支持向量机（Support Vector Machines ,SVM），是基于统计学理论的发展下形成的一种创新型的机器学习方式，其中最为显著的优势即具有极强的推广能力，适用于小样本中的问题求解，现阶段，支持衡量机在机械故障的诊断中发挥着重要的作用。通过相关的实验表明模型选择依旧是依据经验的方法，并未具备较为完善的理论指导。
1 支持向量机
在感知机的模型中，可以利用多种分类超平面将数据进行有效的区分，在优化的过程中能够将所有的点都能够远离超平面。但是，结合实际来分析，距离超平面相对较远的点已经被准确地分类，如果将点远离超平面显然失去操作意义。然而，对于相对较近的点很容易出现分类错误的现象，SVM的起源就是来源于此。如图1所示，此时分离超平面即wTx+b=0。如果样本在被超平面所分离的同时，还会与超平面保持相应的函数距离，图1的函数距离为1，那么，此种分类的超平面相比于感知机类的超平面存在一定的优势。因此可以得出：此种超平面只有1个。同超平面平行保持函数距离相对的向量，即支持向量，如图1虚线所示。
图1：分离超平面
2 支持向量机在机械故障中模式识别中的应用
2.1 数据准备
为了确保支持向量机的实际推广能力，本文将其方法与旋转机械故障进行有效的结合，对实验方案采取了充分的比较，将实验的硬件环境设置为Celeron（R）CPU2.40GHz、计算机的内存为768MB，将软件环境设置为Matlab6.5。
借助实验方法，并以测试样本为实验对象，其具体数据主要是来源于DRVI的转子平台。但是由于转子所产生故障具有多种形式，因此要充分结合实验的条作。对转子试验器的正常、磨碰、松动与偏心这四种工作状态进行诊断与分类。借助诊断传感器获取以上四种工作状态中最为原始的数据，其中，处于碰磨与松动时LabVIEW环境下的时域波形即图2所示。实验时，取转速200rpm、采样频率1500Hz、数据长度150点，以上四种状态皆以100组为训练样本，将60组作训练样本，40作测试样本，分布图3所示。
图2：时域波形
图3：样本分布图表
2.2 构建多故障分类器
根据以上四种数据状态，进行样本集合，在开展诊断工作的前期，要结合诊断的任务要求借助支持向量机进行数据计算，在机械正常运转的状态下，将数据样本视为目标样本，标记为1，建立单值分类器，随后在此基础上依据支持衡量机的二分类算法将诊断工作视为多值分类的问题。在构造k分类器中的m各分类器的过程中，可以将m视为一类训练样本，标记为y1m=-1，再将剩余的k-1类训练样本比作为同一类，标记为y1m=1，为k故障构造k个二值分类器，然后按照图4所示的流程图将k个分类器进行组合，形成一个可以识别各种工作状态的多故障分类器。
（下转第 515 页）
图4：基于SVM的多种故障分类器分类流程示意图
2.3 实验设计与结果分析
结合目前的实验研究结果来分析，并未找到最佳的规律来使用核函数与和参数。在支持向量机的基础上进行多类分类，依据核函数类型对支持向量机具有以一定的影响。为了把握不同核函数与参数对故障分类器造成的影响。将40组数据测试样本进行识别，在试验对比中通过交叉验证法，选取支持向量机中的惩罚因子C=0.5，在试验过程中，将实际应用较为广泛的多项式与径向基视为函数进行试验。将不同状态下的故障借助支持衡量机进行训练，在训练结束后，确立支持向量和系数ai，随后，将其中的故障诊断规则通过相应的测试数据展开识别与测试工作，将其中两种故障分类器中的精度展开详细的对比，另外，在试验中按照由小到大的顺序将多项式的核函数宽度参数进行试验对比，直到试验达到最优的测试结果，并寻找到最佳的参数。结合试验结果展开分析，支持向量机中多故障分类性能并不会对核函数类型的变化产生较大的影响，通过多样式核函数与径向基核函数的多故障分类器来进行对比，二者的性能具有相似的性质，出现诊断错误或者是训练数据错误的发生概率相对较小，对实际应用具有一定的价值。
3 结束语
本文基于支持向量的分类算法，将模拟的故障数据作为主要的研究对象，得出结论，支持向量机所具备的分类性能与核函数的依赖性较弱，这种方式具有一定的稳健性能，在实际工程的应用中具有一定的优势。SVM的性能在核函数的变化过程中具有相应的规律，有助于核函数参数选择的深入研究。
参考文献
[1]郭煜敬,陈士刚,李少华,李洪涛,金光耀,张文涛,张一茗,关永刚.基于经验模态分解及支持向量机的高压隔离开关机械故障诊断方法[J].高压电器,2018,54(09):12-18.
[2]甄树勇,蒋涛,梁如意,王硕飞,靳松.基于形态梯度变换和改进支持向量机的多普勒雷达天线机械故障诊断方法[J].河北省科学院学报,2013,30(03):5-11+50.
[3]王升杰,李宝树,徐建云,赵书涛.基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究[J].电力科学与工程,2012,28(07):30-35.
论文作者:林森
论文发表刊物:《红地产》4月
论文发表时间:2019/1/2