采用SVM的磨粒分类识别方法研究

现代制造工程２０１０年第１期制造技．术／工艺装备

采用ＳＶＭ的磨粒分类识别方法研究

余志红１，王锐２

（１中国劳动关系学院安全工程系，北京１０００４８；２中石化石油勘探开发研究院，北京１０００８３）

摘要：为克服传统磨粒识别分类器训练时需要大量特征样本的缺点，设计一种基于多元支持向量机（Ｍｕｌｔｉ．ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，Ｍｕｌｔｉ－ＳＶＭ）的磨粒识别分类器。支持向量机（ＳＶＭ）是一种新的机器学习方法，在小样本和高维二元分类方面有非常突出的优点。实验证明，依据此优点设计的多元支持向量机磨粒分类器模型，不仅可以在小样本情形下对模型进行快速训练，而且可以快速识别多种磨粒类型，同时识别率也比传统的神经网络方法有较大提高，从而达到了提高设备监测和故障诊断效率的目的。

关键词：多元支持向量机；磨粒识别；分类器；小样本

中图分类号：ＴＨｌｌ７．１；ＴＰ３９１文献标识码：Ａ文章编号：１６７ｌ－３１３３（２０１０）０ｌ－－－００７８—０４

Ｄｅｂｒｉｓｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｍｕｌｔｉ－ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ

ＹＵＺｈｉ—ｈｏｎ９１．ＷＡＮＧＲｕｉ２

（１ＤｅｐａｒｔｍｅｎｔｏｆＳａｆｅｔｙＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＩｎｓｔｉｔｕｔｅｏｆＩｎｄｕｓｔｒｉａｌＲｅｌａｔｉｏｎｓ，Ｂｅｉｊｉｎｇ１０００４８，Ｃｈｉｎａ；

２ＥｘｐｌｏｒａｔｉｏｎａｎｄＰｒｏｄｕｃｔｉｏｎＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆｏｒｓｏｌｖｉｎｇｔｈｅｄｅｆｅｃｔｏｆｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｃａｔｏｒｙｗｉｔｈｍａｎｙｓａｍｐｌｅｓ，ａｎｅｗｃｌａｓｓｉｆｉｃａｔｏｒｙｒｅｃｏｇｎｉｚｉｎｇｄｅｂｒｉｓｂａｓｅｄｏｎＭｕｌｔｉ－ＳＶＭ（Ｍｕｌｔｉ—ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）ｉｓｐｒｏｐｏｓｅｄ．ＳＶＭｉｓａｎｅｗｍａｃｈｉｎｅｓｔｕｄｙｍｅｔｈｏｄｗｈｉｃｈｈａｓｅｘｃｅｌｌｅｎｔａｄｖａｎｔａｇｅｓｉｎｓｍａｌｌ－ｓａｍｐｌｅａｎｄｍｕｌｔｉ－ｄｉｍｅｎｓｉｏｎｂｉｎａｒｙｃｌａｓｓｉｆｉｃａｔｉｏｎ．ＴｈｅｎｅｗＭｕｌｔｉ—ＳＶＭｃｌａｓｓｉｆｉｃａｔｏｒｙｃａｒｌｂｅｓｔｕｄｉｅｄｉｎｆｅｗｓａｍｐｌｅｓｒａｐｉｄｌｙｔＯｒｅｃｏｇｎｉｚｅｓｅｖｅｒａｌｋｉｎｄｓｏｆｎｅｗｄｅｂｒｉｓ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｅｄｔｈａｔｒｅｃｏｇｎｉｚｉｎｇｃｏｒｒｅｃｔｒａｔｅｉｎｃｒｅａｓｅｄｍｏｒｅｇｒｅａｔｌｙｃｏｍｐａｒｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌＢＰ

ｍｅｔｈｏｄ．

Ｋｅｙｗｏｒｄｓ：Ｍｕｌｔｉ－ＳＶＭ（Ｍｕｌｔｉ－ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）；ｄｅｂｒｉｓｒｅｃｏｇｎｉｔｉｏｎ；ｃｌａｓｓｉｆｉｃａｔｏｒｙ；ｆｅｗｓａｍｐｌｅｓ

０引言

铁谱技术是以磨损磨粒分析为基础的诊断技术。实践证明，它是机械设备磨损工况监测与故障诊断最为有效的方法之一，已经在工程机械诊断领域得到较为广泛的应用¨Ｊ。而磨粒识别又是铁谱分析的关键环节，也是铁谱技术区别于其他诊断技术的突出特点。

近年来，基于神经网络，专家系统等模式识别方法得到了较快的发展和应用心’３］，但大多数识别系统学习训练时需要大量的特征样本，费时费力。

支持向量机（ＳＶＭ）是一种新的机器学习方法，它可以较好地解决非线性数据的分类问题，在小样本和二元分类方面有非常突出的优点。

本文在分析了支持向量机的特点后，提出一种基于多元支持向量机（Ｍｕｌｔｉ—ＳＶＭ）的磨粒识别分类方法，可以在较少样本前提下完成对分类器的学习训练工作，精简了磨粒特征参数而又不损失必要信息，提７８高磨粒识别效率，从而达到提高设备监测和故障诊断效率的目的。

１磨粒特征描述及提取

１．１磨粒特征描述及分类

磨粒是设备内部磨损状况（程度、部位和类型）的重要信息载体，其形态特征（包括形状、表面纹理、边缘细节、厚度和颜色等）是判断机械设备磨损状况的重要依据。

根据其形态特征和产生机理可以把磨粒分为正常滑动磨粒、重度滑动磨粒、层状磨粒、切削磨粒、球状磨粒、疲劳剥块、红色氧化物和黑色氧化物八大类。有关设备磨损及磨粒形成机理的大量研究表明，不同的磨损状态和类型会产生不同的磨粒，并各自具有相对固定的形态特征，例如，正常滑动磨粒是设备正常滑动磨损的结果，是由切混层疲劳剥离产生的，其形态通常为薄片状，长度为０．５—１５１ｘｍ；当接触表面应力过高而出现严重滑动磨损时就会产生重度滑动磨

万方数据