改进FSVM在发动机振动故障融合分析中的应用
2012-05-24费成巍白广忱
振动与冲击 2012年15期
费成巍,白广忱
随着航空发动机的推力、转速、动强度等日益提高,发动机零部件的振动载荷不断增加,振动引起的故障越来越受到关注,对于航空发动机整机而言,振动故障诊断问题一直是学术界和工程技术领域研究的热点问题之一[1-2]。在众多故障诊断方法中,一直受欢迎的支持向量机(Support Vector Machine,SVM)理论的发展出现了瓶颈,因为含有噪声与野值干扰的样本在特征空间中总位于分类面附近,造成了最优分类面的确定模糊性,往往导致所获得的分类面不是真正的最优分类面[3-4]。为了解决该问题,大量学者融合了模糊理论和SVM理论的优点,将隶属度概念引入SVM,开始研究模糊支持向量机(Fuzzy Support Vector Machine,FSVM)方法[4-7]。该方法是采用对不同的样本赋予不同的惩罚权系数,以便根据不同样本有不同贡献原则构造目标函数,对含有噪声与野值的样本赋予较小的权值,这样就可以大大降低了噪声与野值的影响。然而,隶属度函数的设计是整个FSVM理论算法的关键,不同的隶属度函数会对算法的处理结果以及算法实现的难易程度产生不同的影响[4-5],这要求隶属度函数必须能客观、准确、有效地反映系统中样本存在的不确定性。目前,在FSVM方法中主要采用样本到类中心之间的距离来度量其隶属度大小,该方法不能很好地区分有效样本中含有噪声或野值样本[6-7]。
针对上述存在的问题和航空发动机整机振动故障信息的特点,本文在确定模糊隶属度时不仅考虑了样本与类中心之间的关系,还考虑了类中各个样本之间的关系,能有效地将支持向量与含噪声或野值样本区分开。……
登录APP查看全文
