（机械工程专业论文）基于人工嗅觉的装备故障信号分析方法研究.pdf

国防科学技术犬学研究生院i ：稗硕十学位论文 摘要 在现实生活中以及工农业生产中，不少产品质量的检验检测都是靠人的嗅觉 来完成，包括酒类、烟草业、化妆品、饮料等；而人的嗅觉由于本身的结构功能 限制，对一些气味的检测存在局限性，不能很好地完成某些气味的辨识。人工嗅 觉及电子鼻技术是近年来兴起的一种热门技术，它把传感器阵列、信号处理和模 式识别结合在一起，模拟人的嗅觉系统，能够较好地完成气味的辨识工作，在工 农业生产中发挥了很大的作用，特别是在装备的故障检测中有很好地应用自 景。 信号处理和模式识别是人工嗅觉系统的重要组成部分，它起着对气味进行辨 识分类的作用。目前国内外在模式识别方面主要采用传统的模式识别方法或几种 方法相结合，支持向量机方法在人工嗅觉中，特别是在装备故障检测方面应用还 比较少。支持向量机是一种较新的分类和回归算法，在某些方面有很大的优势， 包括：能较好地解决小样本学习问题；具有良好的泛化能力；很大程度上可以解 决过学习问题和局部极小值问题；很好地解决非线性问题等。因此应用支持向量 机对基于人工嗅觉的装备故障数据分析有很大的帮助，可以更好地提取数据中的 有用信息，提高装备故障诊断的准确率。 为此，本文结合装备故障检测的需求，研究装备故障信号的分析方法，主要 内容包括： ( 1 ) 研究了人工嗅觉在装备故障检测中的背景和意义，详细介绍了人工嗅觉中 模式识别方法的研究现状，以及支持向量机的应用研究现状。 ( 2 ) 介绍了主成分分析技术和偏最小二乘法的基本原理和算法步骤，并利用甘 草样本对两种方法进行了验证。 ( 3 ) 介绍了支持向量机方法的基本原理和算法步骤，并对提取的甘草样本主成 分进行了分类验证，能较好地将三种甘草样本区分开来。 ( 4 ) 利用主成分分析和支持向量机，对油液电子鼻检测分析实验系统采集的柴 油和柴油机机油数据进行了分类验证，取得了较好的分类效果。 结果表明，在基于人工嗅觉的装备故障检测中运用主成分分析和支持向量 机作为信号分析的方法是有效的，有较好的应用前景。 主题词：人工嗅觉；信号分析；模式识别：主成分分析；支持向量机 第i 页 国防科学技术大学研究生院l ：科硕+ 学位论文 a b s t r a c t i nr e a l l i f e ，i n d u s t r ya n da g r i c u l t u r e ，m a n yp r o d u c tq u a l i t yi n s p e c t i n gd e p e n do n m a n so l f a c t o r y ，i n c l u d i n gw i n e ，t o b a c c o ，c o s m e t i c ，b e v e r a g ea n ds oo n h o w e v e r c o n f i g u r a t i o na n df u n c t i o no fm a n so l f a c t o r ya r el i m i t e df o rs o m es m e l l ，i td o e s n t r e c o g n i z et h e s es m e l lw e l l a r t i f i c i a lo l f a c t o r ya n de l e c t r o n i cn o s ea r ep o p u l a r t e c h n o l o g yi nr e c e n ty e a r s i tc a nr e c o g n i z es m e l lw e l l ，w h i c hc o m b i n e ss e n s o ra r r a y ， s i g n a lp r o c e s s i n ga n dp a r e r nr e c o g n i t i o nt os i m u l a t em a n so l f a c t o r y a r t i f i c i a l o l f a c t o r yh a sg r e a te f f e c ta n df o r e g r o u n di ni n d u s t r ya n da g r i c u l t u r e ，e s p e c i a l l yi n e q u i p m e n tf a u l td e t e c t i o n s i g n a lp r o c e s s i n ga n dp a a e mr e c o g n i t i o nw h i c hr e c o g n i z e ss m e l la r ei m p o r t a n t p a r t so fa r t i f i c i a lo l f a c t o r y a tp r e s e n tp a t t e r nr e c o g n i t i o nt e c h n o l o g yi sc o m p o s e do f s o m et r a d i t i o n a lm e t h o d so rc o m b i n eo fs o m em e t h o d s s u p p o r tv e c t o rm a c h i n e ( s v m ) m e t h o df e w e ra p p l i e st oa r t i f i c i a lo l f a c t o r y ，e s p e c i a l l ye q u i p m e n tf a u l td e t e c t i o n s v m i san e wc l a s s i f i c a t i o na n dr e g r e s s i o na l g o r i t h m ，i th a sg r e a ta d v a n t a g e ，i n c l u d i n g s o l v i n g s m a l l s a m p l e sl e a r n i n gp r o b l e m ，h a v i n gg o o dg e n e r a la b i l i t y ，s o l v i n g e x c e s s i v e l yl e a r n i n gp r o b l e ma n dp a r t i a lm i n i m u mp r o b l e mi ns o m ed e g r e e s o a p p l y i n gs v m t oe q u i p m e n tf a u l td e t e c t i o nb a s e do na r t i f i c i a lo l f a c t o r yh a sm a n y h e l p i tc a np r e f e r a b l yd r a wu s e f u li n f o r m a t i o no fd a t at oe n h a n c ea c c u r a t er a t eo f e q u i p m e n t f a u l td e t e c t i o n f o rt h i sr e a s o n ，f o c u s e do ne q u i p m e n tf a u l td e t e c t i o n ，t h ea n a l y s i sm e t h o do f e q u i p m e n tf a u l ts i g n a li ss t u d i e d t h em a i nc o n t e n t so ft h et h e s i si n c l u d e ： ( 1 ) t h eb a c k g r o u n da n dm e a n i n go fa r t i f i c i a lo l f a c t o r yi ne q u i p m e n tf a u l td e t e c t i o n a r es t u d i e d ，t h ep r e s e n tc o n d i t i o no fp a t t e r nr e c o g n i t i o nm e t h o do na r t i f i c i a lo l f a c t o r y a n ds v ma r ei n t r o d u c e di nd e t a i l i nt h et h e s i s ( 2 ) t h ep r i n c i p l ea n da l g o r i t h mo fp r i n c i p a lc o m p o n e n ta n a l y s i s ( p c a ) a n dp a r t i a l l e a s ts q u a r e ( p l s ) m e t h o da r ei n t r o d u c e d ，t h et w o a l g o r i t h m sa l ev e r i f e db yl i q u o r i c e s s a m p l e s ( 3 ) t h ep r i n c i p l ea n da l g o r i t h mo fs v mi si n t r o d u c e d t h es v mi sv e r i f i e db y c l a s s i f yt h ep r i n c i p a lc o m p o n e n to fl i q u o r i c e s ，a n dt h es a m p l e sc a nb ep r e f e r a b l y c l a s s i f i e d ( 4 ) t h ed i e s e lo i la n de n g i n eo i lc o l l e c t e db yo i le l e c t r o n i cn o s es y s t e ma r ev e r i f i e d b yp c a a n ds v m t h er e s u l ts h o w si th a sag o o dp e r f o r m a n c e a sar e s u l t ，i ne q u i p m e n tf a u l td e t e c t i o nb a s e do na r t i f i c i a lo l f a c t o r y ，a p p l y i n g p c aa n ds v mt ot h es i g n a la n a l y s i sh a sg o o de f f e c ta n d f o r e g r o u n d k e yw o r d s ：a r t i f i c i a lo l f a c t o r y ；s i g n a la n a l y s i s ；p a t t e r nr e c o g n i t i o n ； p r i n c i p a lc o m p o n e n ta n a l y s i s ；s u p p o r tv e c t o rm a c h i n e 第i i 贞 国防科学技术火学研究生院j ￥硕十学位论文 表目录 表2 1 样本数据矩阵和它的主成分矩阵。ll 表2 2 甘草样本协方差矩阵特征向量13 表2 3 甘草样本的主成分1 4 表3 1 样本主成分_ 2 4 表3 26 组测试样本的分类结果2 5 表3 31 2 组测试样本的分类结果2 5 表4 1 柴油和柴油机机油样本主成分4 0 表4 28 组训练样本4 l 表4 34 组测试样本分类结果4 2 第1 i i 页 国防科学技术人学研究生院i ：样硕十学位论文 图 目录 图1 1 人类嗅觉与人工嗅觉比较图3 图1 2 电子鼻结构框图4 图2 1 传感器响应曲线12 图2 2 甘草样本主成分图1 4 图2 3p l s 处理甘草样本的残差项长度变化曲线1 8 图3 1 线性可分情况下的分类超平面1 9 图3 2 标准超平面和分类超平面2 0 图4 1 管道始端流体参数变化曲线3 3 图4 2 管道末端流体参数变化曲线3 3 图4 3 瞬态负压波句法模式识别框图3 6 图4 4 人工嗅觉检测实验系统3 6 图4 5 嗅觉检测探头3 6 图4 6 嗅觉检测探头结构示意图3 7 图4 7 抽气装置3 7 图4 8 集成传感器阵列接口图3 7 图4 9 试验用油品3 8 图4 1 0 传感器阵列响应曲线3 9 图4 1 l 柴油信号和柴油机机油信号直方图3 9 图4 1 2 柴油和柴油机机油样本主成分图4 1 第1 v 页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取褥 的研究成果尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他人已经发袭和撰写过的研究成果，趣不包含为获得国防辩学技术大学或其它 教育机构的学位或证书葡使用过妁材料与我一陵工馆围网志对奉研究所敛的任 何贡献均已在论文中俸了明确晦说明并袭示谢意 学位论文题目：基至厶墨嚏霪鳗蕴盆越睦焦曼爱堑焘洼熟窀。 学位论文作者签名：! 型垒丝嚣期： 和。雾年 月z - 7 爨 学位论文版权使用授权书 本人究全了解国防科学技术大学有关保留、使用学位论文鲍规定本人授权 蘧防科学技求大学可以保留弦囱国家褰关部门残枫构送交论文的复印件和电子 文档，允诲论文搜蠢褥和僭阕；可以将学位论文的垒部或部分内容编入有美数据 库进行检索，可以采用影印、缩印或扫描等复翩手段像存、汇编学位论文 保密学位论文在解密后适用本授投书。) 学位论文题露：基至厶墨噻裳鳆墓螽邀隧焦墨佥堑左这鲤塞。 学位论文作者签名：! 查 塞些。嚣期： 2 。一君年f 1 月? - 日 作者指导教师黼：二啦霹期：多彬矽每，弼二7 器 国防科学技术人学研究生院t 稃硕十学位论文 第一章绪论 人类已经进入信息时代，信息的获取、传输和处理成为人类一切社会活动的 中心，与此对应的传感技术、通讯技术和计算机技术则构成了现代信息技术的三 大支柱。作为对气体信息的准确获取和精密检测的手段，人工嗅觉技术受到各国 的重视并因此成为发展迅速的技术之一。 电子鼻作为人工嗅觉技术的重要组成部分，是近年来迅速发展起来的一个研 究领域，它是- 1 q 涉及传感技术、模式识别、电子技术、计算机技术、神经生理 学和数学等的交叉学科，传感器技术和模式识别是其两大基础，电子技术和计算 机技术为其提供了实现手段，神经生理学和数学为其提供了理论基础并指明了发 展方向。电子鼻在食品工业中可用来分析肉类、水果等的新鲜度；在环境监测方 面用于测量电子环境中有害气体的含量，有利于对环境进行保护；在航天工业方 面用于测定航天器中气体的成分和浓度等。而在装备故障检测领域，人工嗅觉技 术引入了新的信息来源，从而为装备故障无损检测引入新的检测手段和方法。 1 1 课题概述 1 1 1 课题来源 本课题来源于部委级预研基金项目“装备故障诊断的新理论新方法研究 。 1 1 2 课题背景和意义 人们都知道，警犬之所以能协助公安人员破案，是因为其嗅觉特别灵敏。许 多哺乳动物的鼻腔内壁上虽然只有大约1 0 0 0 个嗅觉传感器，但它却能辨别出种类 达数以于计的不同气味。在人类的感觉器官中，与其它动物相比，嗅觉是最不灵 敏的。但是在现实生活中，不少行业产品的质量，目前主要是靠人的嗅觉进行判 断的，如酒类、化妆品、烟草、饮料等。这类工作通常需要训练有素，有经验的 专职人员进行。尽管如此，仍不免存在以下几个方面的问题： ( 1 ) 培养一名专职嗅味鉴别人员不仅要投入大量的费用，而且周期很长，没 有相当的经验积累，难以得到可靠的结果。 ( 2 ) 人工鉴别带有很大的主观因素，判断结果随鉴别人员的年龄、性别、识 别能力以及语言表达能力的不同而存在相当大的个体差异。即使同一人员也随其 身体的状况、情绪变化、嗜好的不同而产生不同的结果。 ( 3 ) 嗅觉的鉴别是一种吸入过程，因此长期的工作对身体健康有一定的影响， 第i 页 国防科学技术人学研究生院i ：稃硕十学何论文 尤其是鉴别一些有毒、有害的挥发物时，影u 向更人。 ( 4 ) 某些特别难闻的或者令鉴别人员特别敏感的气味，往往由于得不到仔细 的品闻而使结果有误。 ( 5 ) 人工鉴别的时间不能过长，否则嗅觉敏感度易减退，甚至丧失殆尽。 因此，人类如果打算提高嗅觉能力，就只有依靠现代科学技术的发展。通过 发明用途广泛的“电子鼻”，以代替人的嗅觉器官，自动区分不同气味，完成诸 如产品分类、质量控制和环境安全监测等任务。“电子鼻”不仅在化工、石油、 矿山、航空、航天、交通、环境监测等科学研究部门有着很重要的应用价值，而 且还将在公安、边防部队中发挥越来越重要的作用。因此，研制适合不同行业的 高分辨率计算机气味识别装置不仅是今后计算机技术开发的重要任务，其产品也 具有巨大的市场潜力。 人工嗅觉技术是探索如何模仿生物嗅觉机能的一门学问，它是人类嗅觉的延 伸【l j 。随着社会的发展，人的嗅觉器官在日常生活中的重要性有所下降，但嗅觉在 食品、化工、环境污染检测等方面的重要性却与日俱增。传统的靠人的嗅觉去感 知气体己不能适应生产生活的需要，因此必须借助仪器来检测分析气体，减轻人 的负担，提高检测的准确率。 现代军事理论和高技术战争环境，对武器装备的检测技术提出了越来越高的 要求。现有的基于物理信息的无损检测方法已不能完全满足其要求，而人工嗅觉 为无损检测提供了全新的解决思路。种种迹象表明，可靠的检测技术已经成为装 备状态感知的迫切需要。因而研究仿生检测方法并将其应用于装备状态感知和态 势感知是未来发展的一种必然选择。在生物五大感知行为的仿生方面，视觉与听 觉在2 0 世纪已被征服，触觉也得到了很好研究，唯独嗅觉和味觉传感至今未得到 较好解决。缓慢发展的嗅觉传感技术与日益迫切的军事需求严重脱节。显然，传 统的检测方法无法完成现代的检测任务，因此有必要引入人工嗅觉技术。 第一台商业化的“电子鼻”于1 9 9 4 年诞生。电子鼻是一种包含电化学传感器 阵列的具有部分专一性、以及恰当的模式识别系统的专门仪器，具有人工智能的 特点。如图1 1 所示，电子鼻工作原理与嗅觉形成相似，可模拟人的嗅觉器官，由 气敏传感器、信号处理装置和模式识别系统三个部分组成。在电子鼻的研究和实 现中，传感器技术和模式识别是其两大基础，电子技术和计算机技术为其提供了 实现手段。 第2 页 国防科学技术人学研究生院￥硕十学位论文 镳。譬一鳙一番 1 。“e 粤三一雹乜一世型悭竺竺到l _ 卜研卜硼几面 一_ t 一同一攥一怫气 图l 1 人类嗅觉与人工嗅觉比较图 模式t l 别技术是伴随着计算机的研究应用发展起来的门新兴学科，在人工 嗅觉中已逐步得到普遍的应用和重视。它的主要作用是耐气敏传感器采集的数据 进行处理，降低模式空f u j 中的数据维数，从数据中提取有用信息。然而我们从传 感器获得的数据常常非常复杂，而f = l 维数较商，往往是非线性的给我们的信息 提取带柬很大的不便。本课题考虑采用传统的主成分分析法、偏罪小二乘法和较 好的支持向量机方法进行模式识别。支持向量机改变了传统的经验最小化原则， 采用结构虽小化原则，并且引入核的概念，因此有很大的优势，包括：能较好地 解决小样本学习问题；具有照好的泛化能力；根大程度上可以解决过学习问题和 局部极小值问题；一定程度上克服了“维数灾难”：很好地解决非线性问题等。 因此对基于人工嗅觉的装备故障数据分析有很大的帮助，可以更好地提取数据中 的有用信息，提高装备故障诊断的准确牢。 1 2 国内外发展现状 1 2 1 人工嗅觉中模式识别方法的研究现状 仿生检测和电子鼻是目前世界上的热点研究课题之一。从检索情况看，目前 从事电子鼻开发研究的机构欧i i l | 有1 7 家，美国和加拿大有9 家：而全球电子鼻商 业产品的供应商也已达到1 8 家。世界 。很多著名的大学，包括瑞士的苏黎世大学、 德固的k a r l s m h e 大学和 p a b i n g e n 大学、西班牙巴塞罗那大学、意大利罗马大学、 英国曼彻斯特大学和南安普顿大学、瑞舆的l i n k o p i n g 大学等都在从事相关人工嗅 觉、气体传感器和电子鼻系统的研究工作。代表性电子鼻产品包括：法国 第3 页 国防科学技术人学研究生院i ：群硕十学位论文 a l p h a m o s 的桌面型f o x 、美国加利福尼亚c y r a n o s c i e n c e s 公司的c y r a n o s e 等。 图1 2 电子鼻结构框图 在人工嗅觉系统中，常用的模式识别方法有人工神经网络( a n n ) 、主成分 分析( p c a ) 、偏最小二乘法( p l s ) 、判别式函数分析( d p a ) 、统计模式识别 ( s p r ) 、距离分析( d c ) 、群分析( c a ) 和主元回归( p c r ) 等。 国外在人工嗅觉系统中的模式识别方法研究有：布宜诺斯艾利斯大学马丁内 格罩教授首次将分析领域的相对误差概念引入到模式识别算法中，成功地研制了 定量人工神经网络和模糊神经网络，并首次将定量神经元网络应用到电子鼻，使 得电子鼻的定量性能大大提高。 b a n c h ac h a r u m p o r n , m i c h i f u m iy o s h i o k a 等人用金属氧化物传感器做成一种电 子鼻来测定室内燃烧物的气味，并且用人工神经网络对测得的数据进行处理，实 验结果表明电子鼻可以作为一种可靠的火警探测方法【2 】。 美国科学家发明的一种“电子鼻”，采用p c a 与a n n s 相结合的识别方式， 使电子鼻不但工作稳定可靠而且还具有一定的人工智能。德国发明一种电子鼻全 自动换气扇，其中电子鼻的模式识别系统采用了人工神经网络模式识别方法，具 有一定的人工智能，给人们的生活带来很大的方便。 j e s t l sl o z a n o ，j o s 6p e d r os a n t o s 等人利用电子鼻确定白酒和红酒中的芳香复 合物，并用主成分分析和r b f 神经网络进行分类，主成分分析能够清晰的分离复 合物，r b f 能达到9 8 的成功掣3 1 。 p e r e zm a g a r i n o 等人采用因素分析、多步线性判别分析及人工神经网络对西班 牙产的红葡萄酒按产地进行分类，发现多步线性判别分析和人工神经网络都能较 准确地对葡萄酒的产地进行分类和判别，结果与专家评审极为接近。 m a t t e op a r d o ，g i o r g i os b e r v e g l i e r i 用电子鼻对几种咖啡进行分类，用主成分分 析和多层感知进行分析，分类成功率达到9 0 以上【4 】 m a s t i f f 电子公司研制一种作为安全控制和接近控制的装置s c e n t i n e l ，采用 人工神经网络和s a m m o n 图像识别技术相结合的方法，能通过嗅人的手掌鉴别出 每个人的身份，具有很高的精度。 b i p a nt u d u ，b a r u nd a s 等人用电子鼻监控红茶的发酵过程，并且用时间序列 神经网络确定最合适的红茶发酵时间，为红茶制造业提供了一种新的方法【5 】。 随着盲源分离技术的发展，独立分量分析等方法开始应用于人工嗅觉领域， 文献【6 】比较了p c a 和i c a 在人工嗅觉系统中的应用，文献7 1 讨论了基于i c a 的 第4 页 国防科学技术人学研究生院i i 稗硕十学位论文 传感器阵列数据降维方法，义献1 8 l 将i c a 与神经网络相结合，在对c o 、s 0 2 和 n 0 2 的识别中取得了一定的成果。 m a f i as i l v as a n t o sb a r b o s a ，t e r e s ab l u d e r m i r 等人利用电子鼻对空气进行监 测，并用r b f 神经网络对甲烷、乙烷、丙烷、丁烷、一氧化碳五种气体进行分类 f 9 l 国内在人工嗅觉系统中的模式识别方法研究有：中国科学院电子学研究所的 黄祖刚在电子鼻在烟卷鉴别和酒汽检测中的应用中基于对模式识别系统的深 入研究，提出了从响应阶段数据提取特征的方法，节省了测试所需时间；并且比 较了主成分分析法( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 与线性判别式法( l i n e a r d i s c r i m i n a t ea n a l y s i s ，l d a ) 两种模式识别方法在实际应用中的不同结果，并分析 了原因。设计了采用误差反传算法( b a c k p r o p a g a t i o na l g o r i t h m ，b p a ) 的前向人工神 经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) ，并指出其应用中存在的问题，提出了改进 建议：利用p c a 几d a 与a n n 相结合的方法改善了系统的识别性能【1 0 j 。 2 0 0 1 年，西安交通大学张勇、刘君华、吴浩扬和河南平顶山环境监测中心站 的陈志平，在基于遗传神经网络的电子鼻在大气环境气体模式识别中的应用方面 做了研究。为了提高遗传神经网络对混合气体越限值的识别精度，他们在电子鼻 已有的基础上提出分步分档识别法，在大范围内保证了识别准确性，提高了电子 鼻的实用性。他们成功地将其用于四组分混合气体的精确识别。应用分步分档识 别法的电子鼻既可用于j 下常环境气氛也可适用于危险气氛环境的气体模式识别。 不同的档，其学习样本不同，识别精度不同。分档识别精度取决于学习样本的最 小步长，最小步长越小，识别精度越高【】。 江苏大学农产品加工研究所邹小波等人在2 0 0 4 年提出了一种根据苹果气味对 苹果进行无损检测的新方法，研制了一套适合苹果气味检测的电子鼻系统。对超 市所购得的好坏苹果各5 0 个进行了检测，在获得传感器阵列数据的基础上，从每 个传感器曲线中提取了5 个特征参数，将其作为模式识别的输入向量。由主成分 分析对所测的数据处理结果看出，好坏节果是可以区分的，但有一点重叠的地方。 用遗传算法优化r b f 神经网络，发挥各自的优点，使所建立的遗传r b f 网络不但 收敛速度快，而且识别精度高。网络对训练集的回判币确率和对测试集的测试正 确率分别为1 0 0 和9 6 4 。试验证明该分类方法和电子鼻装置都是有效的，也适 用于其他的水果i l 引。 中国科学院电子学研究所史志存等在电子鼻及其应用研究中，用电子鼻 系统对几种汽油和白酒进行了实验。根据阵列响应曲线的特点和物理意义，对模 式识别的特征提取方法进行了研究。找到了两种适合汽油分类和识别的特征提取 方法，使得汽油分类和识别的效果很理想。在用p c a 方法分类和识别白酒的过程 第5 页 国防科学技术人学研究生院l ：科硕十学位论文 中，提出一种新的特征选择方法，解决了降维变换矩阵的选择问题，较好地解决 了白酒的分类和识别1 1 3 j 。 刘振宇、高大启、宋国新在基于人工嗅觉的呈香物质识别方法中做了一 个对呈香物质辨别的系统，他们借鉴了国外一些较成熟的仪器装置，并在其基础 上进行改进，使物质进样和测量一改过去相对静止的方式和测量时问过长的不足， 采用主成分分析技术和判别函数对2 0 作种香精进行了分类【1 4 】。 胡桂仙、王俊、海铮、王小骊在不同储藏时间柑橘电子鼻检测研究中利 用电子鼻p e n 2 系统对不同储藏方式及时间下柑橘芳香成分进行检测分析。试验先 通过电子鼻系统动态采集柑橘芳香成分并得到电子鼻的响应值，再利用p c a 、l d a 等模式识别方法进行数据分析。l d a 方法能更好区分不同储藏时间的柑橘，表明 利用电子鼻能够无损检测区分不同新鲜度的柑橘，同时采用l o a d i n g s 分析方法可 以得知，传感器2 、7 、9 在柑橘新鲜度检测中起主要作用，这为进一步优化传感 器以及探索方便快捷的柑橘无损检测技术提供了依据f i5 1 。 浙江大学生物医学工程系于鹏在人工嗅觉系统检测室内污染混合气体的研 究中采用了a n n s 模式分类法很好的解决了被测对象的浓度和传感器的响应是 非线性的问题【1 6 l 。 中国科学院生态环境研究中心的黄骏雄、蒋弘将、阎哲在应用电子鼻检测 香烟质量的研究一文中对p c a 和s a m m o nm a p p i n g 两种降维及图像显示方法在 香烟质量鉴别中的应用进行了比较，得出p c a 和s a m m o nm a p p i n g 均可用于数据 的降维与图像识别。其中p c a 又有归一化( n o r m a l i z ed a t a ) ，相关矩阵( c o r r e l a t i o n m a t r i x ) 及自动标定( a u t os c a l ed a t a ) 三种方法。而s a m m o nm a p p i n g 方法又可分 为归一化和强度归一化( i n t e n s i t yw i t hn o r m a l i z e dd a t a ) 。采用何种方法视不同样 品而变1 1 7 j 。 浙江大学生物医学工程与仪器科学学院的高旭升、王平在电子鼻信号处理 方法的研究进展中提出遗传算法和独立成分分析法( i c a ) 相结合，使电子鼻对信 号的处理速度和准确度都有了很大的改进【1 8 i 。 相比较而言，国内外人工嗅觉系统中的模式识别方法主要采用传统的模式识 别方法或几种方法相结合，支持向量机方法在人工嗅觉中，特别是在装备故障检 测方面应用还比较少。 本课题参考前人在人工嗅觉系统中应用的模式识别方法，结合课题组的油液 渗漏电子鼻检测分析实验系统，在此基础上主要对基于人工嗅觉的装备故障信号 分析方法进行研究。 第6 页 国防科学技术人学研究牛院i ：群硕十学位论文 1 2 2 支持向量机应用研究现状 支持向量机是从线性可分情况下的最优分类面发展而来的，通过引进核函数， 把低维空间的样本映射到高维空间，从而把非线性问题转化为线性可分问题，并 且发展了多分类支持向量机。 国外主要应用研究有： e i i c h i r om o m m a ，t a k a s h io n o 等人把支持向量机用于地质勘测，通过大自然 对岩石的侵蚀类型和程度对岩石进行分类【1 9 】。e s g o p i ，e s s a t h y a 把支持向量机 用于车辆牌照识别和分类，取得了较好的效果【2 0 】。o s u n a 将s v m 应用于人脸检测， 其方法是直接训练非线性s v m 分类器完成人脸与非人脸的分类，并取得了较好的 效剁2 。n g u y e nt h a n ht r u n g ，t r a nd u yt h a o 等人把支持量机用于指纹的识别与 鉴定，有较好的分辨效果1 2 2 j 国内的支持向量机应用主要有以下几方面： ( 1 ) 机械故障诊断 杨奎河等提出了一种基于支持向量机的故障诊断模型，对旋转机械故障进行 诊断，仿真结果表明该模型有较好的效果【2 3 】。郭小荟等针对提升机制动系统中常 见的卡缸故障利用支持向量机进行智能诊断，结果表明支持向量机方法适合于提 升机制动系统的故障诊断【2 4 】。田景文等利用支持向量机在小样本情况下具有较强 分类能力的特点，提出了一种基于支持向量机的火车滚轴故障诊断方法【2 引。 ( 2 ) 文字手写体识别 柳回春等在u k 心理测试自动分析系统中组合s v m 和其他方法成功地进行了 手写数字的识别实验 2 6 1 。另外，在手写汉字识别方面，高学等提出了一种基于s v m 的手写汉字的识别方法，表明了s v m 对手写汉字识别的有效性【2 7 1 。刘明等应用支 持向量机对手写数字字符集进行识别，结果表明了支持向量机在小字符集脱机手 写体识别中的实用性【2 引。马忠宝等将支持向量机应用于中文文本分类模型中，实 验分析表明在较小训练集条件下可以取得较好的分类效果【2 9 1 。 ( 3 ) 人脸检测、验证和识别 马勇等提出了一种层次型结构的s v m 分类器，它由一个线性s v m 组合和一 个非线性s v m 组成。大量实验结果表明这种方法不仅具有较高的检测率和较低的 误检率，而且具有较快的速度1 3 0 1 。人脸检测研究中更复杂的情况是姿态的变化。 叶航军等提出了利用支持向量机方法进行人脸姿态的判定，将人脸姿态划分成6 个类别，从一个多姿态人脸库中手工标定训练样本集和测试样本集，训练基于支 持向量机姿态分类器，分类错误率降低到1 6 7 ，明显优于在传统方法中效果最好 第7 页 国防科学技术人学研究生院f ：程硕十学位论文 的人工神经元网络方法1 3 i j 。 凌旭峰等人分别提出基于p c a 与s v m 相结合的人脸识别算法，充分利用了 p c a 在特征提取方面的有效性以及s v m 在处理小样本问题和泛化能力强等方面 的优势，通过s v m 与最近邻距离分类器相结合，使得所提出的算法具有比传统最 近邻分类器和b p 网络分类器更高的识别率【3 2 】。王宏漫等在p c a 基础上进一步做 i c a ，提取更加有利于分类的面部特征的主要独立成分；然后采用分阶段淘汰的支 持向量机分类机制进行识别。对两组人脸图像库的测试结果表明，基于s v m 的方 法在识别率和识别时间等方面都取得了较好的效果1 3 引。 ( 4 ) 图像分类和检索 由于计算机自动抽取的图像特征和人所理解的语义问存在巨大的差距，图像 检索结果难以令人满意。近年来出现了相关反馈方法，张磊等以s v m 为分类器， 在每次反馈中对用户标记的正例和反例样本进行学习，并根据学习所得的模型进 行检索，使用由99 1 8 幅图像组成的图像库进行实验，结果表明，在有限训练样本 情况下具有良好的泛化能力1 3 4 l 。 目前3 d 虚拟物体图像应用越来越广泛，肖俊等提出了一种基于s v m 对相似 3 d 物体识别与检索的算法。该算法首先使用细节层次模型对3 d 物体进行三角面 片数量的约减，然后提取3 d 物体的特征，由于所提取的特征维数很大，因此先用 独立成分分析进行特征约减，然后使用s v m 进行识别与检索。将该算法用于3 d 丘陵与山地的地形识别中，取得了良好效果【3 5 1 。 ( 5 ) 网上信息分类 由于s v m 的优越性，其应用研究目前开展已经相当广泛。陈光英等设计并实 现了一种基于s v m 分类机的网络入侵检测系统。它收集并计算除服务器端口之外 t c p i p 的流量特征，使用s v m 算法进行分类，从而识别出该连接的服务类型， 通过与该连接服务器端口所表明服务类型的比较，检测出异常的t c p 连接。实验 结果表明，系统能够有效地检测出异常t c p 连接【3 引。 胥锋等人把支持向量机用于电子邮件信头信息过滤模型，实验结果表明，对应 模型能够提高邮件过滤系统对于垃圾邮件的识别率，同时降低了系统对正常邮件 的误判率【3 7 1 。尹中航等提出了用支持向量机对网上信息进行自动分类的方法，分 析了该方法对网上信息分类的适应性【3 8 1 。 李晓黎等提出了一种将s v m 与无监督聚类相结合的新分类算法，并应用于网 页分类问题。该算法充分利用了s v m 准确率高与无监督聚类速度快的优点。实验 表明它不仅具有较高的训练效率，而且有很高的精确度【3 9 】。 刘江华等提出并实现一个用于人机交互的静态手势识别系统。基于皮肤颜色 模型进行手势分割，并用傅立叶描述子描述轮廓，采用最小二乘支持向量机 第8 页 国防科学技术人学研究生院j ：样硕+ 学位论文 ( l s s v m ) 作为分类器。对2 6 个字母手势进行识别，与多层感知器、径向基函数网 络等方法比较，l s s v m 的识别率最高，达到9 3 6 2 1 4 0 】。另外的研究还有应用s v m 进行文本分类、应用s v m 构造自底向上二叉树结构进行空自j 数据聚类分析等。近 年来，s v m 在工程实践、化学化工等方面也取得了很多有益的应用研究成果，其 应用领域同趋广泛。 1 3 论文结构安排 第一章，绪论。简要介绍课题来源和课题背景意义，对国内外人工嗅觉技术 的信号处理方法，支持向量机的应用现状进行评述。 第二章，基于主成分分析和偏最小二乘法的电子鼻数据特征提取方法研究。 介绍主成分分析和偏最小二乘法的基本原理和方法，并对甘草样本进行主成分的 提取。 第三章，基于支持向量机的电子鼻数据分类方法研究。介绍支持向量机方法 的基本原理和方法，并对提取了主成分的甘草样本进行分类。 第四章，油液渗漏嗅觉信号处理方法应用研究。对油液电子鼻检测分析实验 系统采集的柴油和柴油机机油信号进行处理。 第五章，总结和展望。总结了所做的主要工作，并对今后的发展趋势和应用 前景以及相关的问题作了论述。 第9 页 国防科学技术人学研究生院l ：样硕十学何论文 第二章基于主成分分析和偏最小二乘法的 电子鼻数据特征提取方法研究 在人工嗅觉技术领域中，模式识别是重要的组成部分。模式识别问题就是由 气敏传感器阵列的测量空间向被测对象的分类或分级空间转化的问题。由于模式 识别是提取样本中有用信息或对样本进行处理分类，因此对于人工嗅觉系统的气 体辨识有着较大的影响，它的研究和讨论也较为活跃，有力推动了人工嗅觉技术 的应用进程。但是，各种模式识别方法都是在原有基本模式识别方法的基础上发 展起来的，所以基本的模式识别方法也有广泛应用。 2 1 主成分分析技术 在电子鼻的模式识别过程中，由于采集的信号复杂，维数较多，需要进行整 理，选择信息量大，对样本影响大的特征。这就需要对数据进行降维，提取有用 信息，主成分分析是一种很好的降维方法【4 3 j 【4 4 1 。 2 1 1 主成分分析技术基本原理 主成分分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 是一种数据压缩的常用分析 技术，是一种古老的多元统计分析技术。但在计算机计算技术出现之前，其应用 领域很窄，主要在于计算的复杂性较大所致。当计算机出现后，主成分分析技术 得到了广泛应用，尤其在模式识别领域非常明显。英国统计学家斯格特在1 9 6 1 年 对1 5 7 个英国城镇发展水平进行调查时，最初考察的变量是5 7 个，通过主成分分 析发现，只需5 个新的综合变量就能以9 5 的精度描述原始数据的变异情况，这 样就把问题从5 7 维空间降到5 维空问进行处理提高了分析效率。 主成分分析可用于降低多变量系统的维数，还可同时简化变量的统计数字特 征。另外，还可以提供许多重要的鉴别信息，如数据群点的重心位置( 或称平均水 平) 、数据变异的最大方向、群点的散布范围等。 主成分分析的目的是推导出新的变量( 按重要性降序排列) ，这些新变量是原始 变量的线性组合而且互不相关。几何上，主成分分析可认为是坐标轴的旋转，将 原始坐标系的坐标轴旋转成一组新的正交坐标轴，并按它们占原始数据变差的数 量排列这些新坐标轴。 最常见的主成分分析原理是，如果要以一个一维向量空间取代原来的p 维空 问数据点，应该寻找数据群点分布方差最大的一个轴( 变异方向最大的一个轴) 甜l ， 第1 0 页 国防科学技术人学研究生院。i ：样硕十学何论文 用这个轴作为新的综合变量的方向，将所有原数据点向该轴投影，就得剑原数据 点在一维空问的最佳近似表达。如果要在二维空间中近似地表达原数据群点，则 要寻找一个与u lj 下交的轴u 2 ，在该轴上，数据群点的分布方差仅次于材l 上的分布 方差。如果要在m 维空间中表达原p 维数据群点( 朋和) ，总可以找到m 个正交轴， 使原数据群点在它们上的投影信息分布的方差逐渐变小，并得到对原数据点的最 佳近似。 在嗅觉模拟技术中，数据点常常是这样的，传感器阵列上有p 个传感器，所 要测量的样本数是刀个，形成，l 却阶样本数据矩阵疋并把x 的行看作实数空间 群中的珂个样本点或样本向量。原理上讲，刀却阶样本数据矩阵x 可得到相应的 疗却阶主成分新变量数据矩阵，如表所示，但是，主成分分析的目的之一就是降 维，使形成的新综合变量个数小于原数据变量的个数，所以，下面仅从应用的角 度给出主成分分析的计算步骤。 表2 1 样本数据矩阵和它的主成分矩阵 原数据变量主成分新变量 样本