陈　虎

(重庆市轨道交通总公司，重庆 400042)



基于特征抽取和SVM分类器的故障诊断*

陈虎

(重庆市轨道交通总公司，重庆 400042)

为了提高支撑向量机(Support Vector Machine，SVM)的性能，降低时间开销；提出一种基于特征提取的SVM算法，并将其用于汽轮发电机组的故障诊断；使用KFDA(Kernel Fisher Discriminant Analyst)算法提取汽轮发电机组数据的关键特征，并使用SVM分类器对特征数据集合进行分类检测；实验结果表明：算法是可行和有效的，在分类性能和训练时间上都得到了提高。

故障诊断; 特征抽取; 核Fisher鉴别分析;支撑向量机

随着工业化水平的不断提高，各种设备、装置及工程控制系统在工业及日常生产生活中得到广泛的应用，而在运行和应用的过程中不可避免的为产生各种问题和故障，因此故障问题已经成为工业界及日常生产生活中普遍且长期存在的问题。为了提高工业生产等的效率和可靠性，对故障的诊断和及时解决提出了更高的要求，如何保证设备高效无故障的运行成为当前大家关注的问题。因此故障诊断技术逐渐成为当下研究的热点，各种智能的技术和方法应用于该领域，其中比较有代表性的如神经网络、支撑向量机[1]、粒子群优化模糊聚类算法[2]、因果图定性分析法[3]和组合的算法[4-6]的使用，都取得了一定的效果。

故障诊断的实质可以看作是一个模式分类和识别问题，就是通过对设备状态数据的分析来判断设备是否处于正常状态。在常见的分类算法中，支撑向量机(Support Vector Machines，SVM)算法[7]只需要确定模式类样本数据之间最优分类面就可以完全的确定分类器，具有所需样本小，可靠性高的优势，因此提出采用SVM来完成故障的诊断和监测。……