基于LS-SVM和SVM的气动执行器故障诊断策略

本文档主要探讨了"基于LS-SVM和SVM的气动执行器故障诊断方法"（PneumaticActuatorFaultDiagnosis based on LS-SVM and SVM），发表于2013年11月的《传感技术学报》第26卷第11期。作者 Feng Zhi-gang 和 Zhang Xu-kuan来自上海航空航天大学的自动控制系，他们针对自确认气动执行器的故障诊断难题提出了创新性的解决方案。 论文的核心内容是构建一个两阶段的故障诊断体系。首先，利用最小二乘支持向量机（Least Squares Support Vector Machine, LS-SVM）进行回归建模，通过对气动执行器正常工作时的输出数据进行学习，建立起其正常工作的模型。这个过程旨在捕捉执行器的非线性特性，确保模型能准确反映设备在理想状态下的行为。 接下来，通过比较模型预测输出与实际执行器的输出，计算出残差，这些残差被用作非线性故障特征向量。这种方法能够有效地识别执行器在运行中的异常情况，因为非正常操作通常会导致输出与模型预测之间的差异。 进一步，论文采用聚类方法设计了一种层次化的支持向量多分类器（Hierarchical SVM Multi-classifier），将残差作为输入，用于识别和区分不同类型的故障，包括可能的故障模式。这种结构允许系统对执行器的故障进行精确分类，帮助维修人员快速定位问题所在。 为了验证所提出的诊断方法的有效性，研究者使用了DABLib生成的故障数据集进行测试。与传统的主成分分析（Principal Component Analysis, PCA）结合支持向量机（SVM）的故障诊断方法（PCA-SVM）进行了对比。实验结果显示，基于LS-SVM和SVM的方法在气动执行器故障诊断方面表现出优越的性能，能够更准确地识别和定位故障，从而提高设备维护的效率和准确性。 这篇论文不仅介绍了故障诊断技术的新应用，还展示了如何通过结合LS-SVM和SVM的优势，实现对复杂工业设备的高效、精准监控和故障识别，对于提升气动执行器的可靠性和维护管理具有重要意义。