基于lib-svm支持向量回归的电子设备故障预测方法

基于lib-svm支持向量回归的电子设备故障预测方法

0总结目前，有很多关于计算机故障的预测方法，如果建模，它们可以分为两类。1支持向量机svm和数据预测的原则1.1svm回归分析假设训练样本集为{x1)使用一个非线性映射将数据变换到一个高维特征空间F;2)在特征空间中进行线性回归。线性回归函数如下:式中,w为权值,b为偏差。目标是在使风险函数最小化的基础上,寻找合适的w和b。由于φ(x)即事先选择的非线性映射函数是不变的,目标函数其中:C为惩罚因子,实现置信风险和经验风险的折中,当C越大时,其数据拟合能力越高。ξ基于SVM回归的最优回归函数是在结构风险最小化(SRM)原理的基础上,极小化目标函数,即:为有效求解上式,可以通过引入核函数及利用Wolfe对偶方法,将支持向量回归问题转化为二次规划问题。通过建立Lagrange方程及KKT定理,最终获得SVM回归函数如下所示:式中,k(x当样本数据满足线性回归时,φ(x)=对于支持向量机,有如下方程:通过该方程可求出b。1.2y3y型双乘子的求解针对最优化问题,支持向量机采用的算法本文进行故障预测所采用的LIB-SVM支持向量机中针对最优化问题的解决算法就是基于SMO的算法。SMO算法每次迭代只选两个Lagrange乘子进行调整,其他乘子则保持固定不变,在解得这两个乘子之后,再用其改进其他乘子。假设y但会出现以下几种情况α1)y2)y3)y需更新α将上式代入优化目标函数消去α综合考察所有约束条件,可得α其中:H、L为上、下限。且上、下限满足:同时,αα1)先检查所有乘子,将第一个不满足KKT条件的乘子作为α2)在所有不违反KKT的乘子中,选择|E3)在其他乘子固定不变的条件下,将目标函数对α值得注意的是,每次更新完成α利用SMO算法可以求解每一个最小规模的优化问题,一次最小优化不可能保证其结果就是所优化的Lagrange乘子的最终结果,但会使目标函数向极小值迈进一步,因此要对其他Lagrange乘子均做最小优化,直到所有乘子都符合KKT条件时,目标函数达到最小,算法结束2基于lib-svm的故障预测方法本文在对现有装备的工作原理及电路特性分析的基础上,筛选出表征设备运行状态合理有效的特征参数,然后在大量的监测数据中筛选出相应的关键参数样本,以此作为故障预测的训练样本;选择合适的故障预测算法进行建模,获得关键参数的变化趋势并对未来时刻的参数值进行估计;最后对预测结果进行分析,从而实现对电子设备的故障预测。故障预测流程如图1所示。具体实现步骤如下:1)对现有装备工作原理及电路特性进行分析,筛选出合理有效的表征各模块运行状态的特征参数;2)对ATE设备提供的历史数据进行处理,确定训练样本及测试样本;3)选择ε-SVR回归机及合适的核函数k(x常用的核函数有多项式核函数、径向基函数和sigmoid核函数,最常用的径向基函数是高斯核函数,本文采用高斯核函数:4)利用LIB-SVM算法,对未来时刻的特征参数值进行预测;5)对预测结果进行分析,完成相应模块的故障概率预测;6)根据各模块的故障概率预测值,按照一定的融合算法完成电子设备故障预测。3示例证明3.1实验数据及样本集的建立本文以某型通信电台工作在C波段调幅(AM)模式下为例进行故障预测。根据对某型通信电台工作原理及电路特性分析,该设备激励模块的主要特征参数有UUT发信端电流、频率误差、发射功率、AM调幅度及AM调幅失真度等。各特征参数实测数据在以下实验条件下获得:实验场所:ATE实验室;实验对象:某型通信电台;工作模式:C波段调幅(AM)通信模式;数据采集间隔:根据电路实际工作特性设置为72h。按照特征参数的不同进行数据采集,每个参数采集历史数据为450个,将采集的历史数据进行分类整理,剔除野值(非正常测量值),并采用线性插值法进行插值,形成样本集。前400组样本数据作为训练样本集,后50组样本数据为测试样本集,用训练样本集建立支持向量机回归模型,并用测试样本集进行验证。各特征参数的部分实测数据如表1所示。3.2求各样本数据统一在MATLAB平台上安装LIBSVM3.12工具箱及基于该工具箱的图形用户界面SVM-GUI。按照LIBSVM工具箱的数据格式要求,把每一个样本数据按照一定格式进行统一,具体格式为:<label>[index1]:[value1][index2]:[value2]…,其中:label是训练样本集的目标集,如UUT输入端电流值等。Index是从1开始的数据序号,为整数值;value是用来进行训练或预测的特征值,一般为实数。测试数据也要转化为此种格式,其目标值为空。下面是关于UUT输入端电流的数据预测过程及结果分析。3.2.1预测数据对比对于支持向量机的参数的选择在选择以上参数的条件下,完成对50组测试样本集的数据预测。实际数据与预测数据对比情况如图3所示,此时,训练集和测试集总的均方误差为:MSE=0.0020881(其中trainsetMSE=0.0020438,trainsetr2=0.99997,testsetMSE=0.061595,testsetr^2=0.99624)3.2.2模块可能故障概率预测表2给出了UUT输入端电流的预测结果及相应的误差。由结果可知,基于历史数据的支持向量回归预测,预测精度较高,可以得到较理想的预测结果,说明该方法进行特征参数预测是可行的。同理,可利用该方法获得其他特征参数预测值。要实现对激励模块的故障预测,需要知道各特征参数对应的阈值(即参数容许值的上、下限),根据此值便可对任意时刻该模块的工作状态进行评估。各参数的阈值由电台的工作模式给定。模块发生故障概率可用下面公式来确定:式中,xm为特征参数某时刻的预测值,x0为电路正常工作时被测元件特征参数的标准值,t假定以第400个测试时刻为当前时刻,经过对预测结果分析,在60天(即420处)之后,属于不同参数的激励模块可能故障概率如表3所示。采用主因素突出型融合算法对模块可能故障概率进行判断,得出激励模块在预测时刻点处不会发生故障,即在60天之后,该设备中的激励模块仍然工作正常。综合各模块的故障概率,采用一定的融合算法,最终得到某型通信电台的故障概率。通过实际设备状态跟踪发现,该方法可以实现一定时间范围内设备可能故障概率的有效预测,预测结果较为准确。4预测精度的分析本文针对时间序列上的实际参数值,采用LIB-SVM支持向量回归方式,完成了未来某时刻参数值的预测,得出各模块