带故障样本的弹性双阈值SVDD在线故障

    张敏龙 王涛 王旭平 赵军红

    

    

    

    摘要： 提出一种带故障样本的弹性双阈值SVDD在线故障诊断算法，该算法从故障样本使用、实时样本划分以及训练样本更新三个方面对传统在线SVDD算法进行优化。一是在SVDD训练阶段加入故障样本，提高数据描述能力和诊断精度；二是提出球边界偏移判别准则，形成可变的双层边界将超球空间分成三个区域，同时增大对故障样本的敏感性，降低漏检风险；三是引入滑动窗机制批量检测更新样本，减少计算量，并通过调节落入中间区域的样本比例控制虚警率。对离心压缩机喘振过程信号检测的试验结果表明，该算法能够自适应更新模型和阈值，并在极少虚警和漏检的情况下实现压缩机喘振故障的准确高效诊断。

    关键词： 故障诊断； 支持向量域描述； 故障样本； 球边界偏移判别； 滑动窗

    中图分类号： TH165+.3 文献标志码： A 文章编号： 1004-4523（2016）03-0555-06

    DOI：10.16385/j.cnki.issn.10044523.2016.03.023

    引 言

    在机械故障诊断中，设备正常运行模式样本多而故障运行模式样本少。从模式识别角度来看，监测机器运行状态是一种少故障样本情况下的异常检测问题[1]。Tax等[2]提出的支持向量域描述（Support Vector Domain Description，SVDD）是一种经典的单值分类器，能有效解决故障诊断问题中的小样本、非线性等困难，目前已成功用于机械设备的故障诊断之中[35]。

    近年来，实时监测、在线诊断已成为故障诊断领域的重要发展方向，而SVDD在线算法的研究应用也随之成为一个新热点。目前SVDD在线算法存在的问题和相应的改进方法有：（1）对于故障样本，目前多数在线算法选择弃用[7]或视为正常样本的偏移继续使用[8]，这样会带来很大的浪费和误差。文献[6]指出，故障样本富含宝贵的信息资源，在SVDD训练时加入少量故障样本，可以适当提高诊断精度。（2）带故障样本的SVDD算法（SVDD with Negative Samples，NSVDD）为保证模型的推广能力，允许出现错分样本，这些样本多数位于超球边界附近，在实际应用时会带来一定的检测误差[9]，因此需要对这些样本进行更合理的划分。文献[7]使用双阈值以区分故障样本和非边界支持向量；文献[10]提出了一种υ_NSVDD算法克服了野点和噪声的影响；文献[11]对υ_NSVDD进行了改进，使之更适于样本不平衡问题。（3）SVDD算法本质是一个二次规划问题，传统二次规划由于核矩阵的存储导致计算缓慢，而在线故障诊断为适应机械故障状态的变化，需要不断更新检测模型，使得在线诊断效率低下，甚至无法进行。目前提高在线算法效率的方法主要有两种，一是针对二次规划本身，如文献[7]引入SMO算法训练SVDD模型，提高了二次规划速度；二是改进训练样本的更新方式，如文献[12]提出一种增量式SVDD，减少了新增样本的训练时间。

    综上考虑，本文提出一种带故障样本的弹性双阈值SVDD在线故障诊断算法（Variable Double Threshold NSVDD Online Diagnosis，VDTNOD）。该算法将故障样本加入SVDD训练，提出球边界偏移判别准则，同时引入滑动窗机制[13]批量更新样本。最后将其应用于离心压缩机喘振过程诊断，并分析了算法精度及自适应诊断能力。

    4 结 论

    本文提出了一种带故障样本的弹性双阈值SVDD在线故障诊断算法，对故障样本的使用、实时样本的划分以及训练样本的更新等进行优化，并将其成功应用于离心压缩机喘振故障诊断，主要结论如下：

    （1）该算法使用少量故障样本参与SVDD模型的训练，提高了诊断精度。

    （2）该算法定义了球边界偏移判别准则，形成可变的双层判别边界，加大了对故障样本的敏感性，减小了漏检风险。

    （3）该算法通过使用较大的比例警告限和报警限，降低了诊断虚警。

    （4）该算法利用滑动窗机制，批量检测更新样本，提高了诊断效率。

    （5）该算法能够在极少虚警和漏检的情况下快速准确地实现对压缩机喘振的在线自适应诊断。参考文献：

    [1] Mahadevan S， Shah S L. Fault detection and diagnosis in process data using oneclass support vector machines[J]. Journal of Process Control， 2009，19（10）：1627—1639.

    [2] David M J Tax， Robert P W Duin. Support vector domain description[J]. Pattern Recognition Letters， 1999，20（1113）：1191—1199.

    [3] 王涛， 李艾华， 王旭平， 等. 基于SVDD与距离测度的齿轮泵故障诊断方法研究[J]. 振动与冲击， 2013，32（11）：62—65.

    WANG T， LI A H， WANG X P， et al. Fault diagnosis method for a gear pump based on SVDD and distance measure[J]. Journal of Vibration and Shock， 2013，32（11）：62—65.

    [4] 孙文柱， 曲建岭， 袁涛， 等. 基于改进SVDD的飞参数据新异检测方法[J]. 仪器仪表学报， 2014，35（4）：932—939.

    SUN W Z， QU J L， YUAN T， et al. Flight data novelty detection method based on improved SVDD[J]. Chinese Journal of Scientific Instrument， 2014，35（4）：932—939.

    [5] Jordan M B， Markus T. Feature extraction for novelty detection as applied to fault detection in machinery[J]. Pattern Recognition Letters， 2011，32：1054—1061.

    [6] David M J Tax， Robert P W Duin. Support vector data description[J]. Machine Learning， 2004，54：45—66.

    [7] 胡雷， 胡茑庆， 秦国军. 双阈值单类支持向量机在线故障检测算法及应用[J]. 机械工程学报， 2009，45（3）：169—173.

    HU L， HU N Q， QIN G J. Online fault detection algorithm based on doublethreshold OCSVM and its application[J]. Journal of Mechanical Engineering， 2009，45（3）：169—173.

    [8] Davy M， Desobry F， Gretton A， et al. An online support vector machine for abnormal events detection[J]. Signal Processing， 2006，86（8）：2009—2025.

    [9] Guo S M， Chen L C， Tsai J S H. A boundary method for outlier detection based on support vector domain description[J]. Pattern Recognition， 2009，42：77—83.

    [10] Mu T T， Nandi A K. Multiclass classification based on extended support vector data description[C]. IEEE Transactions on System， Man， and Cybernetics—Part B：Cybernetics， 2009，39（5）：1206—1202.

    [11] 刘小平， 徐桂云， 任世锦， 等. 一种新的不平衡数据υNSVDD多分类算法[J]. 南京大学学报（自然科学版）， 2013，49（2）：150—158.

    Liu X P， Xu G Y， Ren S J， et al. A new unbalanced data υNSVDD multiclass algorithm[J]. Journal of Nanjing University （Natural Sciences）， 2013，49（2）：150—158.

    [12] 冯国瑜， 肖怀铁， 付强， 等. 基于ISVDD的雷达高分辨距离像在线识别方法[J]. 系统工程与电子技术， 2012，34（3）：489—494.

    FENG G Y， XIAO H T， FU Q， et al. Online recognition method of HRRP for radar systems based on ISVDD[J]. Systems Engineering and Electronic， 2012，34（3）：489—494.

    [13] 张庆， 徐光华， 华成， 等. 一类支持向量机的设备状态自适应报警方法[J]. 西安交通大学学报， 2009，43（11）：61—65.

    ZHANG Q， XU G H， HUA C， et al. Selfadaptive alarm method for equipment condition based on oneclass support vector machine[J]. Journal of Xi′an Jiaotong University， 2009，43（11）：61—65.