封俊 程鳳偉

摘要：為了有效的控制噪聲，防止噪聲對向量機(jī)分類器的性能產(chǎn)生負(fù)面影響，本文完善數(shù)據(jù)預(yù)處理、 特征提取和分類器的設(shè)計(jì)，從而完善向量機(jī)的故障診斷。在獨(dú)立分量分析后，結(jié)合時(shí)域特征提取的方式，消減原始數(shù)據(jù)中的噪聲。

【關(guān)鍵詞】向量機(jī) 獨(dú)立分量分析 殘余

向量機(jī)在分類模式的應(yīng)用中呈現(xiàn)出明顯的優(yōu)勢，而且其算法實(shí)現(xiàn)了不斷的改進(jìn)，在故障診斷中可以發(fā)揮突出效果。在故障診斷中應(yīng)該結(jié)合相應(yīng)的應(yīng)用場合，在信號監(jiān)測中分析外來干擾因素。傳感器發(fā)生故障后，會導(dǎo)致運(yùn)行工況發(fā)生很大的變化，如果不能對原始數(shù)據(jù)中的噪聲進(jìn)行處理，就會產(chǎn)生大量的噪點(diǎn)。所以，要改善故障診斷方式，強(qiáng)化診斷模型的泛化效果。

1 向量機(jī)分類器和性能

1.1 向量機(jī)算法

向量機(jī)的算法可以用個(gè)非線性函數(shù)來表示，將輸入空間直接映射到一個(gè)高維空間中，從而有效的解決非線性的問題。如果訓(xùn)練集呈現(xiàn)線性特征，那么變量就可以采用規(guī)范化處理的方式。結(jié)合線性不可分的形式，分離超平面求解就可以轉(zhuǎn)化成優(yōu)化問題。

1.2 向量機(jī)推廣能力

為了精確的分析分類器的預(yù)測風(fēng)險(xiǎn)，應(yīng)該采用泛化誤差界的概念。設(shè)計(jì)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信風(fēng)險(xiǎn)，前者是分類器特定訓(xùn)練樣本上的誤差，后者是分類器中未知樣本的風(fēng)險(xiǎn)。向量機(jī)運(yùn)行的本質(zhì)在于實(shí)現(xiàn)高精度的分類，為了提升分類要求，應(yīng)該采用分離超平面的方式，從而獲得最大推廣性能。

特征空間樣本一般是采用超球域進(jìn)行描述，一般是分析理想狀態(tài)下的輸入樣本到高維空間的映射情況。在特征空間中，噪點(diǎn)一般會偏離整體特征分布。

2 向量機(jī)故障診斷方法和改進(jìn)措施

2.1.1 ICA基冗余取消

首先要建立ICA處理模型，通?？梢杂煤瘮?shù)x=As表示，在線性變換下，W使得估計(jì)向量的各個(gè)分量呈現(xiàn)獨(dú)立狀態(tài)。x是己知的觀測向量，未知的向量稱為底源向量，而且是獨(dú)立痛哦估計(jì)的。x的維數(shù)一般大于獨(dú)立向量的維數(shù)，采用ICA進(jìn)行觀測的環(huán)節(jié)中，信息冗余取消，實(shí)現(xiàn)了將大量的觀測數(shù)據(jù)壓縮。

ICA是一類典型的冗余消除技術(shù)，其在各個(gè)分量之間實(shí)現(xiàn)信息的交互，在信號傳遞中，建立高階統(tǒng)計(jì)量，此類特征在非高斯數(shù)據(jù)分析中效果好。結(jié)合已經(jīng)得研究，在數(shù)據(jù)觀測環(huán)節(jié)中，會產(chǎn)生局部噪點(diǎn)，其呈現(xiàn)出非高斯特征，這時(shí)應(yīng)該采用ICA冗余消除技術(shù)，從而將原始數(shù)據(jù)融合。

ICA算法有很多種，其中最常見的一種是固定點(diǎn)迭代的方式，通過最小化的方式選取分量間的變換值，從而可以估計(jì)獨(dú)立分量。在實(shí)際的算法中，應(yīng)該分析最大化分量。ICA技術(shù)冗余取消預(yù)處理技術(shù)要從原始觀測數(shù)據(jù)開始分析，然后經(jīng)過訓(xùn)練算法，實(shí)現(xiàn)線性逆變換。設(shè)計(jì)原始數(shù)據(jù)訓(xùn)練集，采用不同模式的訓(xùn)練樣本，然后統(tǒng)計(jì)訓(xùn)練樣本數(shù)。結(jié)合固定點(diǎn)迭代的學(xué)習(xí)方式，對各個(gè)模式的樣本進(jìn)行分析。

2.1.2 RTC-A低維時(shí)域特征提取

在設(shè)計(jì)了原始觀測訓(xùn)練樣本后，建立ICA特征提取器，當(dāng)原始觀測數(shù)據(jù)樣本輸入后，輸出RTC值。RTC提取特征的維數(shù)與訓(xùn)練觀測數(shù)據(jù)分屬的模式相同，并且隨著數(shù)據(jù)的增加而逐漸增加。向量機(jī)的各類模式分類器的功能可以互相替代，所以，可以通過多種模式進(jìn)行數(shù)據(jù)的觀測。

2.2 分類器設(shè)計(jì)

2.2.1 FCM-C特征樣本識別技術(shù)

FCM-C不是將各個(gè)樣本按照一定的模式逐一劃分，而是結(jié)合一定的模式，將隸屬度模糊化，所以在一些不確定數(shù)據(jù)的樣本中得到廣泛的應(yīng)用。在進(jìn)行大型數(shù)據(jù)冗余特征處理中，經(jīng)常采用這種處理方式，采用高分類精度的方式，減小特征冗余，有效的防止樣本過度擬合，提升向量機(jī)的預(yù)測精度。FCM-C特征樣本的算法設(shè)計(jì)由以下幾個(gè)步驟構(gòu)成。

（1）設(shè)定好聚類數(shù)目，假設(shè)為C，模糊加權(quán)指數(shù)假設(shè)為M，初始隸屬度為U，迭代步數(shù)為O。

（2）進(jìn)行聚類中心的計(jì)算工作。

（3）修正初始隸屬度。

（4）結(jié)合己知的停止值.進(jìn)行迭代計(jì)算，直到算法中止，確定好聚類集的容量，對其中的樣本數(shù)進(jìn)行編號。

為了有效的識別特征空間中的各類樣本，要結(jié)合聚類特征重新劃分。聚類樣本中的兩個(gè)數(shù)量的組合進(jìn)行編號，形成組合數(shù)目。在特征空間樣本超球域的描述中，可以進(jìn)行聚類的假設(shè)，其中會包含特征樣本，容量也是確定的，初始有效聚類已知，噪點(diǎn)范圍確定。那么就可以結(jié)合優(yōu)化準(zhǔn)則按照由近到遠(yuǎn)的順序排序，建立有效判斷準(zhǔn)則。

3 結(jié)語

在各類機(jī)械故障中進(jìn)行信號的監(jiān)測會面臨一定的問題，結(jié)合ICA冗余取消數(shù)據(jù)處理的方式，并且優(yōu)化RTC-A和FCM-C的特征識別技術(shù)，可以改進(jìn)故障識別的方式。經(jīng)過改進(jìn)的故障分類器性能非常好，比傳統(tǒng)的分類器精確，可以高效的識別不同的故障模式，顯示出較好的推廣效果，運(yùn)算效率也能得到保障。

參考文獻(xiàn)

[1]焦衛(wèi)東，林樹森.整體改進(jìn)的基于支持向量機(jī)的故障診斷方法[J].儀器儀表學(xué)報(bào)，2015，36 （08）：1861-1870.

[2]曹沖鋒，楊世錫，周曉峰，楊將新，改進(jìn)支持向量機(jī)模型的旋轉(zhuǎn)機(jī)械故障診斷方法[J]，振動、測試與診斷，2015， 29 （03）： 270-273+367.

[3]張鴻雁，基于改進(jìn)支持向量機(jī)方法的汽輪機(jī)故障診斷研究[J].煤礦機(jī)械，2018 （07）：197-199.