基于SVDD故障诊断方法中的非目标数据

支持向量数据描述(SVDD)是一种单值分类方法。该方法能够在只有一类学习样本的情况下建立分类器,在机械故障诊断中的应用有望解决制约智能故障诊断技术发展的故障数据缺乏问题。提出了一种基于支持向量数据描述的故障诊断方法,利用非目标样本即故障数据,来提高故障诊断准确率的方法。仿真实验结果显示,该方法可有效利用故障数据提高故障诊断的准确性。

一种改进的支持向量数据描述在故障诊断中的应用

机械设备正常运行的振动信号很容易获得,而有故障时的振动信号一般很难获得。在没有故障信号时可以仅仅依靠正常运行时的信号,利用支持向量数据描述方法(support vector data description,SVDD)建立单值分类器,从而对设备运行状态进行监测诊断。当具有一定的故障样本(非目标样本)时,既可以建立传统的二值分类器,也可以建立SVDD单值分类器。但当非目标样本较少时,传统的二分类器就很难有好的分类能力,而SVDD方法只利用了一类样本信息,对信息没有充分利用,也同样不利于提高监测诊断的准确性。文中研究一种改进的SVDD——加入非目标样本的SVDD分类方法,及其在故障诊断中的应用,该方法将实际生产中难以得到的故障信息加以利用,使信息利用更加充分,提高设备故障分类的准确性。通过对滚动轴承实验数据的分析,证明该方法可以有效提高故障诊断的准确度。