專利名稱：一種設備故障診斷的支持向量機模式識別方法
技術領域：
本發(fā)明涉及的是一種設備故障診斷領域方法，具體是利用參數(shù)自動選擇的
約簡Tikhonov正則化支持向量機進行設備故障模式識別方法。
背景技術：
為了避免設備故障診斷過分依賴專業(yè)技術人員的問題，很多學者將神經(jīng)網(wǎng) 絡、專家系統(tǒng)、聚類算法引入設備故障診斷領域，在實踐中取得一定成效，但 是，這些技術還存在一些問題，例如，基于人工神經(jīng)網(wǎng)絡的故障診斷方法是基 于經(jīng)驗風險最小原理的方法，學習過程中容易陷入局部最小，并出現(xiàn)過學習現(xiàn) 象，導致泛化能力下降，從而影響診斷效果，進一步神經(jīng)網(wǎng)絡的結構難以選擇 也限制了它的應用[1'2];單一的專家系統(tǒng)進行故障診斷也有許多困難，如知識經(jīng) 驗獲取困難，缺乏有效的故障診斷知識的表達，同時使用專家系統(tǒng)的技術人員 必須進行專門的培訓，這些都限制了專家系統(tǒng)的廣泛應用[3];聚類分析不需要標 準的故障樣本，但該方法要求不同故障類別的樣本差別盡可能大，而同一故障 類別的樣本差別盡可能小且收斂速度較慢等，這種特性影響了對早期微弱故障 的診斷效果[4]。
為了解決設備故障診斷領域存在的上述問題，急需尋找新的智能故障診斷 方法，部分學者提出利用支持向量機(svm)進行故障診斷，支持向量機是 V.Vapnik等人在統(tǒng)計學習基礎上構建起來一種機器學習的方法[5，6]，非常適合于 少樣本情況下的設備故障模式識別，同時，支持向量機基于結構風險最小化原 則，避免了神經(jīng)網(wǎng)絡局部最小現(xiàn)象，并已經(jīng)在設備故障領域取得一定成果，由 于設備故障類型往往多于兩類，而基本的支持向量機只能用于兩類故障分類，為了將SVM有效的應用到多類故障診斷，需要研究多分類SVM算法，近年來， 部分學者嘗試通過修改支持向量機目標函數(shù)，把多分類支持向量機問題轉換為
解決單個優(yōu)化問題，從而建立單優(yōu)化k分類支持向量機，Tikhonov正則化多分 類支持向量機是目前該方向的最新研究成果之一[7]，由于Tikhonov正則化多分 類支持向量機一次性處理所有類別的故障數(shù)據(jù)，而無須拆分成多組兩分類問題， 同時該方法將基本SVM的不等式條件轉換為等式條件，因此避免了二次型的求 解問題，具有軟件結構簡單，誤差小等優(yōu)點，擁有有廣泛的應用前景。但由于 一次性將所有的故障樣本用于構建核函數(shù)矩陣，必然使核函數(shù)矩陣和樣本矩陣 占用更大的內(nèi)存空間，因此當處理大數(shù)據(jù)集時，其核函數(shù)矩陣維數(shù)過大， 一方 面給內(nèi)存空間帶來極大的負擔，另一方面影響運行速度和執(zhí)行效率；進一步， Tikhonov正則化支持向量機在進行故障模式分類中，其高斯核函數(shù)的寬度參數(shù) 控制了 Tikhonov正則化支持向量機的回歸和分類能力，而平衡系參數(shù)用于平衡 訓練誤差和超平面分隔間隙，兩個參數(shù)的優(yōu)化對提高支持向量機故障分類性能 取到非常重要的作用，目前，學者在選擇Tikhonov正則化支持向量機的平衡參 數(shù)和核函數(shù)參數(shù)采用實驗適湊法，這種方法非常耗費時間，而且無法獲取到最 優(yōu)參數(shù)，因此無法獲取到最優(yōu)的分類精度。

發(fā)明內(nèi)容
鑒于Tikhonov正則化支持向量機為統(tǒng)計學習方向一項新型研究成果，目前 還不存在采用Tikhonov正則化支持向量機來判斷設備故障的方法，因此本發(fā)專 利將其該方法引入了故障診斷領域。但Tikhonov正則化支持向量機一次性處理 所有故障樣本，必然使核函數(shù)矩陣占用更大的內(nèi)存空間，因此隨著故障類別和 訓練樣本數(shù)據(jù)集不斷增加，導致核函數(shù)矩陣維數(shù)迅速增大，給內(nèi)存空間帶來極大的負擔，同時影響支持向量機運行速度。針對該問題，部分學者直接采用隨 機法建立樣本的約簡子集，然而隨機獲得的約簡子集很難具有樣本代表性，因 此，本專利引入了剪枝法，建立了約簡Tikhonov正則化支持向量機；同時為進 一步提高約簡Tikhonov正則化支持向量機的故障分類精度，本專利引入了遺傳 算法對參數(shù)進行自動選擇，最終建立了參數(shù)自動選擇的約簡的Tikhonov正則化 支持向量機模型。
本專利使用以下技術方案實現(xiàn)的，包括如下步驟
完成Tikhonov正則化支持向量機模型推導過程；
利用剪枝法構建子樣本集剔除樣本冗余信息，建立約簡Tikhonov正則化支 持向量機模型；
以分類準確率作為適應度函數(shù)，利用遺傳算法對高斯核函數(shù)寬度參數(shù)和支 持向量機平衡參數(shù)進行自動選擇，建立參數(shù)自動選擇的約簡Tikhonov正則化支 持向量機模型；
利用電機設備的故障樣本驗證本發(fā)明提出方法的優(yōu)越性。
下面對分三步對本發(fā)明做進一步詳細說明
1) Tikhonov正則化支持向量機模型推導過程
設給定k類訓練樣本x,. ，將訓練樣本表示為矩陣 e iT'x" / = 1. 2 2c/axye力，為m; x "維的矩陣，其中表示第/類樣本的數(shù) 目，n表示樣本的維數(shù)，同理J(力表示第j類樣本，表示為^x"維的矩陣，針對 /類樣本，設一"=+1，對于y類樣本，,》=-1，同時設e為單位陣。 一般情況下， 直接在輸入空間尋找線性最優(yōu)分類超平面面非常困難，因此首先用一非線性映 射V(O把樣本矩陣^w從原空間映射到特征空間^C4(')),在這個高維特征空間中 構造最優(yōu)分類超平面"-7 = 0，使/類和_/類樣本滿足當超平面不能把兩類樣本完全分開時可以引入一個正的誤差松弛變量
^n，使兩類樣本滿足
~ 0/)
其中j =
,(一 )W。) = ￡ + ，
(2)
由于最優(yōu)分類超平面面必須使兩類樣本的分類空隙2/m最大，
同時使分類誤差最小，鑒于上述原因引入Tikhonov正則化的最小二乘模型[6]， 將最優(yōu)分類超平面的求解問題轉變?yōu)榍蠼馊缦履繕撕瘮?shù)-
miruA.
1 A "'w>
一(y)
爿 =
》)■
通過矩陣形式可將以上優(yōu)化問題改寫成如下形式: 《=}>(爭一聊—e
(3)
》)0 0 爿(')0 0
0 0
0 0
0 ,')
0 ,
y(12) o 0
0 盧) 0
o o 1)4
0 0 0 0
,)
力')
0 0
/<_/, ot = 2(w,.5 = t(Ar —1)/2
0 0 0 0
6
(4)
進一步將上式w轉換為其非線性映射的等價形式M^T(f)y"，同時將(4)式的約束條件代入目標函數(shù)可將式(4)轉換為如下無約束優(yōu)化形式:
設核函數(shù)矩陣^_ =《04,) = 1^04)^47 ，核函數(shù)形式可選擇多項式或高斯函數(shù)
minJ(w,;i，《)^}^04)甲0^)}^+三|^(甲04)甲(#)70— ￡力—e| ( 5 )
等多種形式，式(5)可進一步轉換為非線性Tikhonov正則化支持向量機的標準 形式
min J(w, A,纟)=魯"a +會|一 —聊—ej2 (6)
對上式求偏微分a7/^和a//^ ，可求的該支持向量機兩個分類參數(shù)為
"=[a(")r, . "a(M)*r]r =(義/ + AT — ;F￡(￡r}T￡)—1 EryiQ-1 (—ra^fTlT^)-1 ￡r7e +( 7 ) 最終超平面分類決策函數(shù)可以表示為下式
,(x)—產(chǎn)]=卩:'xe(s)
1 — 1， X G
為對測試點x進行模式分類，投票策略被應用到該支持向量機的決策函數(shù)中， 既鄉(xiāng)"[i^^,7( (l,)]得出x為i類，則投票i類，否則投票j類，最終x
屬于票數(shù)最多的那類。
2)利用剪枝法建立約簡Tikhonov正則化支持向量機模型；
剪枝法主要思想來源于樣本的拉格郎日乘子大小決定了該樣本在分類過 程重要性[8]。 Tikhonov正則化支持向量機訓練后，根據(jù)l"」的大小對樣本點進行
降序排列，剔除l"」值較小的一部分樣本點，用其余的樣本點構成約簡后的訓練 樣本子矩陣^幼. —以取代原始訓練樣本矩《x^，令w = t(^)^，其中i， f具
體形式為^，-， f"， A = ^>,.+/^， 5 = A#-1)/2，代入公式(5)，進一步簡化
' </
可以得到約簡Tikhonov正則化支持向量機無約束目標函數(shù)如下
mirJ(w,義,。=垂<^ +_酬_ e『 (9 )
9利用約簡樣本子集重新設置核函數(shù)矩陣<formula>formula see original document page 10</formula>， 可獲得約
簡Tikhonov正則化支持向量機的標準形式如下
<formula>formula see original document page 10</formula> (10)
對上式求偏微分a7/^和a//^ ，可求的該支持向量機兩個分類參數(shù)為
<formula>formula see original document page 10</formula> (11)
最終超平面分類決策函數(shù)可以表示為下式
<formula>formula see original document page 10</formula> (12)
具體的剪枝法獲取樣本子集和約簡Tikhonov正則化支持向量機的方法如
下
(1) :輸入^個設備故障訓練樣本，設定拉格朗日乘子的閾值、故障診斷系統(tǒng)的 最低精度要求和最大迭代次數(shù)；
(2) :將附個訓練樣本代入說明書所列的公式(6)，應用Tikhonov正則化支持向 量機模型進行訓練，計算測試樣本分類精度；
(3) : k| * = 1,2,...附為求解說明書所列的公式(7)所獲得的拉格朗日乘子的絕對 值組成的數(shù)列，將所有l(wèi)",l <閾值的對應訓練樣本刪除；
(4) :將大于該閾值的拉格朗日乘子所對應的訓練樣本保留，設其數(shù)量為^，且
有/^ < m ;
(5) :設樣本數(shù)量附=&,回溯到步驟(2)，逐次迭代，當測試樣本分類精度低于 故障診斷的最低精度要求或滿足最大迭代次數(shù)時方法停止，最終獲得的訓練樣 本即為訓練樣本約簡子集，將其代入說明書所列的公式(10)獲得約簡Tikhonov正則化支持向量機。
3)利用遺傳算法實現(xiàn)約簡Tikhonov正則化支持向量機的參數(shù)自動選擇 Tikhonov正則化支持向量機有2個重要的參數(shù)需要選擇參數(shù)/l平衡了分 類誤差的最小化minl,l2與分類間隔最小化minlM2/2之間的矛盾，高斯核函數(shù)中
寬度參數(shù)控制了支持向量機的回歸和分類能力，而目前Tikhonov正則化支持向 量機的的參數(shù)選擇仍然采用實驗適湊法，這種方法非常耗費時間，而且很難獲 取到最優(yōu)參數(shù)，因此本發(fā)明提出利用遺傳算法對約簡Tikhonov正則化支持向量 機的平衡參數(shù)進行自動選擇。遺傳算法(GA)是受生物進化學說和遺傳學說啟發(fā) 而發(fā)展起來的，作為一種全局優(yōu)化搜索方法，具有簡單、通用普適性強，應用 范圍廣等優(yōu)點[9]。利用遺傳算法進行尋優(yōu)時，編碼、選擇、交叉、變異是4個重 要步驟。本發(fā)明結合遺傳算法對約簡Tikhonov正則化支持向量機的參數(shù)義 一進 行尋優(yōu)，在遺傳算法的尋優(yōu)過程中，參數(shù)/l ^編碼采用了二進制方式，同時設 置了相應的尋優(yōu)區(qū)間，種群大小和遺傳算法的最大迭代次數(shù)，交叉概率和變異 概率。遺傳算法的適應度設為約簡Tikhonov正則化支持向量機對故障測試樣本
f /"v(a& ( ^[i:(;cr，》w)i^w〃)—,)]—力) 的分類的正確率，其表達式為/(;i,a2卜^-。最
AT
優(yōu)參數(shù)A ^為適應度取最大值時對應的參數(shù)。約簡Tikhonov正則化支持向量機 的參數(shù)自動選擇的方法步驟如下
(1) :設置^、—的尋優(yōu)空間；
(2) :設置遺傳算法適應度函數(shù)，交叉變異概率、群體規(guī)模和進化代數(shù)，生成A， ^的初始種群；
(3) :應用訓練樣本集和參數(shù)義、 一，對約簡Tikhonov正則化支持向量機 mirJ(Ma,^l^ +會l一-聊-e『進行訓練，得出參數(shù);i、 (72對應的拉格郎日"，
11數(shù)值；
(4) :將《,代入適應度函數(shù)/(;1^2)=^-，獲取不
同參數(shù)^、 一的適應度大??；
(5) :根據(jù)適應度函數(shù)和交叉、變異概率值對參數(shù)2、 "2的種群進行選擇、復制、 交叉和變異操作，獲取、^的新種群；
(6) :判斷進化代數(shù)是否滿足，如未滿足，繼續(xù)從步驟(3)重復運行，否則轉入 下一步；
(7) :獲取到參數(shù)的優(yōu)化值，完成約簡Tikhonov正則化支持向量機的參數(shù)自動選 擇，最終實現(xiàn)了參數(shù)自動選擇的約簡Tikhonov正則化支持向量機方法。
采用本發(fā)明的方法，相對于Tikhonov正則化支持向量機，內(nèi)存消耗和算 法運行時間節(jié)約至少30%?？梢栽谔岣吲袛嗑鹊耐瑫r節(jié)約大量的系統(tǒng)資源。


圖1為利用剪枝法建立約簡Tikhonov正則化支持向量機模型的流程圖2為建立參數(shù)自動選擇的約簡Tikhonov正則化支持向量機模型的流程圖。
具體實施例方式
本部分利用振華港機的自動化碼頭項目中的電機故障數(shù)據(jù)對參數(shù)自動選擇 的約簡Tikhonov正則化支持向量機(GA—RMTR—SVM)進行驗證。在振華港機的 自動化碼頭項目中，電機是該項目最基本的設備組成，而碼頭由于工作環(huán)境的 原因?qū)е码姍C發(fā)生故障的機率相對較大，而目前振華港機對電機故障診斷僅采 用人工例行檢査的手段，無法準確檢測電機的工況，因此采用參數(shù)自動選擇的約簡Tikhonov正則化支持向量機(GA一RMTR一SVM)對電機進行安全可靠的的故 障診斷具有重要意義。
具體利用電機故障樣本對參數(shù)自動選擇的約簡Tikhonov正則化支持向量機 (GA—RMTR—S VM)進行驗證過程如下
(1) 將離線獲取電機故障檢測樣本分為訓練樣本和測試樣本，在本項目中選 取的電機故障樣本分定子匝間短路故障、轉子斷條故障、轉子偏心故障、軸承 內(nèi)圈故障和無故障樣本；
(2) 利用電機故障樣本和剪枝法對Tikhonov正則化支持向量機進行訓練， 獲取訓練樣本約簡子集和約簡Tikhonov正則化支持向量機模型，具體步驟參考 說明書中的利用剪枝法建立約簡Tikhonov正則化支持向量機模型的5個步驟；
(3) 為進一步提高故障診斷精度，約簡Tikhonov正則化支持向量機平衡參數(shù) 和高斯核函數(shù)寬度參數(shù)的參數(shù)由遺傳算法(GA)通過離線方式自動給定，遺傳 算法的尋優(yōu)區(qū)間為(0， 10)，參數(shù)的種群大選擇為10，最大迭代次數(shù)選擇為100， 交叉概率Pc=0.9，變異概率選擇為Pm^.l。/。，適應度函數(shù)設為分類的正確率， 訓練樣本為步驟(2)獲得的約簡子集，具體步驟參考說明書中的利用遺傳算法 實現(xiàn)約簡Tikhonov正則化支持向量機的參數(shù)自動選擇的7個步驟，其中遺傳算
法獲取的部分支持向量機平衡參數(shù)和高斯核函數(shù)寬度參數(shù)與分類精度的對應關 系。如表(1)所示，至此實現(xiàn)了參數(shù)自動選擇的約簡的Tikhonov正則化支持向
量機模型。
(4 )利用參數(shù)自動選擇的約簡Tikhonov正則化支持向量機 GA—RMTR—SVM對故障訓練樣本約簡子集和測試樣本進行診斷；診斷結果如表 (2)所示。為了對比效果，表(2)同時列出了基本的Tikhonov正則化支持向 量機(MTR_SVM)對電機故障進行診斷的結果。表l:遺傳算法獲得的部分^^參數(shù)值與 其對應約簡Tikhonov正則化支持向量機分類精度
("2)分類精度
(0.0990,1.8702)48.98%
(1.3894,2.6626)51.02%
(1.6196,1.6540)55.1%
(0.6349,0.8695)61.22%
(0.9428,1.0985)69,39%
(0.4725,1.0304)71.43%
(1.1800,0.1236)81,63%
(1.4279,1.2542)89.8%
(1.5250,1.0203)91.8%
(0.0521,1.3281)93.88%
從表(1)可以看出，最終通過遺傳算法獲取的平衡參數(shù)和高斯核函數(shù)的寬
度參數(shù)為(0.0521,1.3281)，分類精度為93.88%，滿足了該公司提出的90%以上的 準確率的要求。
表2:電機故障數(shù)據(jù)集測試結果
MTR—SVMGA—RMTR—SVM
(義，o"2)(5,2)(0.0521,1.3281)
訓練樣本《—維數(shù)400X10， 10276*10， 10
訓練時間s6. 75974. 667
分類精度85.71%93.88%
從表(2)可以看出，由于基本的Tikhonov正則化支持向量機(MTR—SVM)的故障樣本未經(jīng)過約簡，同時平衡參數(shù)和高斯核函數(shù)的寬度參數(shù)未通過遺傳算
法選取，性能方面不滿足該公司提出要求，而參數(shù)自動選擇的約簡Tikhonov正
則化支持向量機在分類精度提高的情況下，同時做到內(nèi)存消耗和訓練時間方面
相對Tikhonov正則化支持向量機可以節(jié)約30。/。左右，隨著設備復雜性增加，故 障種類和測試數(shù)據(jù)不斷增大，這種內(nèi)存空間和訓練時間的節(jié)約將非?？捎^。
綜上所述，參數(shù)自動選擇的約簡Tikhonov正則化支持向量機一方面利用了 基本Tikhonov正則化支持向量機軟件結構簡單，分類精度高等特點，另一方面 解決了 Tikhonov正則化支持向量機在內(nèi)存消耗和訓練時間過多的缺點，因此本 發(fā)明使Tikhonov正則化支持向量成為一種高效的設備故障模式識別方法。
參考文獻王然風.基于支持向量回歸技術的大型復雜機電設備故障診斷研究與應用.太 原大學博士學位論文,2005.袁海英應光禍，謝永樂,杜天軍.基于非線性電路頻域核估計和神經(jīng)網(wǎng)絡的故障 診斷.控制與決策[J],2007(4):473 476.黃大榮,宋軍,胡必錦.基于專家知識庫屬性重要度的故障診斷方法研究.計算 機科學[j]，2007(4):231 234.熊浩.基于動態(tài)聚類的電力變壓器的故障診斷.儀器儀表學報[J]， 2007，28(3)，456隱459. V. Vapnik, The Nature of Statistical Learning Theory, Springer, New York, 1995. [6] J.A.K. Suykens ， J. Vandewalle, Least Squares Support Vector Machine Classifiers[J], Neural Processing Letters, 1999, 9(3): 293 300.[7] Trafalis, T.B， Oladunni, O, Papavassiliou, D.V. Two-Phase Flow Regime Identification with a Multi-Classification SVM Model. Industrial & Engineering . Chemistry Research[J]. 2005(44):4414 — 4426. Suykens J A K， Lukas L, Vandwealle J. Sparse Least Squares Support Vector Machines Classifiers, European Symposium on Artificial NeuralNetworks[ J ]. Bruges Belgium, 2000 (4) : 37-42.張躍軍，柴喬林，王少娥,王華,劉云璐.利用GA與SVM對NIDS進行關鍵特征提 取.計算機工程與應用[J]，2006,42(34): 119 12權利要求
1、一種設備故障診斷的支持向量機模式識別方法，其特征在于故障診斷過程中，采用參數(shù)自動選擇的約簡Tikhonov正則化支持向量機，包括(1)在基本Tikhonov正則化支持向量機模型基礎上，利用了剪枝法構建子樣本集剔除冗余樣本信息，建立了約簡Tikhonov正則化支持向量機模型；(2)以分類準確率作為適應度函數(shù)，利用遺傳算法對高斯核函數(shù)寬度參數(shù)和支持向量機平衡參數(shù)進行自動選擇，建立參數(shù)自動選擇的約簡Tikhonov正則化支持向量機模型。
2、 根據(jù)權利要求1所述的方法，特征在于所述的步驟(1)是指首先建立基本的Tikhonov正則化支持向量機模型min J(Ka,f) = (;i/2)^^z + (1/2)|& - l^y - e|「，在此基礎上利用剪枝法獲取約簡樣本子集，并建立約簡Tikhonov正則化支持向量機模型；具體的剪枝法獲取樣本子集構成約簡Tikhonov正則化支持向量機的方法如下(1) :輸入^個設備故障訓練樣本，設定拉格朗日乘子的閾值、故障診斷系統(tǒng)的最低精度要求和最大迭代次數(shù)；(2) :將附個訓練樣本代入說明書所列的公式(6)，應用Tikhonov正則化支持向量機模型進行訓練，計算測試樣本分類精度；(3) : * = 1,2,...附為求解說明書所列的公式(7)所獲得的拉格朗日乘子的絕對值組成的數(shù)列，將所有kI <閾值的對應訓練樣本刪除；(4) :將大于該閾值的拉格朗日乘子所對應的訓練樣本保留，設其數(shù)量為A，且有？^ <附； .(5):設樣本數(shù)量附=&，回溯到步驟(2)，逐次迭代，當測試樣本分類精度低于故障診斷的最低精度要求或滿足最大迭代次數(shù)時方法停止，最終獲得的訓練樣本即為訓練樣本約簡子集，將其代入說明書所列的公式(10)獲得約簡Tikhonov正則化支持向量機。
3、根據(jù)權利要求1所述的方法，特征在于所述的步驟(2)是指利用遺傳算法對約簡Tikhonov正則化支持向量機的高斯核函數(shù)的寬度參數(shù)和支持向量機的平衡參數(shù)進行自動選擇，避免了目前在Tikhonov正則化支持向量機的參數(shù)選擇方面釆用實驗適湊法，其基本步驟如下-(1) :設置義、 一的尋優(yōu)空間；(2) :設置遺傳算法適應度函數(shù)，交叉變異概率、群體規(guī)模和進化代數(shù)，生成、一的初始種群；(3) :應用訓練樣本集和參數(shù)義、"2，對約簡Tikhonov正則化支持向量機minJ(Ma,《)=|^ + ^<5-聊-《進行訓練，得出參數(shù);i、 (j2對應的拉格郎日a,.數(shù)值；<formula>formula see original document page 3</formula>(4) :將",代入適應度函數(shù)/"力=^-^-，獲取不同參數(shù)A、 ^的適應度大??；(5) :根據(jù)適應度函數(shù)和交叉、變異概率值對參數(shù)2、 一的種群進行選擇、復制、交叉和變異操作，獲取、"2的新種群；(6) :判斷進化代數(shù)是否滿足，如未滿足，繼續(xù)從步驟(3)重復運行，否則轉入下一步；(7) :獲取到參數(shù)的優(yōu)化值，完成約簡Tikhonov正則化支持向量機的參數(shù)自動選擇。
4、 根據(jù)權利要求1所述的方法，特征在于，相對于Tikhonov正則化支持向量機故障診斷方法，內(nèi)存消耗和方法運行時間節(jié)約至少30%。
5、 根據(jù)權利要求1-4中任一所述的方法，特征在于，將該方法應用于氣輪機故障診斷、變壓器故障診斷和齒輪故障診斷系統(tǒng)中。
全文摘要
一種設備故障診斷的支持向量機模式識別方法，具體是利用參數(shù)自動選擇的約簡Tikhonov正則化支持向量機進行設備故障模式識別方法。本發(fā)明包括如下步驟(1)完成Tikhonov正則化支持向量機模型的推導過程；(2)利用剪枝法構建子樣本集剔除冗余樣本信息，建立約簡Tikhonov正則化支持向量機模型；(3)以分類精度作為適應度函數(shù)，利用遺傳算法對約簡Tikhonov正則化支持向量機的高斯核函數(shù)寬度參數(shù)和平衡參數(shù)進行自動選擇，建立參數(shù)自動選擇的約簡Tikhonov正則化支持向量機模型；(4)利用電機設備的故障樣本對本發(fā)明進行驗證，以表明本發(fā)明提出方法的優(yōu)越性。
文檔編號G06N99/00GK101464964SQ20071017244
公開日2009年6月24日 申請日期2007年12月18日 優(yōu)先權日2007年12月18日
發(fā)明者周戰(zhàn)馨, 陳勇旗, 陳啟軍 申請人:同濟大學