基于优化支持向量机的采煤机故障诊断技术

刘冲

河北金融学院，河北保定071051

基于优化支持向量机的采煤机故障诊断技术

刘冲

河北金融学院，河北保定071051

为了对采煤机故障进行准确诊断研究，本文提出了一种基于优化支持向量机的采煤机故障诊断新方法，首先采用主成分分析法（PCA）对采煤机故障特征参数进行特征提取，其次应用特征数据进行基于支持向量机（SVM）的采煤机故障诊断模型训练，再次采用交叉验证方法对SVM模型参数进行优化，建立最优SVM采煤机故障诊断模型，最后通过对比实验，验证了基于优化SVM采煤机故障诊断模型的可行性和优越性。

采煤机；支持向量机；主成分分析；交叉验证；故障诊断

采煤机为采煤过程的重要机械设备，由于其在恶劣环境中工作导致采煤机故障频发［1，2］。因此，及时对采煤机进行早期故障诊断则成为煤矿安全生产当前迫切需要解决的问题，也是国内外研究的一个热点问题。目前相关学者对大型机械设备的故障诊断多采用人工智能诊断方法，主要以模糊理论方法、人工神经网络诊断方法以及近些年来兴起的基于统计学理论的支持向量机诊断方法为主。文献［3］在对采煤机关键部位的诊断研究中采用了模糊数学的方法；而文献［4］则采用了人工智能神经网络方法；然而对于模糊理论和人工神经网络二者都属于大样本学习理论，在只能提供少量采煤故障样本的条件下，很难实现采煤机的准确故障诊断。支持向量机（SVM）是建立在基于统计学理论中VC维理论和结构风险最小化原则的一种智能识别方法，由于其具有训练时间短、容错性能好尤其在解决小样本非线性问题过程中有着独特的优势并具有良好的泛化能力，同时可避免人工神经网络等方法存在的陷入局部最优问题和过学习问题，因此具有很好的适用性［5］。

综上所述，本文在分析总结采煤机故障特征的基础上，引入支持向量机识别方法进行采煤机的智能故障诊断模型的建立。并对故障诊断模型进行优化处理，首先，采用主成分分析法对采煤机故障特征参数进行特征提取，在此基础之上应用SVM理论进行采煤机故障诊断模型的训练和建立，同时采用交叉验证方法对支持向量机识别准确度起关键作用的特征参数（惩罚因子C和核参数g）进行最优化选取，最终获得一种基于优化支持向量机的采煤机故障诊断模型，提高故障识别的准确度，为煤矿的安全生产提供技术保障。

1 优化支持向量机分类方法概述

1.1 支持向量机理论

支持向量机在1995年由Cortes和Vapnik提出［6］，支持向量机采用最优分类超平面理论来解决数据分类问题。由于传统神经网络进行分类法时一般获得的分类超平面靠近训练样本的中心点附近，而实际情况往往并非如此，进而导致所获得的最终解不是最优解。然而对比之下，支持向量机可以通过建立一个最优的超平面来获得最优解。

可将构造最优超平面转化为在等式（1）约束的条件下求解下面等式最小值得问题。

对上述约束问题可以引入拉格朗日函数优化手段将其转化为对偶问题求解，即在满足约束条件：和进行下列函数的最大值求解：

最优解α，w，b求解后则可得到最优分类函数：

对于非线性问题，可在上述线性问题的思想上通过非线性变换方法将其转化为高维空间的线性问题进行求解，同时对于高维空间对偶问题，可以根据范函理论采用满足Mercer条件下的核函数将某一非线性问题转化到高维空间构造出最优超平面，从而实现分类问题，此时等式（3）转化为

其中C称之为惩罚因子。因此非线性问题的最优分类函数则变为：

常用的核函数主要有四种，分别为：线性、多项式、RBF以及Sigmoid核函数，每种核函数都有自己的特点，在选择核函数的过程中可以采用试凑方法进行最优核函数的选择。上述为SVM的二分类问题，如果通过构建SVM多分类器则可进行多分类问题的解决，目前常用于多分类的方法有一对一、一对多算法和层次支持向量机等算法。本论文采用常用的一对一多分类算法进行采煤机故障诊断研究。

1.2 PCA特征参数降维理论

采煤机故障诊断数据具有高维数的特点，高维输入样本不仅会引起SVM训练过程中训练量的增加，同时高维数据还会导致冗余属性信息的干扰，因此，有必要对采煤机故障检测数据进行特征提取处理。PCA分析方法是一种多元的统计学方法，其可将降维对象的多个属性特征参数转化为低维的几个不相关的主成分，进而实现数据的降维处理。

设ix为特征属性指标，总体的协方差矩阵为为Σ的特征根，为其所对应的单位化正交的特征向量，那么可以求取其第i个主成分为：

1.3 交叉验证参数优化理论

在SVM模型的建立过程中，惩罚因子C和核函数参数g的取值对SVM分类结果的准确度起到重要的决定作用。关键参数选取问题为一优化问题，采用交叉验证方法则可在一定程度上获得最优参数，提高预测结果的准确度。交叉验证方法为一种统计分析方法，其优化过程为：将原始样本数据一部分分为训练集，一部分分为测试集，首先将惩罚参数C和核函数参数g在一定网格范围内搜索取值，之后对于取定的C和g，在该组参数下进行SVM模型建立并对测试数据进行检验，多次检验后获得使测试集分类准确率率最高的那组参数（C和g）作为最佳参数，从而实现优化SVM模型建立的目的。

2 采煤机智能故障诊断试验研究

2.1 故障诊断检测模型建立流程

本文建立基于优化SVM的采煤机故障诊断模型建立流程如下：

Step1：分析总结采煤机常见故障类型及故障征兆特征数据库，选取90组样本数据作为故障诊断模型建立样本；

Step2：采用PCA方法对采煤机故障特征数据进行降维处理，实现有效特征数据的提取；

Step3：选取45组样本数据作为训练样本，应用该样本进行基于SVM的采煤机故障诊断模型训练和建立；

Step4：对决定SVM识别模型准确度的模型参数（惩罚因子C和核参数g）采用交叉验证理论进行网格化搜索，获取最优的模型参数；

Step5：采用剩余45组样本数据作为测试样本对所建立的SVM采煤机故障诊断模型性能进行评价；

Step6：在上述优化SVM模型建立基础之上，对比采用BP神经网络所建立采煤机故障诊断模型性能，验证SVM模型的优越性。

2.2 故障特征参数提取

本文对目前常用的MG300/710-WD型电牵引采煤机进行故障诊断分析，常见故障主要有牵引部的主泵站故障，液压马达故障和辅助液压系统故障。主泵站工作运行状况可以通过牵引部补油压力和辅助泵压力变化进行判别，油泵马达发生故障时可通过出油管流量差进行识别，辅助液压系统故障可以通过辅助泵压力以及摇臂的升降时间进行识别，同时，供水量和压力等参数同样是分析采煤机故障的参数。

图1 PCA降维数据Fig.1 Data after reducing dimension with PCAmethod

根据上述对采煤机常见故障和故障表现特征的分析，确定采用主泵故障，液压马达故障和辅助液压系统故障构成是被框架：，根据采煤机的主要发生故障时仪表监测数据特征，本文采用以下6组征兆作为采煤机故障识别特征：采煤机空载补油压力（MPa）、辅助泵压力（MPa）、出油管流量差（L/Min-1）、摇臂时间（Min）、冷却水压力（MPa）、冷却水流量（L/Min）。故障征兆特征向量分别为：，通过采煤机的历史故障特殊数据库，每组故障特征选取30组数据总共90组典型故障样本作为SVM模型建立样本数据库，如表1所示。

对表1数据采用PCA方法进行SVM输入数据的预处理，通过本征维数估计确定，样本本征维数为3维，采用PCA方法进行降维后的数据如图1所示。通过图1可以看出PCA降维后数据在3维空间内可以区分实现了故障特征参数的提取。

2.3 支持向量机模型建立及参数优化

本文对故障特征数据数据库中选取45组特征向量作为训练样本建立SVM采煤机故障识别模型，文在SVM模型参数优化过程中将模型关键参数（惩罚因子C和核参数g）进行离散化查找，设置C和g的查找范围为2-10到210

通过交叉验证方法进行网格搜索后的最优结果为：惩罚因子C=2.42，核参数g=0.43。在此组参数下经过优化的SVM训练模型准确率为98%。

2.4 采煤机故障诊断结果及分析

将剩余45组采煤机故障样本特征向量作为测试样本输入到已经建立SVM采煤机故障诊断模型当中，检验模型的范化能力，同时由于核函数在SVM模型建立过程中同样起到了决定型的作用，因此本文对目前常用的四种核函数构建的SVM进行对比，其实验结果如图2所示。实验结果表明，在采用RBF核函数下的SVM模型识别结果的准确率最高为91%，表明采用SVM方法建立的采煤机故障诊断模型具有较高的准确率。

图2 识别结果Fig.2 Result of identification

图3 对比实验结果Fig.3 Experimental result of comparison

为了验证PCA法对采煤机故障特征提取的有效性，本文还对未降维数据带入模型进行训练分析，同时还将SVM实验结果与BP神经网络实验结果进行对比，其对比结果如图3所示。从图3可以看出，采用PCA降维处理后的识别结果准确度优于未进行降维处理过程样本，且模型建立过程所用时间明显低于未降维过程。说明采用PCA方法可以有效的进行目标特征提取提高模型识别精度的同时可以有效节省模型建立所需时间。对比采用优化的SVM模型和BP神经网络识别结果表明：在模型识别准确度和建模时间上都优于BP神经网络算法。因此说明，采用优化的SVM算法可以作为一种优秀的采煤机故障智能诊断方法。

3 结论

本文提出了一种优化的SVM分类识别方法进行采煤机故障诊断技术研究，并通过实验进行验证，实验结果表明，采用PCA方法可以有效进行采煤机特征参数的提取，同时可减小模型建立所需时间，交叉验证方法可以有效进行SVM模型关键参数的最优识别，提高模型的准确性。对比BP神经网络方法，SVM在小样本条件下根据有更好的识别率和推广能力。因此采用优化的SVM方法可以有效进行采煤机故障诊断技术研究。

［1］胡俊，张世洪，汪崇建.采煤机故障诊断技术现状及其发展趋势［J］.煤矿机械，2008（9）：8-11

［2］赵丽娟，马联伟.薄煤层采煤机可靠性分析与疲劳寿命预测［J］.煤炭学报，2013（7）：1287-1292

［3］程慧琴.运用Fuzzy数学对采煤机故障诊断的研究［J］.煤矿机械，2013（12）：244-246

［4］罗芳琼.基于RBF神经网络的连续采煤机故障诊断研究［J］.煤矿机械，2013（5）：297-299

［5］白鹏，张喜斌，张斌.支持向量机理论及工程应用实例［M］.西安：西安电子科技大学出版社，2008

［6］Cortes C，Vapnik V N.Support-vector networks［J］.Machine Learning（International），1995（20）：273-297

Breakdown Diagnosis of Coal Excavator Based on Optimized Support Vector Machine

LIU Chong
Hebei Finance University，Baoding 071051，China

In order to research on breakdown diagnosis of coal excavator，this paper proposed an optimal support vector machine（SVM）model for it.Firstly the principal component analysis（PCA）was adopted to extract the breakdown characteristic parameters of coal excavator.Secondly the breakdown characteristic data was applied to the breakdown diagnosis model training based on SVM using the cross validation method to optimize the parameters of SVM，and establishing the optimal SVM model for coal excavator breakdown diagnosis.At last，with comparing experiment，the experimental result showed that the optimized SVM breakdown diagnosis model of coal excavator was feasible and advantageous.

Coal excavator；Support Vector Machine；Principal ComponentAnalysis；cross validation；breakdown diagnosis

TD82

A

1000-2324（2015）01-0132-04

2013-03-22

2013-03-28

河北省社会科学基金年度项目（HB13GL041）；河北省重点发展学科计算机应用技术（冀教高HB201406）

刘冲（1982-），男，河北保定人，满族，硕士，讲师.研究方向：信息管理.E-mail：lc2037612@sina.com