获取了灰度图形的特征向量以后，就可以训练和测试基于类识别率排序的二叉树SVM分类器了。Vapnik等人的研究表明，SVM的性能与所选用的核函数类型关系不大，而核参数和误差惩罚因子 则是影响SVM性能的主要因素。在常用的核函数之中，RBF核应用最为广泛，具有较宽的收敛域，是较为理想的分类核函数。因此本文使用RBF核作为支持向量机的特征映射函数，所使用RBF核的表达式为 ，并使用交叉验证方法选择最优的RBF核函数参数 和惩罚系数分别为=2.5， 。首先提取6种不同工况下训练样本的振动谱时频图像不变矩特征并计算每个特征参数在各个工况(正常或具体的故障状态)下的[5%～95%]置信区间，然后计算第 个特征对工况 的类识别率，并以此为基础对各类样本的类识别率进行排序，指导二叉树SVM多分类器的构造，训练基于类识别率排序的二叉树SVM分类器，在此基础上，对测试样本进行诊断测试，分类结果见表3。
表3基于类识别率排序的二叉树SVM测试分类结果( ; )
Table3TestclassificationresultofbinarySVMbasedonrecognitionratesrank(;)
|
实际样本类
|
各工况样本诊断结果归属情况
|
正确率%
|
错误率%
|
|
工况1
|
工况2
|
工况3
|
工况4
|
工况5
|
工况6
|
|
工况1
|
35
|
0
|
0
|
0
|
0
|
0
|
100
|
0
|
|
工况2
|
0
|
35
|
0
|
0
|
0
|
0
|
100
|
0
|
|
工况3
|
0
|
0
|
35
|
0
|
0
|
0
|
100
|
0
|
|
工况4
|
0
|
0
|
1
|
34
|
0
|
0
|
97.14
|
2.86
|
|
工况5
|
0
|
0
|
0
|
0
|
35
|
0
|
100
|
0
|
|
工况6
|
0
|
0
|
0
|
2
|
0
|
33
|
94.28
|
5.72
|
从表3的测试分类结果可以看到，使用内燃机振动谱时频图像的不变矩组成特征向量时，工况1、2、3、5被改进后的二叉树SVM多分类器全部识别成功，在进气门间隙过小、排气门间隙过大工况下出现了1组误判，在进气门间隙过小、排气门漏气工况下出现了2组误判，其余全部正确识别，训练所得二叉树SVM多分类器模型的总体诊断正确率为98.57%，这充分说明了本文所使用故障诊断方法的有效性。这里的误判可能是由于采集内燃机缸盖振动信号时各种干扰因素造成的数据不准确，实际应用中可将其作为粗大数据剔除，以减少误判率。
3结论
（1）内燃机在不同工况下，其振动信号具有不同的振动信息，其振动信号显示在时间——频率平面上具有不同的时频分布，利用这种性质可从时频分布图中提取有利于内燃机工况识别的有效图像特征。为了充分提取基于内燃机振动信号形成的振动谱时频图像的二维时频信息，实现基于内燃机振动谱时频图像特征的自动提取及识别，提出了一种基于EMD-WVD振动谱时频图像SVM识别的内燃机故障诊断新方法。
（2）为了研究信号时频行为对不变矩特征的影响进行了仿真试验，当仿真信号时频分布形状发生变化，从信号时频分布图中提取的不变矩特征也不同。仿真信号的时频行为对不变矩特征的影响分析说明了提取内燃机振动信号EMD-Wigner-Ville振动谱时频图的不变矩特征是可行的。
（3）如果训练样本排列方式不对则会引起SVM严重的误差累积效应，进而导致不同的推广性能，针对二叉树多分类SVM算法存在的训练样本排列方式不同会得到不同分类模型的不足，提出了一种基于类识别率排序的二叉树SVM分类器。
（4）在BF4L1011F型内燃机上进行了6种不同工况的气门故障模拟试验，并将EMD-Wigner-Ville方法应用到内燃机缸盖振动信号的分析中，结果表明其形成的振动谱时频图像可以有效地揭示出内燃机的缸盖振动特征信息，同时利用内燃机振动谱时频图像的不变矩组成特征向量，训练所得二叉树SVM多分类器模型的总体诊断正确率为98.57%，说明了所提方法的有效性。
参考文献
1 Kim YH.Fault detection in a ball bearing system using a moving window[J].Mechanical Systems and Signal Processing,1991,5(6): 461-473.
2 Bahman Samin and Giorgio Rizzoni.Engine knock analysis and detection using time-frequency analysis[J].SAE Paper 960618, 764-769.
3 Xiao J,Flandfin P.Muhitaper time-frequency reassignment for nonstationary spectrum estimation and chirpenhancement[J].IEEE Transactions on Signal Processing,2007,55(6):285l-2860.
4 毛永芳,秦树.重分配谱图和多窗谱在机械故障诊断中的应用[J]. 振动与冲击,2009, 28(1):161-165.
5 Bo Lin, Qin Shuren, Liu Xiaofeng. Theory and Application of Wavelet Analysis Instrument Library [J]. Chinese Journal ofMechanical Engineering (English Edition), 2007, 19 (3):464-467.
6 Smith Cary, Akujuobi C M, et al. An approach to vibration analysis using wavelets in an application of aircraft health monitoring[J]. MechanicalSystems and Signal Processing,2007,21:1255-1272.
7 郝志华,马孝江.高阶非线性时频表示在故障特征提取中的应用[J].农业机械学报,2005,37(2):106-109.
8 王珍.马孝江.局域波时频法在柴油机缸套活塞磨损诊断中的应用研究[J].内燃机学报,2002,20(2):157-160.
9 蔡艳平,李艾华,王涛,姚良,许平.基于EMD-Wigner-Ville的内燃机振动时频分析[J].振动工程学报,2010,23(4):430-437.
10 张贤达,保铮. 非平稳信号分析与处理[M].北京:国防工业出版社,1998.
11 翟俊海,赵文秀,王熙照.图像特征提取研究[J].河北大学学报(自然科学版),2009,29(1):106-112.
12 张媛,程万胜,赵杰.不变矩法分类识别带钢表面的缺陷[J].光电工程,2008,35(7):90-94.
13 付波,周建中,彭兵,等.基于仿射不变矩的轴心轨迹自动识别方法[J].华中科技大学学报(自然科学版),2007,35(3):119-122.
14 Hu M K. Visual pattern recognition by moment invariants[J]. IEEE transactions on Information theory.1962,2(8):179-187
15 M.K.Yanni,The Influence of Thresholding and Spatial Resolution Variations on the Performance of theComplex Moment Descriptor Feature Extraction[D]. PhD Thesis of The University of Kent,1995.
16 姚 良, 李艾华, 张振仁. 用于内燃机振动诊断的一种特征参数选取方法[J]. 内燃机工程, 2009, 30(4): 74-77.
17 Vapnik V.N. The Nature of Statistical Learning Theory [M]. NY: Springer-Verlag, 1995
18 林升梁, 刘志. 基于RBF核函数的支持向量机参数选择[J]. 浙江工业大学学报,2007, 35(2): 163-167. 4/4 首页 上一页 2 3 4 |
