容錯(cuò)度自適應(yīng)支持向量機(jī)用于液壓泵故障診斷

1、容錯(cuò)度自適應(yīng)支持向量機(jī)用于液壓泵故障診斷吳丹，金敏湖南大學(xué)信息科學(xué)與工程學(xué)院長沙410082摘要：針對(duì)已有在線故障診斷方法在大數(shù)據(jù)量、強(qiáng)噪聲下分類速度較低、分類精度不理想等問題，并結(jié)合液壓泵故障類 別數(shù)大、工作環(huán)境惡劣的特點(diǎn)，本文提出了一種適應(yīng)于混凝土泵車液壓泵在線診斷的狀態(tài)識(shí)別算法一一容錯(cuò)度自適應(yīng)支持向 量機(jī)。該方法主要從四個(gè)方面對(duì)分類速度做了改進(jìn)：(1)引入容錯(cuò)度因子進(jìn)行模型訓(xùn)練；(2)優(yōu)先選擇能將某一類單獨(dú)分離 出來的二分類器；(3)在滿足(2)的基礎(chǔ)上選擇平均支持向量機(jī)少的分類器；(4)引入增量學(xué)習(xí)算法對(duì)參數(shù)進(jìn)行自適應(yīng)調(diào)整， 提高多故障診斷中對(duì)新故障類別和新故障數(shù)據(jù)的適應(yīng)性，保證了系統(tǒng)

2、的分類精度。通過對(duì)混凝土泵車的液壓泵故障診斷，證 明了該方法在明顯提高分類速度的同時(shí)保證了較高的分類精度。關(guān)鍵詞：容錯(cuò)度因子；增量學(xué)習(xí)；支持向量機(jī)；多分類；故障診斷中圖分類號(hào)：TP1New method based on fault-tolerant adaptive support vector machine to fault diagnosis of hydraulic pumpWu Dan,Jin MinInformation Science&Engineering School , Hunan University,changsha,410082Abstract： According

3、 to the poor performance of the traditional method in large dataset and strong noise environment, the various kinds of fault class and atrocious work condition of hydraulic pump ,a novel state recognition method called fault-tolerant adaptive support vector machine (FTASVM) is proposed in this paper

4、. It achieves a fast classification by: (1)importing fault-tolerant;(2) selecting the binary SVMs which can divide one class from all other classes; (3)selecting the binary SVMs with the fewest average number of support vectors (SVs); (4)To improve the adaptability of multi-fault diagnosis ,incremen

5、tal learning algorithm was imported to train the model。In order to verify the superiority of FTASVM , it was applied to the fault diagnosis of hydraulic pump of concrete pump truck.Experiments demonstrate FTASVM can speed up the test phase remarkably and remain the high accuracy of classification.Ke

6、y words: Fault-tolerant; Binary tree; support vector machine; multi-class ;Fault diagnosis.0引言工程機(jī)械由于設(shè)備體系結(jié)構(gòu)復(fù)雜、工作環(huán)境惡劣、以及 高荷載的長時(shí)間作業(yè)效應(yīng)和疲勞效應(yīng)，導(dǎo)致各種設(shè)備故障頻 發(fā)，嚴(yán)重威脅著人民生命和設(shè)備財(cái)產(chǎn)的安全。統(tǒng)計(jì)表明，液 壓泵的故障比重約所有工程機(jī)械設(shè)備的故障占3040%。液 壓泵故障具有潛伏性，早期孕育階段往往不易察覺。因此， 實(shí)時(shí)在線監(jiān)測液壓泵運(yùn)行狀態(tài)、早期預(yù)測預(yù)警液壓泵故障， 對(duì)于減少液壓泵的損壞率和事故、降低工程機(jī)械作業(yè)現(xiàn)場的 停工期具有十分重要的意義。液壓泵在線

7、故障診斷要求在分類速度、分類精度、工程 機(jī)械作業(yè)的強(qiáng)噪聲環(huán)境中抗干擾能力和海量數(shù)據(jù)處理上同 時(shí)達(dá)到一個(gè)較好的平衡?；诮Y(jié)構(gòu)風(fēng)險(xiǎn)的支持向量機(jī)(Support Vector Machine,SVM)是一種新狀態(tài)識(shí)別方法，相對(duì)人工神經(jīng)網(wǎng)絡(luò) 有更好的泛化性能，能有效避免經(jīng)典識(shí)別算法中的過學(xué)習(xí)、 維數(shù)災(zāi)難、局部極小等問題，分類性能不依賴于特征維數(shù)， 在小樣本條件下仍具有良好的泛化能力，適用于小樣本決策 的機(jī)械故障診斷1,2。對(duì)于液壓系統(tǒng)，故障類型可能達(dá)到幾 十上百種，故障類別的增加會(huì)使得SVM的分類時(shí)間急速增基金項(xiàng)目：國家863重點(diǎn)資助項(xiàng)目(2008AA042802) 加，從而影響在線故障診斷的實(shí)時(shí)性，

8、這就要求SVM在分類 速度上做相應(yīng)提高。SVM最初是為解決二分類問題而提出的，為滿足實(shí)際 的工程需求，很多學(xué)者在二分類基礎(chǔ)上對(duì)多分類問題進(jìn)行了 研究，其中最成熟的是一對(duì)多(one-against-all，OAA) 3、 一對(duì)一(one-against-one，OAO) 4和有向無環(huán)圖(direct acyclic graph，DAG)t5；為提高分類速度，B. Fei 和J.B Lin 在2006年提出了二叉樹支持向量機(jī)(binary tree of SVM， BTS)和集中二叉樹(Centered BTS, c-BTS)算法6，這兩種 算法一定程度上減少了分類器數(shù)。但是影響測試時(shí)間的因素 包

9、括二分類器支持向量機(jī)數(shù)和分類器的數(shù)目，2009年J. Chen 和C. Wang，從降低總的二分類器支持向量機(jī)數(shù)的角度對(duì) BTS進(jìn)行了改進(jìn)，提出了自適應(yīng)二分類樹支持向量機(jī) (adaptive binary tree SVM，ABTS)算法7，提高了分類速 度。ABTS認(rèn)為只有所有樣本都滿足分類條件該類別才可分 的原則使得該算法對(duì)在線故障分類速度方面提高并不明顯， 且該方法未動(dòng)態(tài)的考慮預(yù)測過程中的新增樣本，使得其在實(shí) 際的工程應(yīng)用中存在局限性。本文在ABTS理論基礎(chǔ)上對(duì)多分類算法從速度和精度 上做了改進(jìn)，提出了容錯(cuò)度自適應(yīng)支持向量機(jī)(Fault-tolerant adaptive support

10、 vector machine，F(xiàn)TASVM)，F(xiàn)TASVM 在實(shí) 時(shí)性、分類精度、工程機(jī)械作業(yè)的強(qiáng)噪聲環(huán)境中抗干擾能力和海量數(shù)據(jù)處理上能同時(shí)達(dá)到一個(gè)較好的平衡。實(shí)驗(yàn)證明 FTASVM在保證分類精度的同時(shí)能有效提高分類速度。1現(xiàn)有SVM多分類方法SVM的核心思想是建立一個(gè)決策超平面，使正例、反 例之間的隔離邊緣最大化兇。現(xiàn)有的SVM多分類方法主要包括OAA、OAO、DAG、 BTS等方法。下面我們密切相關(guān)的ABT算法做簡單回顧。ABTS7的基本思想是在BTS基礎(chǔ)上為二叉樹的每個(gè) 內(nèi)部節(jié)點(diǎn)選擇平均二分類器支持向量機(jī)數(shù)最小的分類器，從 而使參與計(jì)算的總支持向量機(jī)數(shù)最小，提高分類速度。在介紹平均二分

11、類器支持向量機(jī)數(shù)前，先介紹一個(gè)分 類超平面(二分類器)同時(shí)對(duì)多類別分類的情況：圖1的h12是C1和C2兩類樣本訓(xùn)練得到的分類超 平面。C3也可以通過H12和C2分離出來；C4的樣本分 布在h12的兩邊，不能被h12分離。測試階段，輸入位 于A點(diǎn)的測試數(shù)據(jù)xt，如果sgn(f(x t)=-1時(shí)，可以判 斷A不屬于C1和C3，換言之，在預(yù)測階段我們不需 要再使用C3和C2間的分類超平面h23。HC1 -Sgn(f(x)=1 、飛C3OC4C2aSgn(f(x)=-1125V = (5V /N + 5V /N )/2 ij ij i ij i其中SV是i類和j類訓(xùn)練所得分類面的支持向 量機(jī)數(shù)，N.和

12、N.是分類超平面 H兩邊的類別數(shù)。對(duì)于每個(gè)分類面，ABTS通過sgn(f(x)條件將樣本分到分類面的兩邊。sgn(f(x)條件：二分器兩邊輸出結(jié)果設(shè)為-1和1， 如對(duì)于某類所有樣本數(shù)輸出結(jié)果都為-1(或1)，該類可被分到-1(或1)面。否則，則該類不可被該二分類器 分離。以六種故障單一故障(正常狀態(tài)、柱塞磨損、內(nèi) 圈磨損、滾珠磨損、斜盤磨損、配流盤磨損)各50組樣本為例對(duì)ABTS的分類情況做說明：根據(jù)sgn(f(x)條件，各分類器信息如表1所示，這 里1/2(3 4 5 6) /4表示由類1和類2訓(xùn)練得到的分類 器H2，可同時(shí)將類1和括號(hào)中的類1,4 ,6分開，對(duì)應(yīng) 的平均支持向量機(jī)數(shù)為 4。

13、從表1看出，i=2,j=5時(shí)，對(duì)應(yīng)分類器分類器標(biāo)記為H25，然而分類器右邊并沒有類 5。我們從sgn(f(x) 條件尋找原因，類5的五十個(gè)樣本里面只有 42個(gè)(而 不是全部的50個(gè))輸出結(jié)果為-1，從而使得類5被誤 分。隨著樣本總數(shù)的增加，此問題越明顯，這也是ABTS 的最大缺陷所在，為改善ABT因sgn(f(x)條件所引起 的局限性，進(jìn)一步提高分類速度。本文提出了 FTASVM 分類方法。圖1 4類問題的分類情況為反映二分類器計(jì)算復(fù)雜度，引入平均支持向量機(jī)：表1 6Mpa下六種單一故障各分類面信息i =1i =2i =3i =4j=21/2(3 4 5 6) /4j=31/3(2 4 5 6

14、) /62(5)/3(1 4 6) /24j=41/4(2 3 5 6) /62(5)/(1)4/8(1 2 4 6)3/4 /21j=51/5(2 3 4 6) /42/(1 4 6)/663(1 4 6)/2(5) /24(1)4/(2)5 /9j=61/6(2 3 4 5) /72(5)/(1 3 4)6 /17(2 5)3/(1 4)6 /334/(1 2 3 5)6 /252 FTASVM理論及其算法速度和精度是兩個(gè)相互制約的量，如何做到既提高分 類速度又能保證分類精度是本文要解 決的核心問題。 FTASVM將二叉樹的建立放在模型訓(xùn)練階段完成，通過犧牲 離線模型訓(xùn)練的計(jì)算復(fù)雜度來降低

15、預(yù)測時(shí)間。由于訓(xùn)練初期對(duì)問題理解的局限性以及問題的高度復(fù) 雜性，一般很難準(zhǔn)確地定義和收集所有需要的訓(xùn)練樣本集， 為此，我們希望故障分類器具有自學(xué)習(xí)能力，從而不斷優(yōu)化 訓(xùn)練模型。2.1引入容錯(cuò)度因子提高預(yù)測速度速度提高包括三個(gè)核心內(nèi)容：第一：引入容錯(cuò)度因子。設(shè)訓(xùn)練樣本總數(shù)為/，如果 不滿足sgn(f(x)條件的樣本個(gè)數(shù)小于等于l*。，則認(rèn)為該類 可被分到-1(或1)面；第二：優(yōu)先選擇能將某類i單獨(dú)分離出來的二分類器作 為當(dāng)前節(jié)點(diǎn)，這樣和類i有關(guān)的分類器將在后續(xù)節(jié)點(diǎn)選擇時(shí) 將不再考慮，從而減少分類器數(shù)；第三：如果滿足條件的二分類器個(gè)數(shù)大于1，則選擇平均支持向量機(jī)最小的二分類器作為當(dāng)前節(jié)點(diǎn)。2.2提

16、高自適應(yīng)性標(biāo)準(zhǔn)支持向量機(jī)不具有自學(xué)習(xí)能力，本文引入淘汰式 增量學(xué)習(xí)算法9 來對(duì)容錯(cuò)度因子。等模型參數(shù)進(jìn)行動(dòng)態(tài)自適 應(yīng)調(diào)整。增量學(xué)習(xí)要解決的問題增量學(xué)習(xí)要解決的兩個(gè)問題：什么樣的新增訓(xùn)練樣本 會(huì)使支持向量集發(fā)生變化；新增訓(xùn)練樣本對(duì)原支持向量機(jī)分 類器中的支持向量和非支持向量有什么影響。對(duì)于前第一個(gè)問題，新增樣中違反卡羅需-庫恩-塔克條 件(Karush Kuhn Tucker Conditions， KKT)條件的全部樣本和 滿足KKT條件的部分樣本會(huì)影晌增量學(xué)習(xí)后的支持向量 機(jī)，違背KKT條件等價(jià)于y(x)f(x)1。對(duì)于后一個(gè)問題，如果新增訓(xùn)練樣本中存在違反KKT 條件的樣本，則原來的SV可

17、能轉(zhuǎn)化為非SV，原來的非支 持向量有可能轉(zhuǎn)化為支持向量。淘汰規(guī)則對(duì)新增樣本中的滿足KKT條件的樣本和原樣本中的非 支持向量機(jī)采用淘汰規(guī)則進(jìn)行淘汰，剩下支持向量機(jī)作為訓(xùn) 練集訓(xùn)練成新的模型。如果樣本在圖2的陰影部分，則淘 汰樣本9。D(x)是最優(yōu)決策面函數(shù)，8為分類間隔,馬是第 j類樣本的分類超平面的半徑，P和。是半徑和角度的閾值。淘汰規(guī)則：規(guī)則一：如果樣本點(diǎn)x映射函數(shù)Wx)和超平面中心當(dāng) 的距離jx)小于pq，我們認(rèn)為該樣本在以類中心為球心的 小超球面內(nèi)，不會(huì)影響新的支持向量集，淘汰樣本。其中r (x) Tg(x)a 11=、K(x, x)2以jK(x, x) + 0。jK(x, x )iii

18、ii k i kYiesi,kesjj( 2)此處，是第j類的支持向量集，核函數(shù)K料,xj選擇徑 向基函數(shù)。規(guī)則二：如果樣本x滿足W(x)-a.和超平面的夾角(x) 大于。，我們認(rèn)為。(x)在分類超錐面內(nèi)，不會(huì)影響新的支持向 量集，淘汰樣本。其中v (x) = sin1(y(x)(f(x) f(a” j)(3)此處，fx)是決策函數(shù)。2)8圖2利用超球面和超圓錐面淘汰數(shù)據(jù)3) FTASVM 步驟淘汰式增量學(xué)習(xí)算法來對(duì)容錯(cuò)度因子等模型參數(shù)進(jìn)行動(dòng) 態(tài)自適應(yīng)調(diào)整步驟如下：Step1：判斷訓(xùn)練樣本是否空集，空則結(jié)束訓(xùn)練，否則 轉(zhuǎn) Step 2。(Step2-Step8完成最優(yōu)容錯(cuò)因子的確定及二叉樹的構(gòu)

19、 建)Step2:容錯(cuò)度因子從0開始逐步增大(01)，步長 為 0.01。Step 3：根據(jù)需要設(shè)定精度門檻值丫(本實(shí)驗(yàn)取丫=90%)， 判斷精度是否大于90%，如果大于90%且。小于0.4 (設(shè)置 0.4為。的上限值，以防進(jìn)入過容錯(cuò))則返回到Step 2,否則 執(zhí)行下一步。Step 4：用Step 3確定的。訓(xùn)練所有的N(N-1)/2個(gè)分類 器，并記錄每個(gè)分類器兩邊的分類信息，計(jì)算平均支持向量 機(jī)。Step 5：統(tǒng)計(jì)分類面能區(qū)分的兩邊類別數(shù)的和財(cái)找出 的最大值max*.，當(dāng)存在多個(gè)最大值時(shí)，選擇能將某一類 單獨(dú)分離出來的分類器，若待選二分類器個(gè)數(shù)大于1或等于 0，則選擇平均支持向量機(jī)最小的二

20、分類器。Step 6：通過的sgn(f(x)值將當(dāng)前節(jié)點(diǎn)分為兩個(gè)子節(jié)點(diǎn)。Step 7：根據(jù)已分離出來的類別更新分類器兩邊信息和 平均支持向量機(jī)。Step 8：重復(fù)Step2-Step 8，直至葉子節(jié)點(diǎn)。完成初始 樣本集的訓(xùn)練(Step 9- Step 12完成對(duì)容錯(cuò)度因子等模型參數(shù)進(jìn)行動(dòng) 態(tài)自適應(yīng)調(diào)整)Step 9：初始集樣本Xk得到訓(xùn)練模型SVMk，其中包括 支持機(jī)集Xaw和非支持向量機(jī)集X搜，若k=。,表示原始分類 器，k=k+1,轉(zhuǎn) Step1 ;若 k，0，則轉(zhuǎn) Step3Step 10：將新增樣本X*輸入訓(xùn)練模型SVMk，得到違 背SVMk的KKT條件的X#和滿足KKT條件的樣本集X

21、冒。 如果Xbv=W轉(zhuǎn)向Step1，否則執(zhí)行Step11。Step 11：將Xbs和X*w合并成新的樣本Xwewo根據(jù)淘汰 規(guī)則淘汰對(duì)后續(xù)訓(xùn)練影響不大的樣本，得到剩余樣本集X呻。Step 12： X, q Xsv、X,v 合并得到 X ,k=k+1, X k= X ， lef a baa a轉(zhuǎn)至Stepl。預(yù)測階段，根據(jù)sgn(f(x)的值選擇搜索路徑， sgn(f(x)=-1時(shí)往左孩子節(jié)點(diǎn)走，sgn(f(x)=1時(shí)往右孩子節(jié)點(diǎn) 走，直到葉子節(jié)點(diǎn)處停止，葉子節(jié)點(diǎn)為故障類別號(hào)。圖3是根據(jù)表2的數(shù)據(jù)用ABTS和FTASVM構(gòu)造的 兩棵二叉樹，F(xiàn)TASVM比ABTS節(jié)省了兩個(gè)二分類器，隨 著故障類別

22、數(shù)增加，F(xiàn)TASVM的在節(jié)省分類器方面的優(yōu)勢更 明顯。1/2(3,4,5,6樹)52(5)/4A -、2(5)/(3)63(6)/42；53/63/6 囪/ / /Q tlQ H S &圖3六類故障信息二叉樹(a)ABTS (b) FTASVM3實(shí)驗(yàn)結(jié)果與分析實(shí)驗(yàn)所用柱塞泵為力樂式A11VL0190，軸承型號(hào)為 F207813，電機(jī)轉(zhuǎn)速1600r/min，柱塞間隙為0.3mm，系統(tǒng)采 樣頻率Fs=10KHz。前期信號(hào)處理和特征選擇在MATLAB7.0 下完成，狀態(tài)識(shí)別在林智仁的LIBSVME10做改進(jìn)，實(shí)驗(yàn)環(huán)境 為 VC+6.0。本文對(duì)六種負(fù)載(6, 10, 15,20, 25 and 30

23、Mpa)下分別六 種單一故障情況(正常狀態(tài)、柱塞磨損、內(nèi)圈磨損、滾珠磨 損、斜盤磨損、配流盤磨損)和三種復(fù)合故障(對(duì)位柱塞磨 損，內(nèi)圈滾珠磨損、斜盤配流盤磨損)的振動(dòng)信號(hào)進(jìn)行分析。 傳感器通過磁鐵固定在泵身，布點(diǎn)如圖4所示。傳感器No.1 用于測配流盤端面加速度，No.2用于測大軸承正上方加速 度，No.3測出油口上方加速度，No.4出油口橫向加速度， No.5用于測出油口油壓。No.5的數(shù)據(jù)對(duì)分類不敏感，剔除。 四個(gè)加速度中No.2對(duì)應(yīng)的分類精度最高。本文將從No.2采 集的被噪聲污染的加速度信號(hào)中選取四個(gè)子集(A D)進(jìn)行分 析，如表2所示。A組樣本來自6MP負(fù)載下六種單一故障情況，B組樣

24、 本來自六種單一故障在四種(6Mpa, 10Mpa、15Mpa and 20Mpa)負(fù)載條件下情況；C組樣本來自九種故障狀態(tài)在六 種負(fù)載條件下(6, 10, 15,20, 25,and 30 Mpa)情況；D組為負(fù)載 隨機(jī)變化的情況。其中每個(gè)樣本包括1024個(gè)采樣點(diǎn),訓(xùn)練樣 本tra和測試樣本test分別來自不同的樣本集。圖 4 傳感器布點(diǎn)表2各故障狀態(tài)樣本統(tǒng)計(jì)故障類型正常柱塞對(duì)位柱塞磨損內(nèi)圈滾珠內(nèi)圈滾珠磨損斜盤配流盤斜配流盤磨損tra/testtra/testtra/testtra/testtra/testtra/testtra/testtra/testtra/test類別123456789

25、A組60/3048/15025/3055/50018/3450/400B組400/2200100/18000120/2200360/1000010/1400110/30000C組450/34202000/3420150/4000220/50001400/30003000/3800800/4000900/34801000/4580D組600/3420100/300400/60470/1800750/240020/1500150/3300270/2560100/203.1容錯(cuò)度因子對(duì)FTASVM的影響圖5比較了不同的容錯(cuò)度下FTASVM所需的二分類器 數(shù)、分類時(shí)間和達(dá)到的分類精度。容錯(cuò)度因子從0開

26、始，以 0.01定步長遞增，用十折交叉驗(yàn)證法評(píng)估精度，當(dāng)分類精度 低于90%時(shí)截止。25V1.a20151 1 1 就:1 Sample A Sample B A , Sample C Sample D您 嚎J11 11 11111_ 1-10度。3.2增量學(xué)習(xí)算法對(duì)分類精度的影響原始訓(xùn)練樣本為50個(gè)，每50個(gè)為一組增量樣本進(jìn)行 增量學(xué)習(xí)，負(fù)載隨機(jī)變化。表3描述了不同的角度閾值和半 徑閾值是對(duì)應(yīng)的分類精度。當(dāng)p=0.5, 0=0在精度下降的邊緣， 從圖2中可以看出，p的增大和0的減小都會(huì)增大陰影部分 面積，淘汰的樣本也越多。p=0.5, 0=0時(shí)既保持了較高的分 類精度，又淘汰了較多的樣本點(diǎn)。

27、所以在接后續(xù)實(shí)驗(yàn)中，我 們?nèi)=0.5, 0=0。表3門檻閾值和角度閾值對(duì)應(yīng)的分類精度（%）15ISample A Sample B -O- - Sample C Sample 口0p=0.3p=0.4p=0.5p=0.6p=0.7-4590.9890.9890.9890.9690.87-3091.4491.4491.4491.4391.44-1591.7591.7591.7591.5791.5591.9291.9291.9291.8491.793091.9291.9291.9291.8491.781591.9291.9291.9291.8291.814591.9291.9291.9291.8

28、191.81I泓 虹成H世虹平比世J .如甲牛t 冊(cè)t*申寺-IIIIII5:T圖6描述的增量學(xué)習(xí)算法下系統(tǒng)的預(yù)測精度。從圖6 中可以看出剛開始學(xué)習(xí)階段分類精度波動(dòng)比較大，之后趨于 平穩(wěn)。增量學(xué)習(xí)算法為故障診斷系統(tǒng)的在線學(xué)習(xí)提供了一條 有效的途徑。I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I 0Fault-Tolerant(JACJEnMmmmm: a a _d _H ssssABCD e e e e圖5不同容錯(cuò)度因子對(duì)分類性能影響（a）二分類器數(shù)（b）分類時(shí)間（c）分類精度實(shí)驗(yàn)結(jié)果表明適當(dāng)提高容錯(cuò)度因

29、子，可以減少二分類 器數(shù)，提高分類速度，一定范圍內(nèi)分類精度所受影響不大， 當(dāng)容錯(cuò)度超過某個(gè)值時(shí)，分類精度會(huì)急劇降低。D類情況在 容錯(cuò)度因子為0.29時(shí)，分類速度提高了 26.2%，而此時(shí)分類 精度只降低了 1.9%。對(duì)于實(shí)時(shí)性要求高的在線故障診斷系 統(tǒng)，我們可以通過犧牲較小分類精度來換取較高的分類速圖 6 增量樣本訓(xùn)練時(shí)分類精度情況3.3多分類方法比較表4比較了四種SVM多分類多分類算法的分類性能， Acc，Time，。和nBSVM分別表示分類精度，預(yù)測所需時(shí)間， 容錯(cuò)度和二分類器數(shù)。此時(shí)FTASVM對(duì)應(yīng)的精度門檻值設(shè) 為0.9,增量樣本為50。從表4的結(jié)果可以看出，四種分類 方法對(duì)小樣本小類

30、別的A組數(shù)據(jù)分類性能相差不大。隨著樣 本增大，F(xiàn)TASVM在速度上的優(yōu)勢變得比較明顯。C組和D 組中FTASVM比前三種方法中分類速度最快的算法分別節(jié) 省了 23.14%和24.6%。這是因?yàn)镕TASVM在減少分類器的 同時(shí)減少了總的參與計(jì)算的nSVs數(shù)。B組中，DAG的分類速度比ABTS稍快，是因?yàn)镈AG所用分類器比ABTS少?？赡艽笥诹鶄€(gè)。實(shí)際故障診斷從數(shù)據(jù)量上更接近D組的情實(shí)際故障診斷時(shí)，負(fù)載和故障類型變換都是隨機(jī)的，況。故障類型可能有上十種。為了提高分類精度，所提特征參數(shù)表4多分類方法分類性能比較OAODAGABTSFTASVMTime(s)Acc(%)Time(s)Acc(%)Tim

31、e(s)Acc(%)Time(s)Acc(%)A0.9496.330.9496.330.9496.330.40.9496.33B16.5693.9614.3894.1316.4292.210.3112.6290.58C46.892.5839.9693.2138.991.960.329.3090.512D30.291.0528.392.1827.891.870.2820.5190.0464總結(jié)本文提出了一種新的FTASVM分類算法，該方法通過 引入容錯(cuò)度因子和優(yōu)先選擇能將某一類單獨(dú)分離出來的二 分類器來最大程度上減少分類器數(shù)，通過平均支持向量機(jī)原 則一定程度上減少了參與計(jì)算的支持向量機(jī)數(shù)。另一方

32、面， 引入增量學(xué)習(xí)算法對(duì)支持向量模型參數(shù)進(jìn)行優(yōu)化，使在線診 斷系統(tǒng)具備了自學(xué)習(xí)功能。通過在對(duì)強(qiáng)噪聲條件下的混凝土泵車的液壓泵故障診 斷中的應(yīng)用，證明了 FTASVM對(duì)被噪聲污染、大數(shù)據(jù)量的 液壓泵壓力信號(hào)有很好的處理能力，在保證分類精度的同時(shí) 有效提高了分類速度。因液壓系統(tǒng)應(yīng)用的廣泛性，本文所提的方法對(duì)其他機(jī) 械的故障診斷也有一定的指導(dǎo)意義。本文重點(diǎn)在于提高在線分類速度，并根據(jù)新增樣本對(duì) 已有的故障類型進(jìn)行在線學(xué)習(xí)和參數(shù)調(diào)整。如何將新的故障 種類添加到樣本庫將成為下一步的研究工作。參考文獻(xiàn)1Shilton A, Palaniswami P, Ralphd.Incremental trainin

33、g of support vector machinesCJ.IEEE Transactions on Neural Networks,2005,16(1), 114-131 Kim H C, Pang S , Je H M, et al. Constructing support vector machine ensembleJ. Pattern Recognition, 2003, 36(12):2757-2767.3 Bottou L,Cortes C,Denker J,Comparison of classifier methods: a case study in handwriting digit recognitionJ.Proceedings of International Conference o