齊 磊 王海瑞 李榮遠 李 英 任玉卿

(昆明理工大學(xué)信息工程與自動化學(xué)院 云南 昆明 650500)

基于IAGA-SVM的搗固車液壓系統(tǒng)故障診斷研究

齊 磊 王海瑞 李榮遠 李 英 任玉卿

(昆明理工大學(xué)信息工程與自動化學(xué)院 云南 昆明 650500)

針對傳統(tǒng)液壓系統(tǒng)故障診斷方法受人為因素影響較為嚴重，故障成因相對復(fù)雜等問題。提出一種改進的自適應(yīng)搗固車液壓系統(tǒng)故障診斷方法。首先，從搗固車的車載數(shù)據(jù)中采集系統(tǒng)抽取出來的故障特征值。其次，將特征值輸入支持向量機(SVM)模型中進行訓(xùn)練，同時對核函數(shù)和懲罰系數(shù)做出優(yōu)化。最后，應(yīng)用自適應(yīng)支持向量機建立從特征向量到故障模式之間的映射，最終做到對液壓系統(tǒng)的故障診斷。結(jié)果可得，此方法可以準確高效地診斷出故障類型，證明了此方法的實用價值。此外，經(jīng)過與GA-SVM以及AGA-SVM的對比剖析，表明了IAGA-SVM方法在故障診斷領(lǐng)域中的卓越性。

液壓系統(tǒng) 故障診斷 支持向量機 改進的自適應(yīng)遺傳算法

0 引 言

由于搗固車液壓系統(tǒng)工作強度大、負荷高，在搗固車工作的過程中常出現(xiàn)的一些特殊復(fù)雜的故障會給搗固車作業(yè)帶來嚴重的安全隱憂，且維修成本高，維修起來也相對比較棘手[1]。因此，研究搗固車液壓系統(tǒng)的故障問題對大型機械故障診斷的發(fā)展和進步具有很重要的意義。

目前，神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)[2]等方法均已被廣泛應(yīng)用于智能故障診斷領(lǐng)域。在進行人工神經(jīng)網(wǎng)絡(luò)(ANN)學(xué)習(xí)的過程需要提供許多的高質(zhì)量的訓(xùn)練樣本。同時利用人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練的過程中收斂速率慢，所得到的結(jié)果往往是局部最好的等缺點，專家系統(tǒng)也有知識難以獲取、知識庫維護不方便等問題。然而，利用支持向量機(SVM)的方法進行數(shù)據(jù)訓(xùn)練的過程中能夠很好地解決人工神經(jīng)網(wǎng)絡(luò)方法所存在的不足，在處理搗固車故障診斷這種故障樣本少、非線性、維數(shù)較高的模式這類問題上具有較強的處理能力。同時它也有較強的泛化能力，也能求解出全局最優(yōu)解[3]。但是支持向量機的分類性能在相當(dāng)程度上是依賴于懲罰系數(shù)和核函數(shù)參數(shù)。因此，利用支持向量機對搗固車液壓系統(tǒng)進行故障診斷的關(guān)鍵在于尋找出最佳懲罰系數(shù)和核函數(shù)參數(shù)。

本文利用改進的自適應(yīng)遺傳算法強大的尋優(yōu)能力和支持向量機在模式識別方面的優(yōu)勢，設(shè)計改進了一種優(yōu)化的全新的支持向量機算法在搗固車液壓系統(tǒng)故障方面的應(yīng)用方法。首先，將從搗固車的車載數(shù)據(jù)采集系統(tǒng)中抽取出來的故障特征值作為輸入值，將這些輸入值輸入到支持向量機模型中進行訓(xùn)練。同時利用IAGA優(yōu)秀的全局尋優(yōu)能力實現(xiàn)SVM的參數(shù)優(yōu)化。然后采用優(yōu)化后的SVM構(gòu)建“一對多”多值分類故障診斷模型完成搗固車液壓系統(tǒng)故障類型的快速診斷。最后對所建的模型進行仿真驗證并與其他方法進行比較，可以發(fā)現(xiàn)該模型算法用時更短、診斷的準確率更高。

1 支持向量機

支持向量機就是一種把有關(guān)統(tǒng)計學(xué)習(xí)的方法和結(jié)構(gòu)風(fēng)險的理論相結(jié)合的方法。在處理樣本數(shù)據(jù)少、非線性以及高維數(shù)據(jù)、求解全局最小值等方面具有很好的效果[4]。并能夠根據(jù)有限的樣本信息，學(xué)習(xí)這些有限的樣本信息獲取訓(xùn)練樣本的特征，從而對未知樣本進行預(yù)測，因此獲得的結(jié)果具有較強的泛化能力。在某種程度上能夠解決神經(jīng)網(wǎng)絡(luò)不能解決的過學(xué)習(xí)問題。因此，本文引入支持向量機的相關(guān)算法對搗固車的液壓故障進行診斷，既能在較小的數(shù)據(jù)樣本中最大化地查找所需的分類信息，又可以完美地把故障的分類情況巧妙化作二次規(guī)劃優(yōu)化的問題，也能確保所獲取的數(shù)據(jù)是全局最優(yōu)解。

1.1 支持向量分類機

支持向量分類機就是采用SVM模型和非線性變換的方法去把低維空間里的數(shù)據(jù)映射到高維的空間中去，之后在高維空間獲取一個最好的分類平面。而對于線性可分的分類問題，SVM能夠根據(jù)要求找到一個最好的超平面。在訓(xùn)練時，使得訓(xùn)練集中的點盡可能遠離分類面，也就是使得分類面兩側(cè)的空白區(qū)域(margin)最大，如圖1所示。

圖1 SVM的最優(yōu)分界面

在圖1中，兩類樣本分別用圓圈和方塊表示，H是能夠正確劃分兩類樣本的分類線。H1、H2分別表示平行于分類線H的直線并且穿過各類樣本中離H最近的點?？梢杂忙亍i+b=0來表示分類線，并通過歸一化處理，使對線性可分樣本集(xi,yi)，i=1,2,…,l,x∈Rd,y∈{1,-1}滿足：

s.t.yi[(ω·xi)+b]≥1i=1,2,…,l

(1)

s.t.yi[(ω·xi)+b]≥1-δii=1,2,…,l

(2)

δi≥0i=1,2,…,l

其中，C>0是一個懲罰系數(shù)。有時因能正確劃分訓(xùn)練集的超平面不存在，因此可以在能夠正確劃分訓(xùn)練集的超曲面中尋找出一個最優(yōu)的超曲面來代替它。事實上對于超曲面來說，缺少超平面所特有的幾何間隔的概念，因此尋找超曲面要比尋找超平面困難得多。于是在線性不可分支持向量機的最優(yōu)求解模型中引入滿足Mercer條件的核函數(shù)K(x,x′)，把原本在低緯度空間里面不好處理的數(shù)據(jù)映射到高維空間中，在高維特征空間進行線性分析。最后通過選擇適當(dāng)?shù)膽土P系數(shù)C>0得到線性不可分SVM的二次規(guī)劃優(yōu)化問題，即最優(yōu)求解模型：

(3)

0≤αi≤Ci=1,2，…,l

其中，ai、aj為拉格朗日乘子，K(xi,xj)是符合Mercer條要求的核函數(shù)。

由此可求得分類決策函數(shù)為:

(4)

本文的實驗分類模型就是“一對多”的模型分類算法。它的核心思想就是建立多個模型分類器，每個分類問題分別對應(yīng)一個分類器，彼此之間互相獨立。然后把測試的樣本放入分類器中進行分類識別，如果不能得出分類結(jié)果則放入下一個模型分類器中進行分類識別，最終得到故障的分類結(jié)果。

1.2 核函數(shù)的選擇

SVM的重要組成部分之一便是核函數(shù)，如果 SVM采用的核函數(shù)和參數(shù)不同，那么其性能也會存在很大差異。因此，如何根據(jù)數(shù)據(jù)集來構(gòu)造核函數(shù)，也是目前支持向量機技術(shù)發(fā)展的一個重要研究方向[5]。核函數(shù)構(gòu)造的好壞與否直接關(guān)系到SVM的分類泛化能力，因此，為了做到對搗固車的液壓故障更準確的分類處理，本文選用徑向基核函數(shù):

(5)

替換式(4)中的K(x,xi)，這樣SVM的分類決策函數(shù)可表示為:

(6)

2 遺傳算法

遺傳算法首先利用某種編碼技術(shù)，將問題的解空間轉(zhuǎn)化為染色體空間，將決策變量轉(zhuǎn)換為具有某種結(jié)構(gòu)的染色體個體。然后由這些個體隨機組成的群體通過選擇、交叉和變異挑選高適應(yīng)度的個體迭代創(chuàng)建下一代個體，進而生成下一代群體[6]。同時，為了獲得滿足我們約束條件的個體，可設(shè)置終止條件來使搜索過程停止，遺傳尋優(yōu)結(jié)束以后，會在種群中產(chǎn)生一個優(yōu)秀個體，該個體的表現(xiàn)型將達到問題的最優(yōu)解，其處理流程如圖2所示[7]。

圖2 遺傳算法的處理流程

2.1 自適應(yīng)遺傳算法

如何去選擇好的交叉概率和變異概率對遺傳算法的性能和收斂程度都有著十分重要的作用，假如選擇了比較大的交叉概率將會對擁有高度適應(yīng)性個體的結(jié)構(gòu)造成破壞。相反，假如選擇出來的交叉概率值太小的話，就會減慢算法搜索尋優(yōu)的進程，在最壞的情況下有可能導(dǎo)致算法停滯并陷入過早收斂。如果選擇過大的變異概率，很有可能就找不到全局最優(yōu)解；假若選擇過小的變異概率，則會妨礙新個體的產(chǎn)生。往往在用遺傳算法方法去作搜索操作的時候所用到的交叉概率和變異概率的數(shù)值一般是固定的。由于獲得次優(yōu)解的原因，個體的適應(yīng)度不能得到改善，甚至有可能導(dǎo)致過早收斂，不但影響搜索算法的性能，而且影響獲得最優(yōu)解的速度。當(dāng)遺傳算法收斂到局部最優(yōu)，甚至全局最優(yōu)時，交叉概率和變異概率的增加將會使獲得近似最優(yōu)解遭到破壞。由于以上原因，種群可能不會收斂到全局最優(yōu)，遺傳算法的性能也將會大大減弱。為了避免這些問題的發(fā)生，選擇了自適應(yīng)遺傳算法，它的優(yōu)點就是能夠判斷你輸入的數(shù)值來自適應(yīng)地去對交叉概率和變異概率兩種概率進行不斷的改正，如式(7)和式(8)所示。

(7)

(8)

其中，f1是選擇兩個交叉?zhèn)€體里面適應(yīng)度大的那個值。f2表示存在變異情況發(fā)生的個體的適應(yīng)度的值。pc是交叉概率，pm是變異概率，favg是平均適應(yīng)度值，fmax是最大適應(yīng)度值。這種方法能夠克服過早收斂，并在很大程度上保留了群體中的優(yōu)秀個體。考慮到交叉和變異的可能性，k1和k2是預(yù)先確定并且小于1.0的值。本文中，k1和k2的值已經(jīng)通過人工經(jīng)驗得出，并且分別固定為0.4和0.1。

2.2 改進的自適應(yīng)遺傳算法

改進的自適應(yīng)遺傳算法選擇能夠區(qū)分個體各自分類情況的最優(yōu)特征子集作為輸入送入分類器，可以得到相對于某個解來說它的最優(yōu)的交叉概率值以及變異概率值。假如樣本的適應(yīng)度比所預(yù)設(shè)的平均值小，就代表該樣本是一個性能比較差的樣本個體，就利用較大的交叉概率和變異概率對他進行計算。相反，倘若樣本的適應(yīng)度比預(yù)設(shè)定的平均值大的話，就代表該樣本是一個性能比較好的樣本個體，在計算的過程中就采用自適應(yīng)的方法選擇對應(yīng)的交叉概率和變異概率[8]。在式(7)和式(8)中，若某個樣本的適應(yīng)度值與fmax越接近，那這個樣本所對應(yīng)的交叉概率和變異概率也會變得越小；若與fmax一樣，則對應(yīng)的交叉概率和變異概率都會變成零。按式(7)和式(8)進行調(diào)整不利于處于進化初期的群體，但比較適合處于進化后期的群體。因此，本文采用自適應(yīng)的遺傳算法，使得在性能較好的個體在計算的過程中也不會將交叉概率和變異概率的值變?yōu)榱?，改進以后所求得的交叉概率和變異概率值可以按照式(9)、式(10)來計算。

(9)

(10)

式中fmax是最大適應(yīng)度值，f1是兩個交叉染色體中較大的適應(yīng)度值,f2是快要突變那些個體它們的適應(yīng)度值，favg是平均適應(yīng)度值，Pmmax和Pmmin是最大和最小的變異概率，Pcmax和Pcmin是最大和最小的交叉概率，通常取λ=2?；谌斯そ?jīng)驗，通常選擇pcmax=0.9,pcmin=0.6，pmax=0.1，pmmin=0.001。

3 基于改進的自適應(yīng)遺傳SVM故障診斷模型

本文在對傳統(tǒng)的自適應(yīng)的遺傳算法做出了改進之后去對全局的特征做優(yōu)化，并且對SVM算法里所涉及到懲罰系數(shù)還有核函數(shù)等也做出改良和升華[9]，以提高SVM分類器的學(xué)習(xí)和泛化性能。其次結(jié)合多值SVM分類器故障診斷策略，去改進搗固車液壓故障的診斷方法使得診斷出的搗固車的液壓故障分類更準確，耗時也更短。

3.1 種群編碼和選擇算子

在IAGA-SVM中，對懲罰系數(shù)和核函數(shù)參數(shù)采用二進制編碼，即把染色體分兩部分：X={σ,C}，并且每部分用10個比特位來表示。第一部分二進制數(shù)據(jù)對應(yīng)的十進制值乘上一個比例因子即為核函數(shù)參數(shù)σ，第二部分二進制數(shù)據(jù)對應(yīng)的十進制值乘上一個比例因子即為懲罰系數(shù)C，這個比例因子可以按經(jīng)驗值確定，本文取為0.002 9。

對于算子的選擇問題，本文則用無回放最大值去選擇的方法通過選擇最大占比來獨立選取此前最優(yōu)的個體，但一個個體選定之后再去適當(dāng)?shù)娜タs小該個體占比，之后重復(fù)以上的操作步驟，最終產(chǎn)生N個個體為止，假設(shè)把種群大小表成N，具體步驟如下：

(1) 計算得出比例ri=fi(i=1,2,…,N)，按照適應(yīng)度計算全部個體所占的比例值；

(3) 如果選出的新個體,數(shù)達到種群大小N，則轉(zhuǎn)(4)，否則轉(zhuǎn)(2)；

(4) 存儲全部選中的個體為它的下一代，然后返回。

該操作方法既可確保最優(yōu)個體被完整地保存，同時操作亦更為便捷。

3.2 交叉與變異算子

本文使用改進之后的自適應(yīng)交叉算子來獲取新的個體。在均勻交叉期間，后代中的每個基因都是通過從雙親復(fù)制得到的，其具體實現(xiàn)是根據(jù)采用改進的自適應(yīng)遺傳算法進行搜索的過程中隨機生成的一個與個體編碼串長度等長的交叉屏蔽字來確定新個體的各個基因究竟來自哪一個父代。假設(shè)從X、Y兩個父代個體產(chǎn)生兩個新的子代個體X1、Y1。如果屏蔽字中第i位為1，則X1在第i位上的基因值通過復(fù)制Y對應(yīng)位的基因值得到，Y1在第i位上的基因值通過復(fù)制X對應(yīng)位的基因值得到。如果屏蔽字中第i位為0，則X1在第i位上的基因值通過復(fù)制X對應(yīng)位的基因值得到，Y1在第i位上的基因值通過復(fù)制Y對應(yīng)位的基因值得到，直至遍歷完屏蔽字，新的個體也就產(chǎn)生了。以這種方式產(chǎn)生的新個體都是由父代基因組合而成。

采用改進的自適應(yīng)均勻變異算子可以產(chǎn)生初始種群中不含的基因，也可以找到在選擇的過程中被丟棄的基因，這些基因能夠為種群帶來新的內(nèi)容。變異算子利用一個隨機產(chǎn)生的屏蔽字，如果屏蔽字第i位為1，則改變要變異個體對應(yīng)位的值，否則，要變異個體對應(yīng)位的值保持不變。把二進制形式的編碼方法應(yīng)用進來，同時把與變異個體所對應(yīng)的值作出改進，即將0換成1或者將1換成0，這取決于屏蔽字的隨機性質(zhì)。

3.3 適應(yīng)度函數(shù)的設(shè)計

在遺傳算法中去運用適應(yīng)度函數(shù)來計算得出每個個體的適應(yīng)值，通過個體的適應(yīng)度值大小來體現(xiàn)個體在群體中的差異程度，進而確定該個體有沒有權(quán)利作為父本進行新一代的遺傳操作[10]。適應(yīng)度函數(shù)選取的好壞是衡量遺傳算法好壞的關(guān)鍵。本文采用設(shè)計方法是：在遺傳操作的每一代中，對每一條染色體進行譯碼，計算出懲罰系數(shù)C和核函數(shù)參數(shù)σ，然后把訓(xùn)練集分為k組，把其中的k-1組送入SVM訓(xùn)練模塊進行訓(xùn)練，訓(xùn)練完成后，再把剩下的一組送入SVM預(yù)測模塊進行預(yù)測，并確保每一組都被送入SVM預(yù)測模塊1次，在此基礎(chǔ)上計算出預(yù)測故障的平均正確率。對于支持向量機來說，分類正確率越高則染色體越優(yōu)，為了防止過早收斂則引入了均衡系數(shù)ω，在該改進的自適應(yīng)遺傳SVM中，以式(11)計算染色體的適應(yīng)度值，以偏向?qū)ふ胰肿顑?yōu)解。

(11)

其中ω(0<ω<1)是均衡系數(shù)，用于調(diào)節(jié)平均分類正確率的權(quán)重，取ω=0.95，Mi即第i組的樣本的分類正確率，Q是染色體中的基因值為1的個數(shù)，N為染色體的長度。

針對本文搗固車液壓系統(tǒng)故障診斷的多值分類器問題,構(gòu)建了一個多值分類SVM故障診斷模型如圖3所示[9]。

圖3 基于IAGA優(yōu)化的多值分類SVM故障診斷模型

利用自適應(yīng)遺傳算法對SVM進行調(diào)優(yōu)的算法具體步驟如下：

(1) 確定模型中需要優(yōu)化改進的懲罰系數(shù)以及徑向基核函數(shù)的參數(shù)。

(2) 確定個體的編碼方式，由于待優(yōu)化的參數(shù)數(shù)量較少，所以在改進的自適應(yīng)遺傳SVM中采用二進制編碼方式。

(3) 任意生成由M個個體構(gòu)成的原始代種群。

(4) 用SVM訓(xùn)練模型來訓(xùn)練種群中的每一個個體，若該類為第j類，則將該類設(shè)定為1，其余類則為-1。

(5) 對訓(xùn)練后的各個SVM模型進行檢驗，并在此基礎(chǔ)上，評估種群中全部個體的適應(yīng)度值。

(6) 檢查滿足不滿足該模型所用算法的終止條件。若滿足終止條件，轉(zhuǎn)(8)；否則，繼續(xù)(7)。

(7) 對當(dāng)前種群執(zhí)行無回放最大值選擇、均勻交叉和變異操作，轉(zhuǎn)(4)。

(8) 從種群中挑選出具有最高適應(yīng)度的那個個體，將個體的表現(xiàn)型參數(shù)作為改進的自適應(yīng)遺傳優(yōu)化后的SVM模型參數(shù)C*和σ*。

(9) 根據(jù)優(yōu)化后的懲罰系數(shù)C*和徑向基核函數(shù)參數(shù)σ*，建立SVM故障診斷模型。

(10) 采用最終搭建的支持向量機的模型來實現(xiàn)搗固車液壓系統(tǒng)的故障診斷。

4 診斷實例

搗固車液壓系統(tǒng)的故障類型主要有液壓泵故障、溢流閥故障、減壓閥故障這三種，這些故障類型主要通過系統(tǒng)壓力、卸荷閥流量、液壓油溫度等故障征兆來反映。因此，只要通過搗固車車載數(shù)據(jù)采集系統(tǒng)提取以上故障特征并做歸一化處理輸入所建IAGA-SVM模型，就可以判別發(fā)生的是何種故障。首先，把所獲取的故障特征分為測試樣本和訓(xùn)練樣本；然后，利用建立起來的新SVM模型進行訓(xùn)練并完成測試，在整個訓(xùn)練和測試的過程當(dāng)中采用自適應(yīng)遺傳算法去優(yōu)化和改進SVM訓(xùn)練模型中的參數(shù)的值；最終將測試樣本輸入優(yōu)化后的SVM中得到搗固車液壓系統(tǒng)故障診斷結(jié)果。在這三種故障數(shù)據(jù)和正常數(shù)據(jù)中分別隨機選取30組數(shù)據(jù)作為訓(xùn)練樣本，20組作為測試樣本，表1僅列出訓(xùn)練樣本中每種類型3組特征向量。

表1 搗固車液壓系統(tǒng)各種故障類型對應(yīng)的特征向量

假如把初始種群規(guī)模設(shè)定為40，其中最大的迭代次數(shù)的值是200，當(dāng)進化達到最大進化代數(shù)時尋優(yōu)的過程就終止，并在尋優(yōu)過程中記錄所搜索到的最優(yōu)參數(shù)。為了說明本文所用方法的優(yōu)越性，特用改進的自適應(yīng)遺傳SVM與自適應(yīng)遺傳SVM和簡單遺傳SVM對搗固車液壓系統(tǒng)故障樣本數(shù)據(jù)進行訓(xùn)練測試，并比較這些方法的收斂效果和診斷誤差，以確定本文所提出改進的自適應(yīng)遺傳SVM的魯棒性。采用不同算法優(yōu)化SVM參數(shù)時進化代數(shù)和平均適應(yīng)度之間的關(guān)系曲線和采用不同算法優(yōu)化SVM參數(shù)時訓(xùn)練次數(shù)和誤差平方和之間的關(guān)系曲線分別如圖4和圖5所示。

圖4 IAGA、AGA和GA優(yōu)化SVM參數(shù)時進化代數(shù)和平均適應(yīng)度之間的關(guān)系曲線

圖5 IAGA、AGA和GA優(yōu)化SVM參數(shù)時訓(xùn)練次數(shù)和誤差平方和之間的關(guān)系曲線

從圖4和圖5中可以看出，IAGA算法對SVM進行參數(shù)優(yōu)化的收斂效果最好，診斷誤差最小，AGA算法次之，常用的GA算法所獲得的實驗結(jié)果最差。在保證訓(xùn)練集能夠達到最高分類準確率的前提下，當(dāng)IAGA算法進化到第70代的時候便搜索到最優(yōu)值，此后適應(yīng)度曲線趨于穩(wěn)定，此時最優(yōu)懲罰系數(shù)C=0.573，核參數(shù)σ=0.410 5，而AGA算法需要進化到120代，傳統(tǒng)GA算法需要進化到160代才能搜索到最優(yōu)值，且最優(yōu)值都沒有IAGA算法好。

在模型的訓(xùn)練操作中，懲罰系數(shù)C反映系統(tǒng)學(xué)習(xí)能力，核函數(shù)參數(shù)σ反映樣本在高維空間中分布復(fù)雜度。由此可得，樣本分類正確率和核函數(shù)(核函數(shù)選用徑向基核函數(shù))參數(shù)、懲罰系數(shù)之間的關(guān)系如圖6所示。

圖6 樣本分類正確率和核函數(shù)參數(shù)、懲罰系數(shù)之間的關(guān)系圖

由圖6可知，樣本分類正確率、核函數(shù)參數(shù)和懲罰系數(shù)三者構(gòu)成了一個三維曲面。一方面，隨著核函數(shù)參數(shù)和懲罰系數(shù)選取的不同，樣本分類正確率存在一定的局部最優(yōu)值，但都被IAGA算法一一克服了；另一方面，隨著核函數(shù)參數(shù)和懲罰系數(shù)選取的不同，樣本分類正確率也存在一定的波動，但是這個波動很小，基本上都在最高診斷精度附近，由此可見SVM具有很高的分類識別能力。綜上，將IAGA算法和SVM進行結(jié)合能比較明顯的提升搗固車故障診斷的準確率和時間。

利用上述得到的最優(yōu)參數(shù)，結(jié)合一對多分類法構(gòu)建SVM多故障分類器，然后，把訓(xùn)練的故障測試樣本放入到構(gòu)建好的分類器中做出故障的分類識別，其分類效果如圖7所示。

圖7 IAGA優(yōu)化后的最優(yōu)參數(shù)構(gòu)建的多值SVM分類圖

由圖7可知，利用IAGA算法得到的最優(yōu)參數(shù)構(gòu)建多值SVM分類模型的分類效果很好，診斷結(jié)果顯示的準確度高，還比較實用。

為了進一步說明改進的自適應(yīng)遺傳SVM模型的有效性，本文中還用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)在相同的訓(xùn)練樣本和測試樣本下進行故障識別，并與IAGA方法的識別結(jié)果進行比較，結(jié)果如表2所示。

表2 三種算法分類性能比較

從表2的數(shù)據(jù)中可以得出：三種方法都可以對搗固車液壓系統(tǒng)故障作出診斷識別。相比BP ANN和RBF ANN兩種方法，IAGA-SVM則顯得在診斷故障方面更具有優(yōu)勢。首先它的誤診率很低僅為2%，其次IAGA-SVM在液壓閥，溢流閥以及減壓閥方面的診斷個數(shù)都是最高的。因此，可以看出IAGA-SVM方法具有很強的分類識別能力和實用價值。

5 結(jié) 語

本文利用IAGA優(yōu)秀的全局尋優(yōu)能力及SVM在模式識別方面的優(yōu)越性能，構(gòu)建了利用多值SVM模型對搗固車液壓系統(tǒng)故障進行分類，然后用改進的遺傳算法去對支持向量機模型中的參數(shù)做自適應(yīng)的優(yōu)化，以進一步提高故障診斷的精度和效率以及泛化能力。實驗結(jié)果表明，采用IAGA-SVM方法的搗固車液壓系統(tǒng)多值故障診斷技術(shù)比傳統(tǒng)的基于AGA-SVM和GA-SVM能更快地找到最佳參數(shù)，診斷誤差更小，比BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果更加準確可靠，魯棒性更強。因此該模型具有明顯的優(yōu)勢和實用價值。

[1] 吳桂清,張利民,胡弦,等. 鐵路搗固車狀態(tài)監(jiān)測與故障診斷系統(tǒng)設(shè)計與實現(xiàn)[J]. 湖南大學(xué)學(xué)報(自然科學(xué)版),2012,39(5):49-52.

[2] 彭滔,汪魯才,吳桂清, 等. 一種改進的神經(jīng)網(wǎng)絡(luò)機械故障診斷專家系統(tǒng)[J]. 計算機工程與應(yīng)用,2007,43(1):232-234.

[3] Huang C L, Wang C J. A GA-based feature selection and parameters optimizationfor support vector machines[J]. Expert Systems with Applications, 2006, 31(2):231-240.

[4] 谷文成,柴寶仁,滕艷平. 基于粒子群優(yōu)化算法的支持向量機研究[J]. 北京理工大學(xué)學(xué)報,2014,34(7): 705-709.

[5] 田鵬. 改進粒子群算法在支持向量機訓(xùn)練中的應(yīng)用[J]. 自動化技術(shù)與應(yīng)用,2009,28(3):5-8.

[6] Wang Hairui, Xie Wen, Li Ya. Genetic algorithm and fuzzy based combustion temperature control model of MSW incinerators[J]. Measuring Technology and Mechatronics Automation in Electrical Engineering, 2012, 135: 243-250.

[7] 張聰,許曉慧,孫海順, 等. 基于自適應(yīng)遺傳算法的規(guī)?；妱悠囍悄艹潆姴呗匝芯縖J]. 電力系統(tǒng)保護與控制,2014,42(14): 19-24.

[8] Zhang Guoli, Wang Siyan, Li Yang. A self-adaptive genetic algorithm based on the principle of searching for things[J]. Journal of Computers, 2010, 5(4): 646-653.

[9] 趙文龍,阮艷鳳,謝敏, 等. 遺傳算法在智能車控制器參數(shù)尋優(yōu)中的應(yīng)用[J]. 計算機仿真,2012,29(10): 259-262.

[10] 姚明海. 改進的遺傳算法在優(yōu)化BP 網(wǎng)絡(luò)權(quán)值中的應(yīng)用[J]. 計算機工程與應(yīng)用,2013,49(24): 49-54.

[11] Nie L, Azarian M H, Keimasi M, et al. Prognostics of ceramic capacitor temperature‐humidity‐bias reliability using Mahalanobis distance analysis[J]. Circuit World, 2007, 33(3):21-28.

[12] Sun J, Xu W, Feng B. A global search strategy of quantum-behaved particle swarm optimization[C]// Cybernetics and Intelligent Systems, 2004 IEEE Conference on. IEEE Xplore, 2005:111-116.

[13] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis [J]. Proceeding of the Royal Society London A, 2008，454 (1971):903-995.

[14] 李鋒，湯寶平，劉文藝.遺傳算法優(yōu)化最小二乘支持向量機的故障診斷[J]. 重慶大學(xué)學(xué)報, 2010, 33 (12): 14-20.

[15] 趙志國，司傳勝. 基于多島遺傳算法的鉸接車輪邊減速器優(yōu)化設(shè)計[J].機械設(shè)計與制造,2010 (12): 213-215.

RESEARCHONHYDRAULICSYSTEMFAULTDIAGNOSISBASEDONIAGA-SVMOFTAMPINGMACHINE

Qi Lei Wang Hairui Li Rongyuan Li Ying Ren Yuqing

(SchoolofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,Yunnan，China)

In view of the traditional hydraulic system fault diagnosis methods are affected by human factors and the causes of the faults are relatively complex, a fault diagnosis method of tamping machine hydraulic system of an improved adaptive is proposed. First, the fault diagnosis eigenvalue extracted from the vehicle data acquisition system of tamping machine were collected. Second, the eigenvalue input support vector machine (SVM) model was trained. Meanwhile, kernel functions and the penalty coefficient were optimized. Moreover, the adaptive support vector machine was applied to establish the mapping between the feature vector and the fault model, and finally the fault diagnosis of the hydraulic system was done. The results show that the method can quickly and accurately diagnose the fault of rolling bearing, and verify the validity and stability of this method. In addition, through the comparative analysis with GA-SVM and AGA-SVM, it shows the superiority of the IAGA-SVM method in the intelligent fault diagnosis application.

Hydraulic system Fault diagnosis Support vector machine Improved adaptive genetic algorithm

TP181

A

10.3969/j.issn.1000-386x.2017.10.046

2016-12-07。國家自然科學(xué)基金項目(61263023)。齊磊，碩士生，主研領(lǐng)域：多智能體技術(shù)與網(wǎng)絡(luò)控制技術(shù)。王海瑞，教授。李榮遠，碩士。李英，碩士。任玉卿，碩士。