機械故障診斷中應用支持向量機的分析與研究

郭佳

[摘要]支持向量機的運用提升了機械故障診斷的檢測效率，并將機械診斷技術推向了智能化發(fā)展領域?；诮y(tǒng)計學理論以及相關支持向量機方法滿足了機械故障診斷對樣本的需求，為其創(chuàng)新發(fā)展提供了新途徑。本文結合機械故障及診斷常見類型，分析及研究了支持向量機運行適應性特征和運用范圍，希望能夠對機械工程領域的企業(yè)提供一定借鑒參考。

[關鍵詞]支持向量機;機械故障診斷;統(tǒng)計學理論;分析及研究

近年來，在機械技術不斷發(fā)展的影響下，支持向量機逐漸運用在多個領域。如人臉識別、手寫識別等。本文針對支持向量機對機械故障診斷研究，結合其分類計算算法類型，分析其運行原理和適應性。下面，筆者結合相關運行操作經(jīng)驗，對支持向量機在機械故障診斷中的特征進行分析，希望能夠為相關企業(yè)提供實踐借鑒和理論參考。

一、機械故障診斷方法類型

機械故障診斷技術已有多年研究歷程，從宏觀方面來談，其主要有以下三類診斷類型：第一，知識模擬診斷。這種方式結合了模擬生物智能方式，基于人為大腦特征，主要有智能診斷、神經(jīng)網(wǎng)絡、模糊推理等方式。該方式在非線性系統(tǒng)有著較為廣闊的發(fā)展空間，一方面它能給系統(tǒng)建立一個智能化的環(huán)境，另一方面也能將這門技術進行簡易化推廣。第二，信號分析診斷。這種方式結合了物理場相關理論，將光學波普和小波分析、相關分析作為信號處理方式。第三，模型建設方式。借助模擬模型建設方式，按照一定規(guī)律規(guī)則建立一定的狀態(tài)分析估計模型。主要方式有參數(shù)分析、等價空間分析、狀態(tài)估計分析等方式。以上三種方式代表了我國當前診斷系統(tǒng)建設采用的主流方式，結合運行原理，這些理論在一定程度上缺乏相應的學習樣本空間，不能有效地預測、控制機械故障發(fā)生頻率。這對企業(yè)設備管理和經(jīng)濟建設有助較大的威脅。在此基礎上，支持向量機的建設，能夠優(yōu)化產(chǎn)業(yè)風險結構，實現(xiàn)度機械故障及時診斷。

二、分析支持向量機的機械故障算法

支持向量機模式與線性可分最有分類面有著直接聯(lián)系，當存在分類間隔最大值時，就能保證推廣性內(nèi)保證經(jīng)驗風險最小，讓其能夠成為最有分類面。

（一）可分性線性特征

對于線性而言，通過在分類問題中輸入相關數(shù)據(jù)

，借助內(nèi)部樣本的多特征性就能滿足一定程度的樣本建設需求。讓存在的數(shù)據(jù)信息呈現(xiàn)超平面或決策邊緣特性，就需要借助算法將數(shù)據(jù)目標按照正負數(shù)分類隔開。同時要讓任意樣本的點到平面距離

這種方式將上下界隔開，讓上方屬于正類，下方反之。雙方邊界上正、負類樣本定義為支持向量。這樣能夠為一定的范圍內(nèi)的機械問題爭端提供依據(jù)和大量的參考樣本。

（二）損失函數(shù)特征

損失函數(shù)主要是運用于不存在線性可分性的分類問題上，此時部分支持向量不符合規(guī)則直接進入了邊界內(nèi)部，或者落實錯誤決策一欄?，F(xiàn)將損失函數(shù)進行數(shù)據(jù)化分析：

以上可知，損失函數(shù)并不是連續(xù)函數(shù)，因此也不適用于優(yōu)化問題，經(jīng)過向支持向量機處理后，采取鉸鏈損失函數(shù)，能夠實現(xiàn)相關連續(xù)性分析。

（三）相關風險以及正則化算法

通過上方損失函數(shù)算法影響，也可以定義相關經(jīng)驗風險算法：

其中f表示的是數(shù)據(jù)分類器，該經(jīng)驗風險算法能夠確定相關分類器運行穩(wěn)定狀態(tài)和可行性。借助該算法能夠將經(jīng)驗風險降到最低。

正則化的目的是對分類器進行求解，其中C指的是正則化相關系數(shù)，這種方式能夠建設以SVW硬邊界為主的最小化風險的結構分類器，以確保一定范圍內(nèi)數(shù)據(jù)分析風險，同時優(yōu)化經(jīng)驗風險。

（四）其他算法研究

除開以上常見分類算法之外，支持向量機在機械故障診斷方面還有較多突破，如多分法的研究運用，該項算法能夠對故障進行全面評判，對其進行分類，同時也能對各種故障類型進行區(qū)分。同時，核函數(shù)研究也能應對多種設備故障的判斷處理。

結語

綜上所述，受傳統(tǒng)建設管理方式影響，相關操作管理人員不能有效地預測，控制機械故障發(fā)生頻率，這對企業(yè)設備技術和經(jīng)濟建設有助較大的威脅。在機械故障診斷領域中，機械向量機有著較強實用性。本文針對其運行特征和算法類型進行了分析，對機械故障中學習樣本較少的問題進行了研究。本文針對常見算法和運行原理，對支持向量機各項運用和智能化建設做出了闡述。然而該項技術在故障診斷領域中應用范圍還有待探討，因此，建議相關企業(yè)、機構加強對其研究，有助于支持向量機技術的全面發(fā)展，同時也帶動相關機械產(chǎn)業(yè)安全性，綜合性建設。

參考文獻：

[1]袁勝發(fā)，褚福磊.支持向量機及其在機械故障診斷中的應用[J].振動與沖擊，2013（11）：29-35+58+181.

[2]郝騰飛，陳果.旋轉機械故障的拉普拉斯支持向量機診斷方法[J].中國機械工程，2016，27（01）：73-78.

[3]王長林，陳鴻寶，林瑋，等.SVM模式識別技術及在機械故障診斷中的應用進展[J].桂林電子科技大學學報，2016，29（03）：256-259.