基于支持向量机的贯流风叶叶片粘连缺陷诊断

李健坤，宋寿鹏，李建平，李 翔，丁 楠

(1.江苏大学 机械工程学院，江苏 镇江 212013；2.中山市朗迪电器有限公司，广东 中山 528427)



基于支持向量机的贯流风叶叶片粘连缺陷诊断

李健坤1，宋寿鹏1，李建平2，李 翔1，丁 楠1

(1.江苏大学 机械工程学院，江苏 镇江 212013；2.中山市朗迪电器有限公司，广东 中山 528427)

为了提高贯流风叶叶片粘连缺陷诊断的准确率和鲁棒性，提出了一种基于支持向量机的贯流风叶叶片粘连缺陷诊断方法。该方法以线性核函数为内积核函数，在追求分类间隔最大化的前提下，建立了叶片粘连缺陷诊断数学模型。仿真和实际测试结果表明，即使在使用较少的训练样本的情况下，该模型仍能达到较高的叶片粘连缺陷诊断率，效果优于传统的诊断方法，为贯流风叶叶片粘连缺陷诊断提供了新的途径。

贯流风叶；粘连；支持向量机；核函数；数学模型；诊断

贯流风叶是空调、空气净化器等风力输送设备的重要组成部件，由单节风叶轮经过超声波焊接机焊接而成[1]。在焊接过程中由于风叶轮首尾对接不准确、工艺参数的浮动等原因易造成叶片粘连缺陷。而有缺陷的风叶会严重影响风能的输送效率及风力输送设备的噪声水平[2-3]。企业在生产的过程中需要将这些出现质量问题的贯流风叶从合格品中分离出来。目前采用的诊断方法主要是人工目视检测，这种方法易造成漏检。前期开发的红外诊断装置根据统计的数据设置阈值进行分类，这种方法是基于经验风险最小化的传统识别方法[4]，在诊断新产品时会出现识别率低和和鲁棒性差的问题，限制了贯流风叶缺陷诊断技术的发展。

支持向量机(Support Vector Machine，SVM)是近十几年发展起来的一种人工智能的机器学习新方法[5]，其是建立在统计学习理论的VC维理论(由Vapnik和Chervonenkis提出)和结构风险最小原理基础上[6]，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以获得最好泛化能力的机器学习方法，通过对已有样本的学习来建立模型，对未知样本进行预测。其能较好地解决小样本、非线性、高维数和局部极小点等问题[5]。已应用于模式识别、故障诊断和函数拟合等领域[7]，表现出良好的性能。针对诊断贯流风叶叶片粘连缺陷时存在的问题，本文提出基于SVM的贯流风叶叶片粘连缺陷诊断方法。该方法以线性核函数为内积核函数，根据少量样本训练出诊断模型，实现对贯流风叶叶片粘连缺陷的诊断，在小样本量下仍能得到良好的缺陷诊断效果。

1 支持向量机原理及算法

基于支持向量机的贯流风叶叶片粘连缺陷诊断方法的思想是将风叶粘连的特征通过某种关系映射到高维空间中，在此高维空间中寻求即可准确分类又能使分类间隔最大化的最优分类面。

贯流风叶训练样本集为(Xi,yi)，i=1,2,…,n，X∈Rt，y∈{1,-1}；其中，n为样本个数；t为每个样本维数；Xi为贯流风叶特征向量；y为有无缺陷标示符号(y=1，表示无缺陷；y=-1，表示有缺陷)，则其在高维空间的分类面方程为W·Φ(Xi)+b=0，此时分类面要满足

yi(W·Φ(Xi))+b-1+θi≥0

(1)

其中，W为分类面系数向量；Φ(Xi)映射函数；b为常量；θi≥0为松弛因子。

寻求最优分类面问题可转换为在条件(1)的约束下，求下列函数最小值的解问题

(2)

(3)

其中，0≤ai≤C为拉格朗日乘子。

通过映射使在原空间不易分类问题转化为在高维空间容易分类的问题。但高维空间的维数随着原空间维数的增加而大幅增加，会引起维数灾难，引入支持向量机核函数能巧妙的解决这一问题[11]。

核函数K(Xi,Xj)=(Φ(Xi),Φ(Xj))代入式(3)则有

(4)

(5)

2 贯流风叶叶片粘连缺陷诊断模型

由于选用线性核函数时建立的模型诊断效果最优。故本诊断系统采用线性核函数

K(Xi,Xj=Xi·Xj)

(6)

(6)

式中，Z为待测贯流风叶样本向量；Zj为待测样本中的一个参数；c*为权值向量，如表1所示；b*=3.171 328。

表1 权值

注：参数由360个训练样本得到

当f(Z)输出为1时，贯流风叶无叶片粘连缺陷；输出为-1时，有缺陷。

3 实验与结果分析

为验证模型的诊断效果，文中在自行设计的贯流风叶缺陷诊断系统上进行了测试与分析。缺陷诊断系统功能框图如图1所示，实物如图2所示。

图1 贯流风叶缺陷诊断系统功能框图

缺陷诊断模型参数由训练样本训练得到。选取40个产品作为检验样本，将测得数据代入缺陷诊断模型，得到测试结果如表2所示。由表2可得，基于支持向量机的贯流风叶叶片粘连缺陷诊断方法能全部诊断出贯流风叶存在的缺陷。

图2 诊断系统实物图

表2 识别结果

实验中，为了验证训练样本数量对诊断结果的影响，文中分别用不同的训练样本数对传统识别方法与本论文提出的方法进行了对比实验，结果如表3所示。由表3可得，随着训练样本的减少，传统诊断方法的诊断准确率大幅下降；而本文提出的方法仍保持很高的准确率。这一结果表明传统诊断方法的诊断结果受训练样本的数量影响较大，而基于SVM的贯流风叶缺陷诊断方法在小样本下仍能保持良好的性能。

表3 SVM与传统诊断方法对比实验结果

通过与传统方法对比知，基于支持向量机的贯流风叶缺陷诊断方法能够明显提高叶片粘连缺陷诊断准确率；当训练样本较少时，仍能保持较高的诊断准确率，可大幅减少用于建模的数据量；其性能明显优于传统诊断方法。

4 结束语

本文结合贯流风叶叶片粘连缺陷的特点及支持向量机原理，提出了基于支持向量机的贯流风叶叶片粘连缺陷诊断方法，建立了诊断数学模型，通过实验验证了该方法的可行性，并与传统的缺陷诊断方法进行了对比实验。实验表明，该方法具有算法简单、诊断能力强、在小样本情况下仍能保证高准确率等优点，有效提高了贯流风叶缺陷诊断的准确率和鲁棒性。为贯流风叶缺陷诊断提供了新的途径。

[1] 陈源,丁斌.贯流风叶超声波焊接机的自动化[J].现代机械,2015(1):15-17.

[2] 黄美玲.贯流风叶叶片变形对噪声的影响及其控制[J].家电科技,2010(5): 70-72.

[3] 徐文,叶世栋.贯流风扇缺陷自动检测系统的设计[J].机电工程技术,2012, 41(5):34-38.

[4] 杜树新,吴铁军.模式识别中的支持向量机方法[J].浙江大学学报:工学版, 2003,37(5):521-527.

[5] 杨淑莹,张桦.模式识别与智能计算—Matlab技术实现[M].3版.北京:电子工业出版社,2015.

[6] 边肇祺,张学工.模式识别[M].2版.北京:清华大学出版社,2000.

[7] Omar Youssef.An optimised fault classification technique based on support-vector-machines[C].CA,USA:IEEE Power Systems Conference and Exposition, ’09.IEEE/PES, 2009.

[8] 齐丽彬,刘晓义.基于支持向量机的模拟电路故障诊断研究[J].自动化仪表,2008,29(9):6-9.

[9] 张周锁,李凌均,何正嘉.基于支持向量机的机械故障诊断方法研究[J].西安交通大学学报,2002,36(12):1303-1306.

[10] 齐岩磊,陈娟,杨祺,等.基于SVM 的葛根素提取软测量系统的设计[J].电子测量与仪器学报,2012,26(8):726-731.

[11] 刘清坤,阙沛文,宋寿鹏.基于支持向量机的石油管线缺陷识别方法研究[J]. 传感器技术,2005,24(3):30-34.

Diagnosis of Cross-flow Fan Leaf Blade Adhesion Defects Based on Support Vector Machine

LI Jiankun1, SONG Shoupeng1, LI Jianping2, LI Xiang1, DING Nan1

(1. School of Mechanical Engineering, Jiangsu University, Zhenjiang 212013, China;2. Zhongshan Langdi Electronic Limited Company, Zhongshan 528427, China)

A defects diagnosis method based on support vector machine is proposed for better accuracy and robustness of cross-flow fan leaf blade adhesion defects diagnosis. The linear kernel is used as the inner product kernel function. The mathematical model of cross-flow fan leaf blade adhesion defects diagnosis is established under the premise of pursuing maximum interval in classification. The simulation and actual test results show that the model reaches a higher accuracy of leaf blade adhesion defects diagnosis even with less training samples and has better performance than the traditional defects diagnosis methods.

cross-flow fan; adhesion; support vector machine; kernel function; mathematical model; diagnosis

2016- 01- 23

李健坤(1989-)，男，硕士研究生。研究方向：工业智能化在线检测与技术及设备。宋寿鹏(1967-)，男，博士，教授。研究方向：超声波检测新原理及检测设备，现代信号处理等。

10.16180/j.cnki.issn1007-7820.2016.11.043

TP277；TP

A