26、基于特征和超参数变化的支持向量机集成用于实际机器故障诊断

基于特征和超参数变化的支持向量机集成用于实际机器故障诊断

1. 引言

支持向量机（SVM）目前被认为是解决二分类问题最强大的技术之一。为了进一步提高单个SVM的准确性，研究表明，当输入模式的类别由一组准确且预测尽可能不同的SVM共同预测时，可能会获得更好的泛化能力。

以往构建SVM集成有两种有用的方法：一是使用不同的SVM参数值训练每个SVM；二是使用不同的特征集训练每个SVM。但目前很少有研究涉及基于特征和参数变化的SVM集成。使用不同的特征子集和参数值可能会增加集成中SVM之间的差异，从而提高集成的准确性。

本文提出了一种基于特征和参数变化来构建优化SVM集成的新方法，并将其与其他构建SVM集成的方法进行比较，实验表明该方法实现了更高的估计预测准确性。研究工作是在机器故障诊断的背景下进行的，使用了从石油平台上运行的故障电机泵获得的2000个振动信号示例。

2. 无模型的电机泵故障诊断方法

机器故障诊断问题主要有两种方法：基于模型的技术和无模型的技术。基于模型的技术依赖于所研究过程的分析模型，涉及时间相关的微分方程，但在现实世界的复杂过程中，分析模型往往不现实或不准确，此时无模型技术是一种替代方法。

本文提出了一种基于监督学习分类范式的无模型方法，其优点是对工厂的先验知识要求最低，故障预测器基于训练数据自动定义。

电机泵可能同时出现多种故障，将故障诊断问题表述为多标签分类任务，每个故障类别由一个不同的二元预测器表示。要诊断的故障包括滚动轴承故障、泵叶片不平衡、流体动力故障、轴不对中、机械松动和结构松动。

工作中使用的是水平电机泵，在主方向的战略位置放置加速度计来捕获主轴的特定