（轮机工程专业论文）基于支持向量机的船用柴油机故障诊断研究.pdf

独创性说明 独创性说明 作者郑重声明：本硕士学位论文是本人在导师指导下进行的研究工作及取得研究成 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表 或撰写的研究成果，也不包含为获得上海海事大学或其他单位的学位或证书所使用过的 材料。与我一同工作的同志以及对本课题研究所做的贡献同志，均己在论文中做了明确 的说明并表示了谢意。 作者签名 论文使用授权声明 本人同意上海海事大学有关保留、使用学位论文的规定，即：学校有权保留送交 论文复印件，允许论文被查阅和借阅；学校可以上网公布论文的全部或部分内容，可以 采用影印、缩印或者其它复制手段保存论文。保密的论文在解密后遵守此规定。 作者签名：组导师签名：础 摘要 摘要 从n v a p n i k 的统计学习理论基础上发展起来的支持向量机( s u p p o r tv e c t o r m a c h i n e 。简称s v m ) 是目前模式识别领域中最先进的机器学习算法，它已初步表现出很 多优于已有方法的性能。由于采用了结构风险最小化原则代替经验最小化原则，支持向 量机能够较好地解决小样本学习的问题。又由于采用了核函数的思想，使它把非线性空 间的问题转换到线性空间，降低了算法的复杂度。正是因为其完备的理论基础和出色的 学习性能，该技术已经成为了机器学习界的研究热点，并在很多领域都得到了成功的应 用。但是作为一种新兴技术，s v m 在很多应用领域的研究都还有待于探索和完善。如核 函数和参数的选择缺乏理论指导、训练算法的完善、不支持增量学习等。这些问题的存 在，使得s v m 在很多领域的应用受到了很大的限制。 本文在学习探讨s v m 算法的同时，对s v m 在船用柴油机供油系统故障诊断中的应用 进行了论述，运用支持向量机理论对其进行了故障诊断的仿真研究和实验研究，其中包 括实验系统数学模型的设计、仿真系统的建立( 用s i m u l i n k 仿真软件建立仿真模 型) 、特征参数的提取、数据的采集等。 关键词：统计学习理论，支持向量机，核函数，故障诊断，船用柴油机 2 a b s t r a c t a b s t r a c t s v m ( s u p p o r tv e c t o rm a c h i n e ) ，w h i c hi s b a s e do nn v a p n i k ss t a t i s t i c a l l e a r n i n g m a c h i n et h e o r y ，n o wi st h em o s ta d v a n c e dm a c h i n el e a r n i n ga l g o r i t h mi nt h ef i e l do ft h e p a t t e r nr e c o g n i t i o n ，a n di t s c h a r a c t e r sh a v ea l r e a d ys h o w e dm o r es u p e r i o r i t yt h a no t h e r m e t h o d s i tc a ns o l v es m a l ls a m p l el e a r n i n gp r o b l e m sb e t t e rb yu s i n gs t m c t m a lr i s k m i n i m i z a t i o nt h a ne m p i r i c a lr i s km i n i m i z a t i o n m o r e o v e r ，b yu s i n gt h ek e r n e lf u n c t i o n i d e a ，t h i st h e o r yc a nc h a n g et h ep r o b l e mi nn o n l i n e a r i t ys p a c et ot h a ti nt h el i n e a r i t ys p a c ei n o r d e rt or e d u c et h ea l g o r i t h mc o m p l e x i t y s v mh a v eb e c o m et h eh o ts p o to fm a c h i n el e a r n i n g b e c a u s eo ft h e i re x c e l l e n tl e a r n i n gp e r f o r m a n c e t h e ya l s oh a v es u c c e s s f u la p p l i c a t i o n si n m a n yf i e l d s ，b u ta san e wt e c h n i q u e ，s v ma l s oh a v em a n ys h o r t c o m i n g st h a tn e e dt ob e t r a c k e da n db e t t e r e d ，i n c l u d i n g ：t h ea d a p t i v ek e r n e la n dp a r a m e t e rs e l e c t i o n ，t h es h o r t c o m i n g s o ft r a i n i n gm e t h o d sa n di n c r e m e n t a ll e a r i n g ，e t c b e c a u s e o ft h e s ep r o b l e m s ，t h ea p p l i c a t i o n so f s v ma r el i m i t e di nm a n yf i e l d s i nt h i sp a p e r ，t h ea u t h o rd i s c u s s e st h ea p p l i c a t i o n so fs v mi nt h ef a u l td i a g n o s i so ff u e l o i ls y s t e mo fm a r i n em a i ne n g j n e t h ea u t h o rc a r r i e so ns i m u l a t i o nr e s e a r c ha n dc x p e e r i m e n t r e s e a r c ho ff a u l td i a g o n o s i sb yu s i n gs v mt h e o r y ，i n c l u d i n g ：d e s i g no ft h em a t h e m a t i c s m o d e l ，s i m u l a t i o nm o d e l ( b ys i m u l i n k ) ，e x t r a c t i o no ft h ef e a t u r ep a r a m e t e ra n dd a t ac o l l e c t i o n o ft h ee x p e r i m e n t a ls y s t e m z o uy i ( m a r i n ee n g i n e e r i n 曲 d i r e c t e db y ：z h a ny u l o n g ( p r o f e s s o r ) k e y w o r d s ：s t a t i s t i c a ll e a r n i n gt h e o r y ，s u p p o r tv e c t o rm a c h i n e s ，k e r n e lf u n c t i o n ，f e a t u r e e x t r a t i o n ，f a u l td i a g n o s i s ，m a r i n ee n g i n e 3 上海海事大学硕士研究生毕业论文 第一章绪论 本章从支持向量机( s u p p o r tv e c t o rm a c h i n e ，后文全部简称s v m ) 能够较好地解决 小样本学习问题的理论实际出发，提出本文所要研究的问题，首先对s v m 理论的研究 现状和柴油机故障诊断技术进行了综合性阐述，以故障特征提取这一核心问题为本文切 入点，提出了用s v m 解决柴油机故障诊断的新方法。 1 课题的提出与意义 1 1 课题的提出 首先，航运界中船舶的安全经济运行迫使对船用柴油机进行有效的故障诊断技术开 发。 船舶柴油机作为船舶的心脏，其运行的好坏，直接决定着船舶营运的安全和效率。 近年来，船用柴油机不断朝着大型化、多样化、精密化方向发展，工作性能得到不断改 善，自动化程度也越来越高。在此过程中，一方面，它大大提高了劳动生产率，降低了 生产成本和能耗；但随之产生的问题是船用柴油机系统一旦发生故障，就会造成巨大的 经济损失，并且由于船用柴油机的系统特性，显然不会有很多的故障样本，这就使得一 般的机器学习方法很难正确判断故障类型，而故障诊断对于安全性要求高的系统又是及 其重要的，及时地检测出系统故障，使得自修复系统及时地重构控制率，可避免系统崩 溃及由此造成的物质损失和人员伤亡【 。因此就很有必要对设备实施状态检测和故障诊 断。 其次，s v m 理论有望解决制约故障诊断向智能化方向发展的瓶颈问题。 在传统的故障诊断中，各种信号分析技术已经得到了广泛的应用，般是基于经典 理论和方法的诊断技术，最新的发展是基于知识处理的智能系统。对于柴油机故障诊断 技术中的故障特征的描述分析以及如何提取、处理，仍然是诊断技术的关键所在。由于 非线性问题和现场信号的复杂性，使得利用常规分析手段进行故障提取遇到很大的困 难。对能够简单使用的诊断方法的研究，不仅对船用柴油机系统的诊断有着重大意义， 而且也可以应用于其他的复杂机械设备的故障诊断中去，这是很有推广意义的。 传统的基于模型的故障诊断方法过于依赖系统的数学模型，对于建模误差、参数摄 动、噪声和干扰十分敏感，使得这种方法对复杂非线性系统的故障诊断显得无能为力。 8 上海海事大学硕士研究牛毕业论文 例如神经网络，在高维情况下往往不能正常工作，并且由于其理论特性其解导致其解呈 现出随机性。另外在运算方面，当特征空间的维数增高时，神经网络的运算量将急剧增 长，从而使得训练和测试过程慢的不可忍受。 近几年来，基于统计学习理论的s v m 成功解决了上述问题，在很多领域都得到了 广泛的应用，如：人脸识别、手写体识别、语音识别、图像分类等。将该方法用于船用 柴油机故障诊断领域，讨论s v m 在故障诊断中应用的分类算法，有望使制约故障诊断 向智能化方向发展的瓶颈问题得到解决。 鉴于此，本文拟提出一种基于s v m 理论的柴油机故障诊断方法，初步思路是通过 提取装置的状态和对相应的特征进行训练，得到一个基于s v m 的故障分类器，并且将 大样本降低为仅是支持向量的小样本模式。将s v m 理论引入到船用柴油机故障诊断中 来，这是船用柴油机故障诊断领域的一个大胆的尝试。 1 2 课题的意义 使用s v m 进行柴油机故障诊断对现代航运企业的作用和意义，主要可以归纳为以 下三个方面： 1 ) 本文提出的方法可以丰富柴油机故障诊断理论，提高故障诊断技术的水平，推 动设备故障诊断技术的进一步发展； 2 ) 可以实现趋势预报，早期预测故障，防止发牛故障，查找原因，排除主观估 计，减少查找故障原因的时间，以提高设备的可靠性和使用效率，增大修理间隔期，提 高易损件利用率，延长寿命，降低使用经费，并可降低船舶轮机人员的劳动强度； 3 ) 为s v m 在柴油机故障诊断中的应用做一些基础研究，使其在这个领域或者其他 领域能够得到推广。 2 船用柴油机故障诊断概述 故障诊断的实质是模式识别问题。柴油机故障诊断的一般思路是判断柴油机的运行 状态是否正常，在当其发生了故障之后，确定故障发生的部位及产生故障的性质和原 因。一般来说是针对具体的柴油机的某一个系统，通过分析该系统的失效形式和故障机 理，建立相应的推理机制或者学习机制，对提取到的状态监测信号( 有时候是处理好的 信号数据) 进行识别和分类，对故障进行监测、预报和诊断。在此过程中，核心问题是 9 上海海事大学硕士研究生毕业论文 特征提取并准确建立特征与状态之间的对应关系，不同的映射方法对应着不同的诊断方 法。 综上所述，故障诊断的根本任务是通过测取设备的信息来识别设备的状态。其基本 内容概括起来，应包括以下五个丰要方面的内容： 1 ) 准确选取与测取设备有关状态的特征信号； 2 ) 正确地从特征信号中提取设备有关状态的有用信息，即信号预处理阶段。一般 来讲，用特征信号直接判明设备的运彳亍状态情况，查明故障的有无，是比较困难的，这 就要求根据不同征兆的相对变化与有关状态相对变化之比的大小( 即敏感度的强弱) ， 选取适当的征兆作为设备运行状态的判断依据。 3 ) 根据征兆正确地进行设备的故障诊断。一般来讲，还不能直接采用征兆来进行 设备的故障诊断、识别设备的状态。这时，可以采用多种的模式识别理论和方法，对征 兆加以处理，构建识别标准来进行状态的识别与分类； 4 ) 根据征兆与状态正确地进行设备的状态分析。当状态为故障时，应采取有关方 法进一步分析故障位置、类型、性质、原因与趋势等； 5 ) 根据状态分析正确地做出决策。也就是要通过调整、修理、控制、自动诊断等 措施，干预设备及其工作过程，以保证设备可靠、高效地发挥其应有的功能，达到设备 故障诊断的目的。 整个故障诊断的过程可以用下图卜1 来表示： 图1 - 1 柴油机故障诊断基本过程结构框图 1 0 上海海事大学硕士研究生毕业论文 2 1 柴油机故障分类 由于柴油机自身结构非常复杂，其故障形式也多种多样。下表1 - 1 是由英国柴油机 工程师和用户协会出版的报告所得出的停机故障分类。 表1 - 1 柴油机故障分类 故障分类故障出现率 喷油设备以及供油系统故障 2 7 0 漏水故障 1 7 3 阀门以及阀座故障1 1 9 轴承故障 7 0 活塞组件故障 6 6 漏油及滑油系统故障 5 2 涡轮增压系统故障 4 4 齿轮以及驱动装置故障 3 9 调速器齿轮故障 3 9 燃油泄漏 3 5 漏气 3 2 除某些专门标颢外的其他破坏以发破裂2 5 其他故障 2 5 基座故障 0 9 曲轴故障 0 2 2 2 主要故障模式及其原因 按照柴油机故障机理分类，造成故障的原因常见的有磨损、变形、穴蚀和腐蚀等。 1 1 磨损 据统计，大约8 0 的机件损坏是由于磨损引起的。在柴油机中，磨损机件的失效 往往会导致故障，严重时危及柴油机的运行安全。 2 1 变形 上海海事大学硕士研究生毕业论文 由于受力不均、磨损不均或拆装不正确常常导致柴油机机件变形。如轴瓯磨损不均 会导致曲轴变形，缸盖安装时受力不均或热负荷作用下会产生变形等等。 3 1 穴蚀 穴蚀是由于在流体系统中，液体内部的空化而产牛空泡，空泡的破裂会产生微射 流，从而对固体壁面产生的破坏现象。柴油机系统中不可避免地存在着穴蚀现象，尤其 是在气缸套外侧和机体水腔内侧。 4 1 腐蚀 腐蚀极易发生在燃油系统中，这主要是由于燃油系统中的高压油管受到高压油的腐 蚀的缘故。 柴油机故障的主要模式如下表1 2 所列。 表卜2柴油机主要故障模式 故障模式 情况说明故障严重程度 致命严重一般轻微 整机异响气门间隙等调整不当 丰术 整机异响有明显敲缸声 丰木 柴油机抱死曲轴抱死 半芈 柴油机 死润滑不良，高温原因 半丰术 气缸压力不当活塞环折断 木木 窜气窜油、功率缸筒严重磨损 丰丰 下降 功能失效油路故障 木木 活塞顶死异物进入 丰木 柴油机过热冷却水部分堵塞 木木 油耗超标磨损严重或漏油严重 枣木木丰丰 油水混合气缸垫密封性差 木木 缸体损坏活塞破损或连杆螺栓 木木木丰 断，连杆将缸体打坏 缸筒拉伤进入异物 木木木 缸套松动缸套松动后，边沿渗 木术 水 1 2 上海海事大学硕士研究牛毕业论文 故障模式情况说明故障严重程度 致命严重一般轻微 连杆衬套磨损磨损会0 f 起松动 木术 连杆轴瓦烧蚀轻微现象 丰木 连杆轴瓦拉伤 术术 活塞环漏气漏气后，冲击油底壳 木术 活塞销断裂 木术 2 3 柴油机故障诊断的基本方法 回顾故障诊断技术的发展历程，大致可以分为两个阶段： 第一阶段是以传感器技术和动态测试为基础，以信号处理技术为手段的常规诊断技 术发展阶段。这一阶段的诊断技术在实际中得到了大量的应用，产生了巨大的经济效 益，由此也推动了这一技术本身的发展。 第二阶段是以人工智能技术为核心的智能诊断技术发展阶段，它以常规诊断技术为 基础，以人工智能为核心，研究内容和实现方法着力于研究诊断知识的获取、知识的表 示与组织、推理方法的结构、珍断模型的建立以及诊断策略的形成等问题。 故障智能诊断技术代表了诊断技术的发展方向，同时它的发展与人工智能技术的发 展密切相关。首先是专家系统在诊断技术中的应用，为故障诊断的智能化提供了可能 性，使诊断技术进入了新的发展阶段。继专家系统之后，机器学习成为人工智能在诊断 技术中应用的又一重要研究领域。机器学习的一个重要标志就是诊断系统具有了自适应 能力，即所谓的自学习能力。一旦诊断系统具有了自学习能力，它就不仅仅只是能够进 行故障诊断，而且还能从环境的变化中学习新的知识，不断实现自我完善。 如上已经提及，机械故障诊断问题的本质是模式识别问题，实际上也就是故障模式 的识别与分类问题。模式识别中的模式是对一个物体或者其他感兴趣的实体定量的或者 结构性的描述，模式类是指某些具有相同属性的模式的集合。模式识别的主要内容是研 究出一种自动技术( 也可以称之为学习机制) ，依靠这种技术，学习机器就可以a 动地 或者在人尽可能少于预的情况下把模式分配到它们各自所属的模式类中去。模式识别是 人工智能领域一个传统的研究方向，因此人工智能领域中各种新兴的模式识别技术对机 械故障诊断技术有着直接的推动作用。 1 3 上海海事大学硕士研究生毕业论文 正是基于对机械故障诊断问题本质的这种认识，笔者将把人工智能领域继神经网络 之后的一种新的学习机器s v m 作为主要的研究对象，重点研究s v m 如何应用于船 舶柴油机的故障诊断模式研究上。 根据国际故障诊断权威德国的p m f r a n k 教授的观点，所有的故障诊断方法可 划分为基于解析模型的方法、基于信号处理的方法及基于知识的方法三种。其中，第一 种方法主要应用于控制系统，本文将不加叙述。在本章中，笔者并没有按照按照某一种 分类方法进行严格地划分，只是总结几种主要的故障诊断方法： 1 1 传统的简易诊断技术 又称主观诊断法，即依靠简单的诊断仪器、仪表，凭借个人实践经验，判断故障的 原因及其发生部位。这种方法对人的要求非常高，而且诊断结果常常带有个人主观倾 向，其缺点在于精确度不够高。 2 ) 参数检测法 性能参数法是利甩发动机中介质如空气、燃气、滑油、冷却液等其他一些机械参数 来判断发动机部件或整机的技术状况。 常用来进行故障诊断的一些信号如表1 3 所示： 表卜3用于故障诊断的一些参数 系统诊断参数系统诊断参数 整机燃油消耗量、平均转速、瞬燃烧系统气缸压力、温度、增压器空气温 时转速、油门齿条位置、空度、排气温度、排气烟度、排气 气滤清器压差、机油耗率化学成分、燃油耗率 燃油系燃油流量、喷油提前角、喷冷却系统汽缸冷却水进口压力、冷却水温 统油时间、高压油管压力、针度 阀升程、燃油喷射压力 滑油系滑油泵进出口压力、滑增压系统增压器转速、压气机出口温度、 统油泵进出口温度、主轴承滑压差、空气冷却器进出口温度 油进出口温度、压力 3 1 振动噪声法 振动诊断是根据这样的工作原理：系统状态的改变引起在系统上测得的振动信号的 改变。测取信号主要有扭转振动、噪声、缸盖表面振动、机身及侧面振动。诊断范围 1 4 上海海事大学硕士研究生毕业论文 般集中在具有摩擦副的部件上。振动噪声法不影响柴油机的运行，易于测量，随着信号 处理技术的发展，近几十年来得到了很大的进展，并逐渐的成为研究热点。 4 1 故障树分析方法( f t a ) 故障树是一种表示系统故障与各元件故障之间的逻辑结构图。柴油机故障树分析方 法就目前来说已经应用的比较成熟，其主要方法是根据构建的柴油机系统中的主要赦障 与各子系统故障之间因果关系的有向树，将系统故障形成原因由总体到部分，按树枝状 逐级进行细化分析，最终确定故障。该方法理论性强，逻辑性缜密，可判明故障原因、 故障影响和发生的概率。在一般的故障树定量分析中，不仅要求明确表达故障事件，还 要确定顶事件和底事件的概率值，如何确定这些概率值是一般故障诊断推理方法的瓶颈 问题。实际原因在于，这些概率值受到例如元件本身的材料性能、制造质量以及安装质 量、使用维护情况等因素的影响，因此用这种概率值进行精确的故障树分析其本身就存 在着一定的缺陷，此外故障树的建立往往是很困难的，并且有可能会漏掉重大的元件故 障。 5 1 模糊数学法 模糊诊断方法利用模期逻辑来描述故障原因与故障现象之间的模糊关系，通过隶属 函数和模糊关系用以解决故障原因与状态识别问题。在柴油机的故障诊断领域中，存在 着大量的模糊现象。很多故障症状，如柴油机燃油系统压力波动严重，滑油温度过高等 说法都是很模糊的，并且柴油机元件损坏的程度和产生故障所涉及的范围也是模糊的。 再者，造成故障的因素也有很多，并且这些因素具有交错性、随机性等特点，原因和症 状之间的关系也是模糊的。基于模糊理论的诊断方法不需要建立精确的数学模型，适当 地运用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。但模糊数学 方法重视人的经验，人为规定对精确量的模糊化，并且有些权值或参数还需要在实践中 反复调整，这在某种程度上影响了它的准确性。 6 ) 灰色关联度、法1 3 j 在故障诊断中，有时候由于观测到的参数只是系统的部分技术特征，有的信息可能 不准确或者根本就无法知道，很难对系统的运行状态作全面、准确的描述。灰色系统理 论是研究如何利用系统的已知信息去认识这个含有不可知信息系统的全部特性，状态和 发展趋势的一门新理论。灰色关联度诊断法通过对灰色因素间的关联程度的分析，研究 系统当前运行状态与“故障”及“正常”这两种参考状态特征间的相关性，从而确诊系 统的运行工况。但是灰色关联度法对多参数识别有效，单一参数识别时能力有限，制约 了它的适用范围。 1 5 上海海事大学硕士研究生毕业论文 7 1 专家系统 专家系统是一种基于知识的应用软件系统。在缺乏精确的数学模型的情况下，诊断 专家系统利用人工智能的原理，由专家将系统的专门知识和运行经验按一定的规则提取 出来形成知识或建立定性模型，在系统出现异常状态时根据检测结果进行推理，得到诊 断结果。当前比较典型的专家系统均由知识库、推理机、数据库、解释程序、人机接口 和知识获取程序等几部分组成。 应该说，专家系统给柴油机系统故障诊断带来很大的方便，但是其诊断结果的可靠 性与知识库存放的知识多少及真实程度有关，而建立完善的系统知识库费时费力、技术 门槛高，致使专家系统难以推广应用，这在某种程度上阻碍了专家系统的发展。 8 1 神经网络 神经网络由于具有模拟任何连续非线性函数和从样本中学习的能力，具有广泛连接 的复杂性、分布式存储信息、并行处理功能和自学习、自组织与自适应功能等特点，目 前已经比较成功地应用于诊断领域。利甩神经网络研究柴油机某一特定系统的故障诊断 已经得到了广泛重视，但此法难以利用经验知识，知识隐式表示不够直观，网络权值不 容易理解；知识获取可能消耗太大时间，权系数矩阵可能无法收敛；自身结构产生的输 入向量平移对输出结果影响很大【4 j 。 2 4 柴油机故障诊断国内外发展趋势 从国内外研究来看，柴油机的监测和诊断技术已经有了明显的进步。船舶柴油机故 障诊断技术由传统的简易诊断方法，逐步发展到以信号处理技术为基础的故障诊断方 法，近年来，又发展为以人工智能为核心的监控与诊断技术。从故障诊断的需求、当前 有关研究的进展和需要解决的问题来看，船用柴油机的状态监测和故障诊断技术的发展 趋势是故障检测与诊断的自动化与智能化。 在实时在线诊断方面，应重点研制适合柴油机故障诊断的专用新型集成化传感器， 特别是长寿命的可预埋于柴油机内的传感器；在分析柴油机运动状态及振动机理的基础 上，寻找各缸振动信号之间相互交叉影响最小的最佳测点；利用现代时频分析、模糊逻 辑、小波分析、粗糙集理论等信号处理方法提取柴油机状态信息的故障特征，利用神经 网络、专家系统以及本文中将要提到的s v m 等人工智能机器学习方法实现故障的自动 诊断。充分利用s v m 的自学习能力并对历史数据进行数据挖掘，最终实现在线故障诊 断。这些都是柴油机故障诊断领域研究课题的未来走向。 1 6 上海海事大学硕士研究生毕业论文 当然，网络化也是新世纪故障诊断技术的一个重要发展方向，利用网络将多个故障 诊断系统联系起来，实现资源共享，可提高精度；将故障诊断系统与数据采集系统结合 起来组成网络，有利于机组的管理，减少设备投资，提高设备利用率，必要时可与企业 的管理信息系统相连接，以促进企业管理的现代化。 3 柴油机故障诊断与s v m 3 1 柴油机故障诊断技术存在的问题 尽管故障诊断已经取得了长足的发展，但它是一门正在发展的新兴学科，还远远没 有达到尽善尽美的地步，还存在着许多的问题，主要表现在1 2 j ： 1 1 发展不平衡 旋转机械的故障诊断理论和实践都得到了比较成熟的效果，而往复式机械( 如柴油 机) 的诊断理论和实践都有待进一步提高。 2 1 测量分析仪器和诊断仪器相脱离 便携式的多为测量分析系统，一般为传感器、放大仪、数据采集系统和频谱仪。较 好的诊断仪器大多为专用的、固定式的系统，一般固定在工j 里或设备上，并专为该设 备服务，导致了分析仪器和诊断仪器不能统一，影响了使用的范围和效率。 3 1 柴油机的诊断专用系统还比较落后 现有的诊断手段主要有测功台、简易柴油机诊断仪表、精密信号分析仪等几种。这 几种诊断方式，都满足不了对柴油机进行故障诊断的实际需要，表现为： 测功台只能在柴油机解体的情况下对其进行诊断，并且只能在大修厂的台架上进 行，满足不了现场诊断的需要； 简易诊断仪表的监测多数比较单一，且精度较低。 精密信号分析价格较贵，一般只对振动信号进行分析，由于其专业程度较高，现场 的使用人员很难正确使用。 3 2 s v m 理论简介 基于数据的机器学习是现代智能技术中的一个重要组成部分，其基本方法是从观测 数据( 样本) 出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。 1 7 上_ 海海事大学硕士研究生毕业论文 现有的一些机器学习方法( 包括模式识别、神经网络等在内) 共同的重要理论基础 之一是传统统计学。传统统计学研究的是样本数目趋于无穷大时的渐近理论，但在实际 问题中，样本数往往是很有限的，因此一些理论上很优秀的学习方法在实际中的表现却 可能不尽人意。统计学习理论( s t a t i s t i c a ll e a r n i n gt h e o r y ，简称s l t ) 是在传统统计学 基础上发展起来的一种具有坚实理论基础的机器学习方法，是一种专门研究小样本情况 下机器学习规律的理论。九十年代中期，从s l t 基础上发展出来的一种新的机器学习 方法支持向量机( s u p p o r tv e c t o rm a c h i n e ，简称s v m ) ，理论上表现出很多优异的 性能，并成功应用到很多方面。s l t 和s v m 逐渐成为了机器学习理论新的研究热点。 s v m 使用大间隔因子来控制学习机器的训练过程，使其只选择具有最大分类间隔 ( 最大分类间隔意味着具有最好的泛化性能) 的分类超平面( 在线性不可分情况下，又 引入松弛因子来控制经验风险) ，从而使其在满足分类条件的情况下具有很高的推广能 力。与传统的学习机器不同的是，s v m 是通过核函数将原始的模式矢量映射到非常高 维的特征空间，并且仍然使用大间隔因子在高维特征空间中寻找最大间隔超平面。得到 的高维特征空间中的超平面对应着原始模式空间中的非线性分类面。s v m 结构简单， 其隐层随着所要解决的问题和规模加畎自动调节，从而使得学习机器的复杂度总是与实 际问题相一致，因而具有较好的自适应度，可以自适应地解决各种不同的问题。 总之，s v m 是一种非参数机器学习方法，能够较好地解决模型选择问题、过学习 与欠学习问题、非线性与维数灾难问题以及局部极小点等问题。由于s v m 的理论特 性，s v m 方法在预测精度和运算速度方面都优于前向网络( b p ) 、径向基网络 ( r b f ) 等方法，并且由于s v m 处理非线性数据能力、预测能力可随实验数据完备而 得到不断改进，再加上能够较好避免过学习问题等诸多优点，s v m 可以推广到函数拟 合、特征提取等其他机器学习问题，具有很宽的应用领域，将它应用到柴油机故障诊断 领域从理论上来可行性还是很大的。 3 3 s v m 理论的发展概况 作为s v 1 v i 的奠基者v a p n i k 早在6 0 年代就开始了统计学习理论的研究。1 9 7 1 年， v a p n i k 和a c h e r v o n e n k i s 在“t h en e c e s s a r ya n ds u f f i c i e n tc o n d i t i o n sf o rt h eu n i f o r m s c o n v e r g e n c eo fa v e r a g e st oe x p e c t e dv a l u e s ”一文中，提出了s v m 的一个重要的理论 基础v c 维理论。 1 8 上海海事大学硕士研究牛毕业论文 1 9 8 2 年，在“e s t i m a t i o no fd e p e n d e n c e sb a s e do ne m p i r i c a ld a t a ”一书中，v a p n i k 进一步提出了具有划时代意义的结构风险最小化原理，堪称s v m 算法的基石。 1 9 9 2 年，b o s e r ，g u y o n 在“at r a i n i n ga l g o r i t h mf o ro p t i m a lm a r g i nc l a s s i f i e r s ”一 书中，提出了最优边界分类器。 1 9 9 3 年，c o r t e s 和v a p n i k 在“t h es o f tm a r g i nc l a s s i f i e r ”一书中，进一步探讨了 非线性最优边界的分类器。 1 9 9 5 年，v a p n i k 在“t h e n a t u r eo f s t a t i s t i c a l l e a r n i n g t h e o r y ”一书中，完整地提出 了s v m 分类。 1 9 9 7 年，v a p n i k ，s g o k o w i c h 和a s m o l a 共同发表的“s u p p o r tv e c t o rm e t h o df o r f u n c t i o na p p r o x i m a t i o n ，r e g r e s s i o ne s t i m a t i o na n ds i g n a lp r o c e s s i n g ”一文中，详细介绍 了基于s v m 方法的回归算法和信号处理方法。 由于s v m 算法的潜在应用价值，吸引了国际上众多的知名学者，近几年来出现了 很多发展和改进后的s v m 算法。s v m 在模式识别领域已经有了一些应用，如手写体数 字识别、人脸识别与人脸检测以及文本分类等各种领域。此外，s v m 还很好地应用于 时问序列分析利回归分析等领域的研究。例如，m i t , b e l ll a b 和微软研究所等已经成功 地将s v m 算法应用于动态图像的人脸跟踪、信号处理、语音识别、图像分类和控制系 统等诸多领域，取得了很大的成绩。 4 论文的研究内容和章节安排 4 1 论文的研究内容 笔者在这篇文章中的研究重点将放在以下三个方面： 1 ) s v m 实现算法的研究； 简要介绍s v m 理论、s v m 回归算法以及最优化理论，力图分析出s v m 众多算法 的改进方向和应用于故障诊断的可行性走向。 2 ) 将模糊数学理论与s v m 结合展开一定的研究： 以从某船轴系上的推力轴承取得的振动数据为研究对象，结合模糊数学理论，建立 一个动态的仿真模型，运用层次分析法准确地分析故障原因和征兆之间的隶属度关系， 并通过丰成分分析法构建分类超平面函数，引入了损失函数的概念，在m a t l a b 上生 成图形，辅助分析。用实例说明在故障诊断过程中引入损失函数进行对分类面的惩罚十 分必要，在s v m 理论上也是可行的。 1 9 上海海事大学硕士研究生毕业论文 3 ) 基于s v m 的多类分类器的建模研究： 以柴油机燃油系统故障为对象，建立动态仿真模型，进行动态仿真，由于实际应用 中需要解决多类分类问题，因而必须要解决用s v m 构造多类分类器的问题。考虑到实 际应用中的要求，构造的多类分类器不但应该具有良好的推广性能，而且要具备可修正 性，且修正过程的时间空间开销要尽量的小，反复的用s v m 加以训练，给出一个完整 的用s v m 解决实际问题的例子。 4 2 论文的章节安排 本论文分成6 章。 第一章是概述，首先介绍了船用柴油机故障诊断理论在国内外的发展概况，然后在 引出了s v m 理论之后，提出了本文的研究内容以及本文将要展开的工作。 第二章是论文的纂继理论部分，是以后各章展开的理论基础。主要介绍统计学习理 论和s v m 原理；漆囊鎏馨简要地瓣机器学习豹一般方法，复杂性、推广性自和统计学习 理论的特点、内容进行奔绍。 第三章是论文的理论延伸部分，介绍多值分类器的构造方法以及如撼利用多值分类 器进行故障诊断。 第四章应用层次分析法分析故障原因和征兆之问对应的关系，并介绍基手主成分分 析法如何去提取船用柴油机的故障特征。提取有效准确的故障特征参数，进行高效的特 征压缩和特征提取是进一步开展s v m 故障诊断的前提，也是至关重要的一步。本章介 绍了层次分析法的理论知识后，以船用柴油机上的曲轴上提取的信息进行了初步的理论 计算，并结合模糊数学的知识在m a t l a b 上生成图形辅助分析。 第五章是本文的一个主要研究内容，主要侧重于船用柴油机燃油系统故障诊断分 析。如何建模并回归分析、核函数的选取、m a t l a b 编程等等。随后，笔者针对本章得 出的结论对核函数在不同情况以及本文中柴油机系统应用时如何选取正确、有效的核函 数做一点尝试性的探讨。 第六章小结。对本文作了简要的总结，并对s v m 的应用作了展望。 2 0 上海海事大学硕士研究生毕业论文 5 小结 本章重点介绍了柴油机故障诊断以及s v m 理论的研究内容和发展概况，论述了 s v m 理论的基本原理，从而对该领域有一个整体认识，然后在此基础上阐明了柴油机 故障诊断的可行性，归纳了当前船用柴油机故障诊断的主要方法和发展方向，为本课题 研究的意义和内容提供理论上的依据和方法上的指导。最后说明了本文的主要研究内容 和章节安排。 2 l 上海海事大学硕士研究生毕业论文 第二章s v m 基础 本章作为s v m 理论的基础，从统计学理论出发，介绍s v m 的理论基础、基本原 理以及有关算法。 1 引言 希望用机器来模拟人的学习能力，这是机器学习理论的出发点。基于数据的机器 学习问题是目前机器智能计算技术中的一个重要分支，其主要目的是研究怎样从一些 观测数据( 样本) 挖掘出目前尚不能通过原理分析得到的规律，利用这些规律去分析 客观对象，对未来数据或者无法观测到的数据的走向进行预测。 传统的统计学习理论主要是建立在经验风险最小化原则( e m p i r i c a lr i s k m i n i m i z a t i o n ，e r m ) 上的。所谓经验风险，是指在训练集上的风险，通常理论上用 均方误差来表示。理论表明，当训练样本数目趋于无穷多时，经验风险将收敛于实际 风险，因此从这个角度讲，经验风险最小化原则隐含地使用了训练样本无穷多的假设 条件。然而，在实际应用过程中，比如本文的应用课题船用柴油机故障诊断，用 来训练的样本数据通常是极其有限的，因此研究在有限样本情况下的机器学习理论具 有更高的使用价值。 在传统的学习理论基础之上发展起来的统计学习理论( s l t ) 是研究小样本统计 估计和预测的机器学习理论。1 9 9 2 年至1 9 9 5 年，在统计学习理论的基础上又发展出了 一种新的学习算法支持向量机( s v m ) ，在解决小样本、非线性以及高维模式识 别问题中表现出许多特有的优势，不仅能够推广应用到函数拟合等其他机器学习问题 中，还表现出很多优于已有方法的性能。s v m 的出现，使得统计学习理论具有了更加 有效的实现手段，引起了研究人员的重视和兴趣i ”。 虽然统计学习理论和s v m 方法中尚有很多问题需要进一步研究，但一些学者认 为，它们正在成为继神经网络研究之后机器学习领域新的研究热点，并将有力推动机 器学习理论和技术的发展。 上海海事大学硕士研究生毕业论文 2 统计学习理论概要 2 ，1 机器学习问题的表示 机器学习问题的目的是根据给定的训练样本求出对某系统输入、输出之间的依赖 关系，使其对未知的输出做出尽可能准确的预测。1 。 根据样本学习的机器学习模型m 由产生器g 、训练器s 、学习机器l m 三个部分 组成。 下图2 - 1 为从样本学习的模型示意图： ii ：! = ：i 可 叫学习机器l ml 可 图2 _ 1 从样本学习的一般模型 g 是样本产生器，能从固定但未知的概率分布函数f ( x ) 中独立产生随机向量 z e r “。s 是训练器，对每个输入向量z 返回一个确定的输出值y ，产生输出的根据是 同样固定但是未知的条件分布函数f bi x ) 。 根据联合分布 f b ，y ) = f g ) f ( yi x )( 2 - 1 ) 抽取出的f 个独立分布观察数据对 x l ，y ，l k ，y ：x k ，y ，)( 2 - 2 ) 构成训练集。 “f 是学习机器，能在一组函数集，扛，a i 盘e a ( 其中a 是参数集合) 中选择出能 够使得输出歹最好地逼近训练响应y 的函数，b ，) 。 训练之后的学习机器必须对于任意输入x 给出输出歹，使得期望风险月b ) 最小，在 数学上的表示为： r ( 。) = f f ( y ，b ，a ) 弦b ，y ) ( 2 3 ) 这里的，b ，口) ，口e a 称为学习函数集或预测函数集，口为函数的广义参数。预 上海海事大学硕士研究生毕业论文 测函数也称作学习函数、学习模型或学习机器。l ( y ，厂b ，口) ) 为在给定输入x t ：l l 练器 输出y 与学习器给出的，b ，a ) 之间的损失的期望。 不同类型的学习问题有不同的损失函数。通过定义不同的损失函数，可以构成三 种最基本的机器学习问题：模式识别、函数逼近和概率密度估计。 对于模式识别问题，输出y 是类别标号，两类情况下y = 1 0 ，1 j ( 或者y = _ 1 埘) ， 预测函数称为指示函数，损失函数定义为： l ( y ，几，a ) ) = ：歹船7 ( 2 4 ) 对于函数逼近问题，输出y 是连续变量( 这里假设为单值函数) ，损失函数定义 为：使风险最小就是贝叶斯决策中所得错误率最小。 l ( y ，i x ，a ) ) = ( y i ( x ，。) ) 2( 2 5 ) 对于概率密度估计问题，学习的目的是根据训练样本确定x 的概率密度。令估计 的密度函数为p ( x ，a ) ，则损失函数可以定义为： l c o ( x ，a ) ) 一l o g p ( x ，a ) ( 2 6 ) 2 2 经验风险最小化原则 上文的问题中，机器学习问题的学习目标在于使期望风险最小。传统的学习方法 采用了所谓了经验风险最小化原理( e m p i r i c a lr i s km i n i m i z a t i o n ，e r m ) ，即根据概 率论中的大数定律的思想，假设概率分布是均匀的，最小化用样本定义的经验风险： 如，仁) 。醴：塑! !( ：一7 ) n 作为对( 2 - 3 ) 式的估计。 事实上，用e r m 准则代替期望风险最小化并没有经过充分的理论论证，只是直观 上合理的想当然做法。没有理论保证在样本无穷大条件下得到的学习机器在样本有限 的情况下仍然有好的效果。另一方面，概率论中的大数定律只是说明，在一定条件 下，当样本数趋于无穷多时，尺。，k ) 将在概琦夏意义上趋近r 仁) ，并不保证r k ) 和 r k ) 在同一点上取得最小值。 2 4 上海海事大学硕士研究生毕业论文 2 3 复杂性与推广能力之间的矛盾 在早期的神经网络研究中，人们总是把注意力集中在怎样使咒。k ) 更小，根据经 验风险最小化原理用经验风险去拟合期望风险，但很快发现，一味追求小的训练误差 并不是总能达到好的预测效果。 经验风险最小化原理不成功的一个比较显著的例子就是神经网络的过学习 ( o v e r f i t t i n g ) 问咫。在某些情况下，训练误差过小反而导致了推广能力( 学习机器 对未来输出进行正确预测的能力称之为推广能力) 的下降，实际上是导致了真实误差 的增加，这就是过学习现象。之所以出现这种过学习现象是因为试图用一个十分复杂 的模型左拟合有限的样本，从而导致丧失了推广能力。学习机器的复杂性与推广性之 间的这种矛盾同样在其他机器学习方法中不同程度的存在。 因此，在有限样本情况下，经验风险最小并不一定意味着期望风险最小，从理论 上讲经验风险最小化原理已经不适宜于小样本的模式识别，厩需新的机器学习方法能 够在小样本情况下能有效学习( 满足复杂性要求) 和具有好的泛化能力( 推广能 力) 。 2 4 指示函数集的v c 维 为了研究学习过程一致收敛的速度和推广性，统计学习理论定义了一系列有关函 数集学习性能的指