劉沖

河北金融學(xué)院，河北保定071051

基于優(yōu)化支持向量機(jī)的采煤機(jī)故障診斷技術(shù)

劉沖

河北金融學(xué)院，河北保定071051

為了對采煤機(jī)故障進(jìn)行準(zhǔn)確診斷研究，本文提出了一種基于優(yōu)化支持向量機(jī)的采煤機(jī)故障診斷新方法，首先采用主成分分析法（PCA）對采煤機(jī)故障特征參數(shù)進(jìn)行特征提取，其次應(yīng)用特征數(shù)據(jù)進(jìn)行基于支持向量機(jī)（SVM）的采煤機(jī)故障診斷模型訓(xùn)練，再次采用交叉驗證方法對SVM模型參數(shù)進(jìn)行優(yōu)化，建立最優(yōu)SVM采煤機(jī)故障診斷模型，最后通過對比實驗，驗證了基于優(yōu)化SVM采煤機(jī)故障診斷模型的可行性和優(yōu)越性。

采煤機(jī)；支持向量機(jī)；主成分分析；交叉驗證；故障診斷

采煤機(jī)為采煤過程的重要機(jī)械設(shè)備，由于其在惡劣環(huán)境中工作導(dǎo)致采煤機(jī)故障頻發(fā)［1，2］。因此，及時對采煤機(jī)進(jìn)行早期故障診斷則成為煤礦安全生產(chǎn)當(dāng)前迫切需要解決的問題，也是國內(nèi)外研究的一個熱點問題。目前相關(guān)學(xué)者對大型機(jī)械設(shè)備的故障診斷多采用人工智能診斷方法，主要以模糊理論方法、人工神經(jīng)網(wǎng)絡(luò)診斷方法以及近些年來興起的基于統(tǒng)計學(xué)理論的支持向量機(jī)診斷方法為主。文獻(xiàn)［3］在對采煤機(jī)關(guān)鍵部位的診斷研究中采用了模糊數(shù)學(xué)的方法；而文獻(xiàn)［4］則采用了人工智能神經(jīng)網(wǎng)絡(luò)方法；然而對于模糊理論和人工神經(jīng)網(wǎng)絡(luò)二者都屬于大樣本學(xué)習(xí)理論，在只能提供少量采煤故障樣本的條件下，很難實現(xiàn)采煤機(jī)的準(zhǔn)確故障診斷。支持向量機(jī)（SVM）是建立在基于統(tǒng)計學(xué)理論中VC維理論和結(jié)構(gòu)風(fēng)險最小化原則的一種智能識別方法，由于其具有訓(xùn)練時間短、容錯性能好尤其在解決小樣本非線性問題過程中有著獨特的優(yōu)勢并具有良好的泛化能力，同時可避免人工神經(jīng)網(wǎng)絡(luò)等方法存在的陷入局部最優(yōu)問題和過學(xué)習(xí)問題，因此具有很好的適用性［5］。

綜上所述，本文在分析總結(jié)采煤機(jī)故障特征的基礎(chǔ)上，引入支持向量機(jī)識別方法進(jìn)行采煤機(jī)的智能故障診斷模型的建立。并對故障診斷模型進(jìn)行優(yōu)化處理，首先，采用主成分分析法對采煤機(jī)故障特征參數(shù)進(jìn)行特征提取，在此基礎(chǔ)之上應(yīng)用SVM理論進(jìn)行采煤機(jī)故障診斷模型的訓(xùn)練和建立，同時采用交叉驗證方法對支持向量機(jī)識別準(zhǔn)確度起關(guān)鍵作用的特征參數(shù)（懲罰因子C和核參數(shù)g）進(jìn)行最優(yōu)化選取，最終獲得一種基于優(yōu)化支持向量機(jī)的采煤機(jī)故障診斷模型，提高故障識別的準(zhǔn)確度，為煤礦的安全生產(chǎn)提供技術(shù)保障。

1 優(yōu)化支持向量機(jī)分類方法概述

1.1 支持向量機(jī)理論

支持向量機(jī)在1995年由Cortes和Vapnik提出［6］，支持向量機(jī)采用最優(yōu)分類超平面理論來解決數(shù)據(jù)分類問題。由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類法時一般獲得的分類超平面靠近訓(xùn)練樣本的中心點附近，而實際情況往往并非如此，進(jìn)而導(dǎo)致所獲得的最終解不是最優(yōu)解。然而對比之下，支持向量機(jī)可以通過建立一個最優(yōu)的超平面來獲得最優(yōu)解。

可將構(gòu)造最優(yōu)超平面轉(zhuǎn)化為在等式（1）約束的條件下求解下面等式最小值得問題。

對上述約束問題可以引入拉格朗日函數(shù)優(yōu)化手段將其轉(zhuǎn)化為對偶問題求解，即在滿足約束條件：和進(jìn)行下列函數(shù)的最大值求解：

最優(yōu)解α，w，b求解后則可得到最優(yōu)分類函數(shù)：

對于非線性問題，可在上述線性問題的思想上通過非線性變換方法將其轉(zhuǎn)化為高維空間的線性問題進(jìn)行求解，同時對于高維空間對偶問題，可以根據(jù)范函理論采用滿足Mercer條件下的核函數(shù)將某一非線性問題轉(zhuǎn)化到高維空間構(gòu)造出最優(yōu)超平面，從而實現(xiàn)分類問題，此時等式（3）轉(zhuǎn)化為

其中C稱之為懲罰因子。因此非線性問題的最優(yōu)分類函數(shù)則變?yōu)椋?/p>

常用的核函數(shù)主要有四種，分別為：線性、多項式、RBF以及Sigmoid核函數(shù)，每種核函數(shù)都有自己的特點，在選擇核函數(shù)的過程中可以采用試湊方法進(jìn)行最優(yōu)核函數(shù)的選擇。上述為SVM的二分類問題，如果通過構(gòu)建SVM多分類器則可進(jìn)行多分類問題的解決，目前常用于多分類的方法有一對一、一對多算法和層次支持向量機(jī)等算法。本論文采用常用的一對一多分類算法進(jìn)行采煤機(jī)故障診斷研究。

1.2 PCA特征參數(shù)降維理論

采煤機(jī)故障診斷數(shù)據(jù)具有高維數(shù)的特點，高維輸入樣本不僅會引起SVM訓(xùn)練過程中訓(xùn)練量的增加，同時高維數(shù)據(jù)還會導(dǎo)致冗余屬性信息的干擾，因此，有必要對采煤機(jī)故障檢測數(shù)據(jù)進(jìn)行特征提取處理。PCA分析方法是一種多元的統(tǒng)計學(xué)方法，其可將降維對象的多個屬性特征參數(shù)轉(zhuǎn)化為低維的幾個不相關(guān)的主成分，進(jìn)而實現(xiàn)數(shù)據(jù)的降維處理。

設(shè)ix為特征屬性指標(biāo)，總體的協(xié)方差矩陣為為Σ的特征根，為其所對應(yīng)的單位化正交的特征向量，那么可以求取其第i個主成分為：

1.3 交叉驗證參數(shù)優(yōu)化理論

在SVM模型的建立過程中，懲罰因子C和核函數(shù)參數(shù)g的取值對SVM分類結(jié)果的準(zhǔn)確度起到重要的決定作用。關(guān)鍵參數(shù)選取問題為一優(yōu)化問題，采用交叉驗證方法則可在一定程度上獲得最優(yōu)參數(shù)，提高預(yù)測結(jié)果的準(zhǔn)確度。交叉驗證方法為一種統(tǒng)計分析方法，其優(yōu)化過程為：將原始樣本數(shù)據(jù)一部分分為訓(xùn)練集，一部分分為測試集，首先將懲罰參數(shù)C和核函數(shù)參數(shù)g在一定網(wǎng)格范圍內(nèi)搜索取值，之后對于取定的C和g，在該組參數(shù)下進(jìn)行SVM模型建立并對測試數(shù)據(jù)進(jìn)行檢驗，多次檢驗后獲得使測試集分類準(zhǔn)確率率最高的那組參數(shù)（C和g）作為最佳參數(shù)，從而實現(xiàn)優(yōu)化SVM模型建立的目的。

2 采煤機(jī)智能故障診斷試驗研究

2.1 故障診斷檢測模型建立流程

本文建立基于優(yōu)化SVM的采煤機(jī)故障診斷模型建立流程如下：

Step1：分析總結(jié)采煤機(jī)常見故障類型及故障征兆特征數(shù)據(jù)庫，選取90組樣本數(shù)據(jù)作為故障診斷模型建立樣本；

Step2：采用PCA方法對采煤機(jī)故障特征數(shù)據(jù)進(jìn)行降維處理，實現(xiàn)有效特征數(shù)據(jù)的提??；

Step3：選取45組樣本數(shù)據(jù)作為訓(xùn)練樣本，應(yīng)用該樣本進(jìn)行基于SVM的采煤機(jī)故障診斷模型訓(xùn)練和建立；

Step4：對決定SVM識別模型準(zhǔn)確度的模型參數(shù)（懲罰因子C和核參數(shù)g）采用交叉驗證理論進(jìn)行網(wǎng)格化搜索，獲取最優(yōu)的模型參數(shù)；

Step5：采用剩余45組樣本數(shù)據(jù)作為測試樣本對所建立的SVM采煤機(jī)故障診斷模型性能進(jìn)行評價；

Step6：在上述優(yōu)化SVM模型建立基礎(chǔ)之上，對比采用BP神經(jīng)網(wǎng)絡(luò)所建立采煤機(jī)故障診斷模型性能，驗證SVM模型的優(yōu)越性。

2.2 故障特征參數(shù)提取

本文對目前常用的MG300/710-WD型電牽引采煤機(jī)進(jìn)行故障診斷分析，常見故障主要有牽引部的主泵站故障，液壓馬達(dá)故障和輔助液壓系統(tǒng)故障。主泵站工作運行狀況可以通過牽引部補油壓力和輔助泵壓力變化進(jìn)行判別，油泵馬達(dá)發(fā)生故障時可通過出油管流量差進(jìn)行識別，輔助液壓系統(tǒng)故障可以通過輔助泵壓力以及搖臂的升降時間進(jìn)行識別，同時，供水量和壓力等參數(shù)同樣是分析采煤機(jī)故障的參數(shù)。

圖1 PCA降維數(shù)據(jù)Fig.1 Data after reducing dimension with PCAmethod

根據(jù)上述對采煤機(jī)常見故障和故障表現(xiàn)特征的分析，確定采用主泵故障，液壓馬達(dá)故障和輔助液壓系統(tǒng)故障構(gòu)成是被框架：，根據(jù)采煤機(jī)的主要發(fā)生故障時儀表監(jiān)測數(shù)據(jù)特征，本文采用以下6組征兆作為采煤機(jī)故障識別特征：采煤機(jī)空載補油壓力（MPa）、輔助泵壓力（MPa）、出油管流量差（L/Min-1）、搖臂時間（Min）、冷卻水壓力（MPa）、冷卻水流量（L/Min）。故障征兆特征向量分別為：，通過采煤機(jī)的歷史故障特殊數(shù)據(jù)庫，每組故障特征選取30組數(shù)據(jù)總共90組典型故障樣本作為SVM模型建立樣本數(shù)據(jù)庫，如表1所示。

對表1數(shù)據(jù)采用PCA方法進(jìn)行SVM輸入數(shù)據(jù)的預(yù)處理，通過本征維數(shù)估計確定，樣本本征維數(shù)為3維，采用PCA方法進(jìn)行降維后的數(shù)據(jù)如圖1所示。通過圖1可以看出PCA降維后數(shù)據(jù)在3維空間內(nèi)可以區(qū)分實現(xiàn)了故障特征參數(shù)的提取。

2.3 支持向量機(jī)模型建立及參數(shù)優(yōu)化

本文對故障特征數(shù)據(jù)數(shù)據(jù)庫中選取45組特征向量作為訓(xùn)練樣本建立SVM采煤機(jī)故障識別模型，文在SVM模型參數(shù)優(yōu)化過程中將模型關(guān)鍵參數(shù)（懲罰因子C和核參數(shù)g）進(jìn)行離散化查找，設(shè)置C和g的查找范圍為2-10到210

通過交叉驗證方法進(jìn)行網(wǎng)格搜索后的最優(yōu)結(jié)果為：懲罰因子C=2.42，核參數(shù)g=0.43。在此組參數(shù)下經(jīng)過優(yōu)化的SVM訓(xùn)練模型準(zhǔn)確率為98%。

2.4 采煤機(jī)故障診斷結(jié)果及分析

將剩余45組采煤機(jī)故障樣本特征向量作為測試樣本輸入到已經(jīng)建立SVM采煤機(jī)故障診斷模型當(dāng)中，檢驗?zāi)Ｐ偷姆痘芰?，同時由于核函數(shù)在SVM模型建立過程中同樣起到了決定型的作用，因此本文對目前常用的四種核函數(shù)構(gòu)建的SVM進(jìn)行對比，其實驗結(jié)果如圖2所示。實驗結(jié)果表明，在采用RBF核函數(shù)下的SVM模型識別結(jié)果的準(zhǔn)確率最高為91%，表明采用SVM方法建立的采煤機(jī)故障診斷模型具有較高的準(zhǔn)確率。

圖2 識別結(jié)果Fig.2 Result of identification

圖3 對比實驗結(jié)果Fig.3 Experimental result of comparison

為了驗證PCA法對采煤機(jī)故障特征提取的有效性，本文還對未降維數(shù)據(jù)帶入模型進(jìn)行訓(xùn)練分析，同時還將SVM實驗結(jié)果與BP神經(jīng)網(wǎng)絡(luò)實驗結(jié)果進(jìn)行對比，其對比結(jié)果如圖3所示。從圖3可以看出，采用PCA降維處理后的識別結(jié)果準(zhǔn)確度優(yōu)于未進(jìn)行降維處理過程樣本，且模型建立過程所用時間明顯低于未降維過程。說明采用PCA方法可以有效的進(jìn)行目標(biāo)特征提取提高模型識別精度的同時可以有效節(jié)省模型建立所需時間。對比采用優(yōu)化的SVM模型和BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果表明：在模型識別準(zhǔn)確度和建模時間上都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。因此說明，采用優(yōu)化的SVM算法可以作為一種優(yōu)秀的采煤機(jī)故障智能診斷方法。

3 結(jié)論

本文提出了一種優(yōu)化的SVM分類識別方法進(jìn)行采煤機(jī)故障診斷技術(shù)研究，并通過實驗進(jìn)行驗證，實驗結(jié)果表明，采用PCA方法可以有效進(jìn)行采煤機(jī)特征參數(shù)的提取，同時可減小模型建立所需時間，交叉驗證方法可以有效進(jìn)行SVM模型關(guān)鍵參數(shù)的最優(yōu)識別，提高模型的準(zhǔn)確性。對比BP神經(jīng)網(wǎng)絡(luò)方法，SVM在小樣本條件下根據(jù)有更好的識別率和推廣能力。因此采用優(yōu)化的SVM方法可以有效進(jìn)行采煤機(jī)故障診斷技術(shù)研究。

［1］胡俊，張世洪，汪崇建.采煤機(jī)故障診斷技術(shù)現(xiàn)狀及其發(fā)展趨勢［J］.煤礦機(jī)械，2008（9）：8-11

［2］趙麗娟，馬聯(lián)偉.薄煤層采煤機(jī)可靠性分析與疲勞壽命預(yù)測［J］.煤炭學(xué)報，2013（7）：1287-1292

［3］程慧琴.運用Fuzzy數(shù)學(xué)對采煤機(jī)故障診斷的研究［J］.煤礦機(jī)械，2013（12）：244-246

［4］羅芳瓊.基于RBF神經(jīng)網(wǎng)絡(luò)的連續(xù)采煤機(jī)故障診斷研究［J］.煤礦機(jī)械，2013（5）：297-299

［5］白鵬，張喜斌，張斌.支持向量機(jī)理論及工程應(yīng)用實例［M］.西安：西安電子科技大學(xué)出版社，2008

［6］Cortes C，Vapnik V N.Support-vector networks［J］.Machine Learning（International），1995（20）：273-297

Breakdown Diagnosis of Coal Excavator Based on Optimized Support Vector Machine

LIU Chong
Hebei Finance University，Baoding 071051，China

In order to research on breakdown diagnosis of coal excavator，this paper proposed an optimal support vector machine（SVM）model for it.Firstly the principal component analysis（PCA）was adopted to extract the breakdown characteristic parameters of coal excavator.Secondly the breakdown characteristic data was applied to the breakdown diagnosis model training based on SVM using the cross validation method to optimize the parameters of SVM，and establishing the optimal SVM model for coal excavator breakdown diagnosis.At last，with comparing experiment，the experimental result showed that the optimized SVM breakdown diagnosis model of coal excavator was feasible and advantageous.

Coal excavator；Support Vector Machine；Principal ComponentAnalysis；cross validation；breakdown diagnosis

TD82

A

1000-2324（2015）01-0132-04

2013-03-22

2013-03-28

河北省社會科學(xué)基金年度項目（HB13GL041）；河北省重點發(fā)展學(xué)科計算機(jī)應(yīng)用技術(shù)（冀教高HB201406）

劉沖（1982-），男，河北保定人，滿族，碩士，講師.研究方向：信息管理.E-mail：lc2037612@sina.com