)式核函數(shù)、RBF核函數(shù)以及線性核函數(shù)是幾類典型的SVM的核函數(shù)。核參數(shù)以及核函數(shù)的選取是成功構(gòu)建SVM模型的首要問(wèn)題。SVM模型的性能會(huì)受到C以及核函數(shù)參數(shù)的重要影響，但是支持向量的個(gè)數(shù)卻不會(huì)發(fā)生太大的變動(dòng)。舉一個(gè)典型的例子，模型的分類精度將會(huì)受到RBF核函數(shù)的參數(shù)Gamma的取值問(wèn)題的嚴(yán)重影響，從這一點(diǎn)來(lái)看，懲罰因子C以及核參數(shù)Gamma的選取是影響RBF核的SVM模型分類精度的重要參數(shù)。

明確了上述基本信息之后，重點(diǎn)來(lái)看已有的模型參數(shù)選取方法。從現(xiàn)階段形勢(shì)來(lái)看，應(yīng)用性較強(qiáng)的幾類模型參數(shù)選取方法為：網(wǎng)絡(luò)搜索法、粒子群算法優(yōu)化（PSO）、窮舉法、遺傳算法優(yōu)化、交叉驗(yàn)證法、樓梯下降法等[10]。綜合來(lái)看，操作較為簡(jiǎn)便的兩種算法為較差驗(yàn)證法以及窮舉法，不過(guò)其缺陷在于效果較差、速度較慢、計(jì)算量比較大等。具備速度優(yōu)勢(shì)的方法為樓梯下降法，但是其陷入局部最優(yōu)的概率較高，而網(wǎng)格算法的計(jì)算量卻非常大。粒子群算法的缺點(diǎn)在于不容易收斂，易于陷入局部最優(yōu)。遺傳算法的缺點(diǎn)在于操作較為復(fù)雜，但是其不會(huì)涉及到局部最優(yōu)的問(wèn)題。

2.3 支持向量機(jī)預(yù)測(cè)方法的改進(jìn)

在前文中，重點(diǎn)闡釋了支持向量機(jī)預(yù)測(cè)精度的問(wèn)題所在，在本節(jié)中，主要就其改進(jìn)策略加以討論。從當(dāng)前來(lái)看，主要有如下改進(jìn)思路，分別為：立足于現(xiàn)有模型參數(shù)選擇方法的缺陷所在，進(jìn)行科學(xué)的組合；改進(jìn)現(xiàn)有模型參數(shù)選擇方法；積極探索通用化較好的標(biāo)準(zhǔn)化的模型參數(shù)確定方法。

想要全面提升模型的預(yù)測(cè)準(zhǔn)確度，必須要逐步改進(jìn)現(xiàn)有模型參數(shù)選擇方法的缺陷。從客觀上來(lái)講，受限于參數(shù)選擇范圍的問(wèn)題，最有參數(shù)的確定需要耗費(fèi)巨大的時(shí)間成本，其可行性相對(duì)較低。針對(duì)這一情況，田海雷[11]等探索出了基于改進(jìn)人工魚(yú)群算法（AFSA）的支持向量機(jī)（SVM）預(yù)測(cè)算法。其思路在于通過(guò)改進(jìn)AFSA來(lái)實(shí)現(xiàn)SVM參數(shù)的全面優(yōu)化。與此同時(shí)，發(fā)揮遺傳算法（GA）、粒子群優(yōu)化（PSO）算法、AAFSA.AFSA.優(yōu)勢(shì)，充分依照股票上證指數(shù)，全面優(yōu)化SVM回歸模型的參數(shù)C和G。在此基礎(chǔ)上完成SVM回歸預(yù)測(cè)模型構(gòu)建，展開(kāi)了全面的數(shù)據(jù)預(yù)測(cè)活動(dòng)。具體結(jié)果參見(jiàn)表1。

結(jié)果顯示，經(jīng)過(guò)改進(jìn)后，實(shí)現(xiàn)了預(yù)測(cè)精度的全面提升，具備了高于粒子群優(yōu)化算法、遺傳算法、基本AFSA優(yōu)化的支持向量機(jī)的預(yù)測(cè)精度。李文元[12]等的研究提升了人為參數(shù)選擇的效率，主要依靠PSO算法優(yōu)化LS-SVM的參數(shù)來(lái)實(shí)現(xiàn)，成功的結(jié)合了最小而成支持向量機(jī)算法以及粒子群算法的優(yōu)勢(shì)。從具體應(yīng)用情況來(lái)看，其可行性與有效性相對(duì)較高，在運(yùn)算速度以及預(yù)測(cè)精度方面的突破是值得肯定的。

從客觀上來(lái)評(píng)判，組合模型參數(shù)選擇方法是實(shí)現(xiàn)模型預(yù)測(cè)準(zhǔn)確度提升的捷徑所在。王久崇[13]等致力于基于最小二乘支持向量機(jī)故障預(yù)測(cè)準(zhǔn)確度的全面提升，充分發(fā)揮AFS-ABC算法的作用，實(shí)現(xiàn)了LS-SVM的參數(shù)C和σ的組合優(yōu)化，探索出了在蜂群算法中的新應(yīng)用，其LS-SVM模型的訓(xùn)練集來(lái)自于某航空電子系統(tǒng)電源模塊記錄，實(shí)現(xiàn)了優(yōu)勢(shì)互補(bǔ)的作用，在此基礎(chǔ)上完成了狀態(tài)預(yù)測(cè)仿真，將MATLAB的LS-SVM工具箱的作用發(fā)揮的淋漓盡致。將基準(zhǔn)定為真實(shí)值0.07779，進(jìn)而得到預(yù)測(cè)值標(biāo)準(zhǔn)差的偏離值：“PSO預(yù)測(cè)值”為0.00031，“AFS-ABC預(yù)測(cè)值”為0.00008，“GA預(yù)測(cè)值”為0.00141。由此可見(jiàn)，尋優(yōu)結(jié)果精度、局部極值、LS-SVM的預(yù)測(cè)精度等問(wèn)題的解決方面，AFS-ABC算法的作用得到了凸顯。

從上述分析來(lái)看，預(yù)測(cè)結(jié)果會(huì)受到核函數(shù)選取情況的影響，在這一背景下，需要面向?qū)嶋H需求來(lái)進(jìn)行新的核函數(shù)的構(gòu)建。從現(xiàn)階段研究情況來(lái)看，鮮少有涉及利用新核函數(shù)的建立以及核函數(shù)的組合來(lái)提升設(shè)備故障預(yù)測(cè)效果的研究，不過(guò)故障診斷應(yīng)用情況卻相對(duì)較好。我們必須要關(guān)注故障診斷到故障預(yù)測(cè)的連續(xù)性特征，在此基礎(chǔ)上就故障預(yù)測(cè)領(lǐng)域的突破做出積極的努力。

一套通用性比較好的標(biāo)準(zhǔn)化的模型參數(shù)確定方法如果得以確定，那對(duì)于提高支持向量機(jī)預(yù)測(cè)的準(zhǔn)確度肯定會(huì)有質(zhì)的飛躍。目前，很多學(xué)者已經(jīng)投入到這方面的研究中，雖然目前研究成果還不豐富，但在不久的將來(lái)，相關(guān)的研究成果肯定會(huì)出現(xiàn)，并會(huì)對(duì)預(yù)測(cè)準(zhǔn)確度的提高起到很好的推動(dòng)作用。

3 結(jié)束語(yǔ)

在本研究中，就常見(jiàn)的智能預(yù)測(cè)算法及其應(yīng)用問(wèn)題展開(kāi)了系統(tǒng)的闡釋，立足于預(yù)測(cè)算法領(lǐng)域現(xiàn)存的主要問(wèn)題，進(jìn)行了方向性較強(qiáng)的策略探討。圍繞著支持向量機(jī)預(yù)測(cè)算法的問(wèn)題展開(kāi)了系統(tǒng)的說(shuō)明，并闡明其優(yōu)勢(shì)所在，著重進(jìn)行了理論分析與應(yīng)用拓展，致力于設(shè)備預(yù)測(cè)準(zhǔn)確度的全面提升。綜合而言，支持向量機(jī)的未來(lái)發(fā)展形勢(shì)一片大好。

參考文獻(xiàn)：

[1]Liu C S，Hu S S，Intelligent Nonlinear Fault Diagnosis based on State Estimator[J].Control and Decision，2005，20（5）：557-561.

[2]李茂林，石志勇，董志鵬，等.某型自行火炮電氣故障診斷專家系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].兵工自動(dòng)化，2009，28（11）：12-14.

[3]張晶.某型自行火炮綜合電氣系統(tǒng)故障診斷專家系統(tǒng)[J].兵工自動(dòng)化，2010，29（3）：58-59.

[4]J.M.Nawaz， M.Z.Arshad， S.J.Hong. Time series fault prediction in semiconductor equipment using recurrent neural network[J].Springer-Verlag Bering Heideberg 2013.

[5]郭濤，黃波.基于神經(jīng)網(wǎng)絡(luò)的某魚(yú)雷保障設(shè)備故障預(yù)測(cè)方法[J].兵工自動(dòng)化，2013，32（5）：85-90.

[6]程進(jìn)軍，夏智勛，胡雷剛.基于遺傳神經(jīng)網(wǎng)絡(luò)的航空裝備故障預(yù)測(cè)[J].空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，12（1）：15-19.

[7]田干，張煒，楊正偉，等.SVM方法在火箭發(fā)動(dòng)機(jī)故障預(yù)測(cè)中的應(yīng)用[J].機(jī)械科學(xué)與技術(shù)，2010，29（1）：63-67.

[8]T. Benkedjouh， K.Medjaher， N.Zerhouni， S.Rechak. Remaining useful life estimation based on nonlinear feature reduction and support vector regression[J]. Engineering Applications of Artificial Intelligence 26 （2013）：1751-1760.

[9]薛輝輝，肖明清，段軍峰，等.基于雜合支持向量回歸機(jī)的電子裝備故障預(yù)測(cè)[J].計(jì)算機(jī)工程，2012，38（8）：283-286.

[10]付陽(yáng)，李昆侖，等.支持向量機(jī)模型參數(shù)選擇方法綜述[J].電能知識(shí)及技術(shù)，2010，28（6）：8025，8081-8082.

[11]田海雷，李洪儒，許葆華.基于改進(jìn)人工魚(yú)群算法的支持向量機(jī)預(yù)測(cè)[J].計(jì)算機(jī)工程，2013，39（4）：222-225.

[12]李文元，閆海華，姚宏杰，等.粒子群優(yōu)化的最小二乘支持向量機(jī)在通信裝備故障預(yù)測(cè)中的應(yīng)用[J].微電子與計(jì)算機(jī)，2013，30（2）：99-102.

[13]王久崇，樊曉光，盛晟，等.改進(jìn)的蜂群LS-SVM故障預(yù)測(cè)[J].空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，14（1）：16-19.