PDF《基于 M orlet小波核多类支持向量机的故障诊断》

第36卷第8期 2008年 8月 Vol .

36 No.

8 Aug .

2008 基于 M orlet小波核多类支持向量机的故障诊断 周建萍 1,

2 ,郑应平

2 ,王志萍

1 (1. 上海电力学院 电力与自动化工程学院 ,上海 200090;

2. 同济大学 电子与信息工程学院 ,上海 200092) 摘要:故障诊断问题实质上是一个模式识别问题 ,即多分类问题.采用 Morlet小波来构造支持向量机 ( Sup2 port VectorMachine, SVM)的核函数 ,Morlet小波核 SVM比普通 SVM具有更好的鲁棒性和更强的泛化能力. 在一对一算法的基础上实现 Morlet小波核多类支持向量机的故障诊断 ,并将此方法成功应用于电厂汽轮发电 机组的故障诊断.实验仿真结果表明 Morlet小波核多类 SVM故障分类器比 BP神经网络训练和测试速度快 , 且其分类精度在高斯噪声干扰下还保持 100% ,比BP神经网络高出 11. 8%.因此该方法能够快速而准确地 对电厂汽轮发电机组的故障进行诊断 ,满足电力系统实时操作的要求. 关键词 :核函数 ;

Morlet小波 ;

故障诊断 ;

支持向量机 基金项目 :国家自然科学基金项目 (60674076) ;

上海市重点学科建设项目 ( P1301) ;

上海市教委优青后备基金 项目 ( Z20062 78) 作者简介 :周建萍 (19782) ,女 ,讲师 ,博士研究生 ,研究方向为智能控制和故障诊断等. 中图分类号 : TK323;

TP391.

5 文献标识码 : A 文章编号 :

10012 9529 (2008)

082 00762

05 Fault diagnosis based on M orlet wavelet kernel m ulti2class support vector machine ZHOU J ian2ping 1,

2 , ZHENG Ying2ping

2 , WANG Zhi2ping

1 (1. School of Power and Automation Engineering, Shanghai University of Electric Power, Shanghai 200090, China;

2. School of Electronic and Infor mation Engineering, Tongji Univ . , Shanghai 200092, China) Abstract: Fault diagnosis is essentially an issue of pattern recognition, namely multiple classification. Morlet wavelet was used to construct the kernel function of support vector machine ( SVM) , and the Morlet wavelet kernel SVM has better robust performance and stronger generalization capacity than regular SVM. Based on one2against2 one algorithm, faults were diagnosed by usingMorlet wavelet kernel multi2class SVM, and the proposed method was successfully used to diagnose the fault of turbo2generator units . Simulations show thatMorletwavelet kernelmulti2class S MV fault classifi2 er trains and testsmore quickly than the BP network, and its classification accuracy still reaches 100% under Gaussian noise disturbance, 11. 8% higher than that of the BP network. Therefore the proposed method can quickly and accurate2 ly diagnose the fault of turbo2generator units, which satisfies requirements of real2time operation of power systems . Key words: kernel function;

Morlet wavelet;

fault diagnosis;

support vector machine ( SVM)

1 概述 Q. Zhang将小波分析与人工神经网络结合起 来 ,提出了一种小波神经网络方法 (WNN ) [

1 ] ,后 来又有许多学者对 WNN 的构造及算法问题提出 了一些改进方法 [ 2,

3 ] .由于神经网络具有并行分 布信息、 自学习及任意逼近连续函数的能力 ,尤其 能实现复杂的非线性映射 ,因而 WNN 在数据分 类和 函数逼近方面已取得了一些良好的效果[4,

5 ] .然而 ,由于神经网络学习算法实际上是 利用梯度下降法调节权值使目标函数达到极小 , 而目标函数仅为各给定输入和相应输出差的平方 和 ,导致了神经网络过分强调克服学习错误而泛 化性能不强.同时神经网络还具有一些难以克服 的缺陷 ,如隐单元的数目难以确定 ,网络的最终权 值受初始值影响大等.近年来 ,随着人工神经网 络研究的深入 ,人们更加认识到它存在的严重不 足 ,在原理上缺乏实质性的突破 ,同时也缺乏理论 依据. SVM是一种新的通用机器学习方法 ,它的理 论基础是 Vapnik等提出的统计学习理论 [