基于最大间隔超球分类器的柴油机异常检测研究
2011-02-22吴定海张培林任国全傅建平
兵工学报 2011年7期
吴定海,张培林,任国全,傅建平
(军械工程学院 火炮工程系,河北 石家庄050003)
柴油机是武器装备底盘系统的动力心脏,直接关系到整体机动性能,对柴油机的运行状态进行在线监测具有极其重要的意义。由于柴油机的结构和各种激励相互作用的复杂性,使得人们难以从原理上建模来研究外在所测信号与柴油机内在故障之间的对应关系。因此,目前对柴油机故障诊断的研究大多基于对历史样本的分析和建模,研究其分布规律,从而建立分类器进行故障类型的判别。这种方法常常面临这样的问题,正常样本多而故障样本难以捕捉,这就造成了故障样本数据的严重不平衡[1]。对柴油机运行状态进行在线监测时,及时地发现其运转的异常,进行在线报警更具有重要的现实意义。因此,需要立足于数据样本不足的现状,研究能够解决此类问题的异常检测模型。
基于数据样本分布不平衡问题的机器学习问题的研究,Scholkopf[2]在支持向量机的基础上建立了单类分类支持向量机(One-class SVM),Tax 等[3]建立支持向量描述(SVDD),只需要目标类数据训练样本,在核空间以最小的超球包括目标样本,从而建立分类器,这是一种无监督的学习方法,缺乏异常数据样本的信息,模型参数难以确定,没能权衡分类器的描述精度和泛化性能。
本文研究柴油机的运行状态异常监测问题,引入一种有监督的超球分类器,结合异常数据样本的信息,分析模型的参数选择对分类器性能的影响,提出运用ROC 曲线的下方面积(AUC)作为评价指标的参数优化选择方法,实例分析验证了该故障诊断方法的优越性。……
登录APP查看全文
