振动与冲击
第 卷第 期 JOURNAL OF VIBRATION AND SHOCK Vol No
科研简报
基于 PSO 算法的模糊 PSVM 及其在旋转机械故障诊断中的应用
基金项目 国家杰出青年科学基金项目 国家自 然科学基 金
重点项 目 国 家 高 技 术 研 究 发 展 计 划 项 目
AAZ
收稿日期 修改稿收到日期
第一作者 于湘涛 男博士后 年生
通讯作者 褚福磊 男教授博士生导师 年生
于湘涛 卢文秀 褚福磊
清华大学 精密仪器与机械学系北京
摘要
研究了粒子群优化改的进的模糊线性 PSVM 在旋转机械故障诊断的应用 常规的 PSVM 对噪声或野值
敏感模糊 PSVM 可以很好的解决这种问题对于非平衡样本PSVM 分类面会偏重于数据点较多的一类从而降低正确
分类性能通过为不同样本分别设计不同的惩罚因子提高分类器性能模糊线性 PSVM 分类器的惩罚因子采用经典粒子
群优化算法进行优化避免传统方法对初始点和样本的依赖 通过旋转机械故障分类应用实例进行了设计方法的验证
首先对振动信号进行滤波然后以不同频率频谱的谱峰能量作为模糊线型 PSVM 分类器的输入特征参数用于区分旋转
机械的 种典型故障试验结果表明了方法的有效性
关键词 PSVM模糊隶属度函数粒子群优化故障诊断
中图分类号 TP文献标识码 A
在旋转机械的故障诊断中由于机械结构的复杂
性和耦合性并且时域频域特征空间至故障模式空间
的映射关系往往存在较强的非线性神经网络的模式
识别方法对于解决这种复杂的非线性问题有其优越
性
但是神经网络的经验风险泛函求解容易陷入
局部极小点同时神经网络的学习需要大量的典型故
障数据样本或经验知识 支持向量机
Support vector
machine SVM 是 VAPNIK 提出的一种基于统计学习
理论的机器学习方法利用 VC 维理论和结构风险最小
化原则研究小样本情况下模型的泛化能力已广泛应
用于故障诊断
状态检测
和时间序列预测
等
领域
标准 SVM 需要求解复杂的二次规划问题训练时
间较长 近年来为了提高 SVM 的学习速度一些学
者提出了简化标准 SVM 优化问题的思路
尤其是
文献
提出的近似支持向量机Proximal Support Vector
Machine PSVM更引起了人们的极大兴趣 训练样
本中通常会含有噪声或野值样本这些含有 异常 信
息的样本在特征空间中经常位于分类面附近导致获
得的分类面不是真正的最优分类面
针对此 JAYA
DEVA
提出了一种模糊 PSVM 的算法 本文采用模
糊线性 FLPSVM Fuzzy Linear Proximal Support Vector
Machine FLPSVM进行旋转机械的故障诊断模糊隶
属度函数的设计参照文献和文献
FLPSVM 算法的惩罚因子的选择对于分类器模型
的学习精度和泛化能力的好坏起着重要的作用通常
惩罚因子对正负样本误差的惩罚是相同的实际情况
下训练样本的分布是不均衡的相同的误差惩罚就会
影响分类结果
本文参照文献 定义惩罚因子
引入新的对角阵对角线元素分别对应正负样本的惩
罚因子 PSVM 参数的回归通常采用反复试凑法人工
选取较优解这种方法耗时耗力 本文采用高效的并
行搜索算法 PSO
算法优化模糊线性 PSVM 参数进
行故障分类
试验结果表明应用 PSO 算法优化后的 FLPSVM
可成功地对转子实验台的故障类型进行分类
1模糊 PSVM
11线性 PSVM
PSVM 是一种改进的支持向量机其采用线性方程
组的求解代替对原有的凸二次规划问题的求解PSVM
能够在满足识别精度的前提下快速训练学习器适合
于数据的快速学习
图 线性 PSVM
线性 PSVM 如图 所示线性 PSVM 需要求解下面