帶故障樣本的彈性雙閾值SVDD在線故障

張敏龍 王濤 王旭平 趙軍紅

摘要： 提出一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法，該算法從故障樣本使用、實時樣本劃分以及訓練樣本更新三個方面對傳統在線SVDD算法進行優化。一是在SVDD訓練階段加入故障樣本，提高數據描述能力和診斷精度；二是提出球邊界偏移判別準則，形成可變的雙層邊界將超球空間分成三個區域，同時增大對故障樣本的敏感性，降低漏檢風險；三是引入滑動窗機制批量檢測更新樣本，減少計算量，并通過調節落入中間區域的樣本比例控制虛警率。對離心壓縮機喘振過程信號檢測的試驗結果表明，該算法能夠自適應更新模型和閾值，并在極少虛警和漏檢的情況下實現壓縮機喘振故障的準確高效診斷。

關鍵詞： 故障診斷； 支持向量域描述； 故障樣本； 球邊界偏移判別； 滑動窗

中圖分類號： TH165+.3 文獻標志碼： A 文章編號： 1004-4523（2016）03-0555-06

DOI：10.16385/j.cnki.issn.10044523.2016.03.023

引 言

在機械故障診斷中，設備正常運行模式樣本多而故障運行模式樣本少。從模式識別角度來看，監測機器運行狀態是一種少故障樣本情況下的異常檢測問題[1]。Tax等[2]提出的支持向量域描述（Support Vector Domain Description，SVDD）是一種經典的單值分類器，能有效解決故障診斷問題中的小樣本、非線性等困難，目前已成功用于機械設備的故障診斷之中[35]。

近年來，實時監測、在線診斷已成為故障診斷領域的重要發展方向，而SVDD在線算法的研究應用也隨之成為一個新熱點。目前SVDD在線算法存在的問題和相應的改進方法有：（1）對于故障樣本，目前多數在線算法選擇棄用[7]或視為正常樣本的偏移繼續使用[8]，這樣會帶來很大的浪費和誤差。文獻[6]指出，故障樣本富含寶貴的信息資源，在SVDD訓練時加入少量故障樣本，可以適當提高診斷精度。（2）帶故障樣本的SVDD算法（SVDD with Negative Samples，NSVDD）為保證模型的推廣能力，允許出現錯分樣本，這些樣本多數位于超球邊界附近，在實際應用時會帶來一定的檢測誤差[9]，因此需要對這些樣本進行更合理的劃分。文獻[7]使用雙閾值以區分故障樣本和非邊界支持向量；文獻[10]提出了一種υ_NSVDD算法克服了野點和噪聲的影響；文獻[11]對υ_NSVDD進行了改進，使之更適于樣本不平衡問題。（3）SVDD算法本質是一個二次規劃問題，傳統二次規劃由于核矩陣的存儲導致計算緩慢，而在線故障診斷為適應機械故障狀態的變化，需要不斷更新檢測模型，使得在線診斷效率低下，甚至無法進行。目前提高在線算法效率的方法主要有兩種，一是針對二次規劃本身，如文獻[7]引入SMO算法訓練SVDD模型，提高了二次規劃速度；二是改進訓練樣本的更新方式，如文獻[12]提出一種增量式SVDD，減少了新增樣本的訓練時間。

綜上考慮，本文提出一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法（Variable Double Threshold NSVDD Online Diagnosis，VDTNOD）。該算法將故障樣本加入SVDD訓練，提出球邊界偏移判別準則，同時引入滑動窗機制[13]批量更新樣本。最后將其應用于離心壓縮機喘振過程診斷，并分析了算法精度及自適應診斷能力。

4 結 論

本文提出了一種帶故障樣本的彈性雙閾值SVDD在線故障診斷算法，對故障樣本的使用、實時樣本的劃分以及訓練樣本的更新等進行優化，并將其成功應用于離心壓縮機喘振故障診斷，主要結論如下：

（1）該算法使用少量故障樣本參與SVDD模型的訓練，提高了診斷精度。

（2）該算法定義了球邊界偏移判別準則，形成可變的雙層判別邊界，加大了對故障樣本的敏感性，減小了漏檢風險。

（3）該算法通過使用較大的比例警告限和報警限，降低了診斷虛警。

（4）該算法利用滑動窗機制，批量檢測更新樣本，提高了診斷效率。

（5）該算法能夠在極少虛警和漏檢的情況下快速準確地實現對壓縮機喘振的在線自適應診斷。參考文獻：

[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] 王濤， 李艾華， 王旭平， 等. 基于SVDD與距離測度的齒輪泵故障診斷方法研究[J]. 振動與沖擊， 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] 孫文柱， 曲建嶺， 袁濤， 等. 基于改進SVDD的飛參數據新異檢測方法[J]. 儀器儀表學報， 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， 胡蔦慶， 秦國軍. 雙閾值單類支持向量機在線故障檢測算法及應用[J]. 機械工程學報， 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] 劉小平， 徐桂云， 任世錦， 等. 一種新的不平衡數據υNSVDD多分類算法[J]. 南京大學學報（自然科學版）， 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] 馮國瑜， 肖懷鐵， 付強， 等. 基于ISVDD的雷達高分辨距離像在線識別方法[J]. 系統工程與電子技術， 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] 張慶， 徐光華， 華成， 等. 一類支持向量機的設備狀態自適應報警方法[J]. 西安交通大學學報， 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.