CN104036112A - 一种基于支持向量机与专家系统的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机与专家系统的故障诊断方法，包括把专家知识和经验储存在知识库中，再把支持向量机用于推理机中，专家知识和经验经过处理后经过推理机进行训练并分类，产生模型并保存；当从地铁上实时采集过来的数据进行特征值提取后，存入数据库，再从数据库中提取这些数据并进行处理，输入到推理机中来判断是否存在故障，如果存在故障就对其进行分类并分析属于故障的类型及原因。本发明以专家系统为模型，将支持向量机用于专家系统的推理机中，对地铁发生的故障进行判断，不仅解决了地铁工作人员依据经验来判断故障的所带来的困难，而且大大提高了解决故障的速度和准确率。

Description

一种基于支持向量机与专家系统的故障诊断方法

技术领域

本发明属于机器学习技术领域，尤其涉及一种基于支持向量机与专家系统的地铁故障诊断方法。

背景技术

随着社会的快速发展，各大中城市都已经修建了地铁，并且慢慢地成为该城市的主要交通工具。对地铁的可靠性和安全性也提出了更高的要求，地铁相关部门不断提高地铁本身质量的同时，必须采取有效措施保证地铁稳定可靠地运行，但是地铁在长时间运行过程中，设备一定出现故障，导致其不能正常运行，因此对地铁进行故障诊断显得日益重要。

在故障诊断中，对故障诊断方法的选取是其中的关键技术。传统的故障诊断方法使用专家系统法，通过把专家知识输入到知识库中，再从知识库依次寻找故障发生的原因及位置。但是这种方法有以下劣势：只能求解固定的专门问题，无法解决超出知识范围的问题；专家知识的获取具有瓶颈问题；不具备自学习能力。然而地铁系统复杂，每个系统涉及诸多故障问题，在运行获取数据过程中，快速、及时地判断出故障类型及原因非常困难。因此，传统的故障诊断方法已经不再适用。

支持向量机是基于结构风险最小化原则，具有以下优势：良好的泛化能力；自动获取知识，突破知识获取的“瓶颈”；具有自适应、自学习、记忆和归纳能力；保证算法的全局最优。

综上所述，支持向量机与专家系统优劣势，通过将支持向量机与专家系统相结合的方法，可以快速、准确地判断出故障发生的位置及原因，这是一个全新的研究设计策略。本发明基于专家系统模型，通过将支持向量机运用到推理机中，并以此实现对故障进行分类并判断。

发明内容

发明目的：本发明旨在提供一种基于支持向量机与专家系统的地铁故障诊断方法。

技术方案：一种基于支持向量机与专家系统的故障诊断方法，包括以下步骤：

(1)将专家知识和经验通过知识获取模块储存到知识库中；

(2)推理机获取知识库中知识前先对其进行预处理；

(3)选择核函数；

(4)使用交叉验证的方法搜寻最优参数C和γ；

(5)推理机对预处理后的数据根据最优参数C和γ进行训练并分类，生成相应的支持向量模型；

(6)将实时采集过来的数据进行特征值提取存入到数据库中；

(7)当对步骤(6)数据进行判别时，推理机根据步骤(5)训练生成的支持向量模型对步骤(6)获取的数据进行分类学习，判断故障所属的类型及原因；

(8)输出诊断结果。

所述步骤(2)中的预处理步骤为将知识库中知识转换成支持向量机所要求的输入格式。

所述推理机采用的是支持向量机。

所述支持向量机是多类支持向量机，采用一对一的分类方法，把k类分类问题，构造成N＝k(k-1)/2个两类SVM分类器。

所述支持向量机中使用的分类模型是C-SVC,采用惩罚参数的SVM思想进行分类。其中C就是惩罚参数，表示对错误的惩罚程度，C越大惩罚越重。

所述步骤(3)的核函数采用的是RBF核函数，所述RBF核函数确定的参数是惩罚参数和核参数，惩罚参数的作用是在映射后的高维空间汇总，对学习机器的置信区间范围进行调节；核参数的作用是映射后的数据在高维空间分布的复杂程度。核参数确定后便决定了分类达到的最小误差。

所述RBF核函数的表达式为K(x,y)＝exp{-γ|x-y|²}，其中x,y是特征向量。

有益效果：与现有技术相比，本发明所提供的基于支持向量机与专家系统的故障诊断方法，支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以求获得最好的推广能力。支持向量机能够自动获取知识，有自学习、自适应、记忆和归纳的能力；支持向量机是一种坚实理论基础的小样本学习方法，它不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归的问题，故本发明能够稳定、可靠地针对故障进行诊断。

附图说明

图1是本发明的流程框图；

图2是本发明中支持向量机二维平面图。

具体实施方式

本发明所述的一种基于支持向量机与专家系统的地铁故障诊断方法，主要是以专家系统为模型，将支持向量机用于专家系统的推理机中，对地铁发生的故障进行判断。专家系统的核心是知识库和推理机，把专家知识和经验储存在知识库中，再把支持向量机用于推理机中，专家知识和经验经过处理后经过推理机进行训练并分类，产生模型并保存；当从地铁上实时采集过来的数据进行特征值提取后，存入数据库，再从数据库中提取这些数据并进行处理，输入到推理机中来判断是否存在故障，如果存在故障就对其进行分类并分析属于故障的类型及原因。包括以下步骤：

(1)将专家知识和经验通过知识获取模块储存到知识库中；

(2)推理机获取知识库中知识前先对其进行预处理，预处理步骤为将知识库中知识转换成支持向量机所要求的输入格式。推理机采用的是多类支持向量机，采用一对一的分类方法，把k类分类问题，构造成N＝k(k-1)/2个两类SVM分类器。支持向量机中使用的分类模型是C-SVC,采用惩罚参数的SVM思想进行分类。其中C就是惩罚参数，表示对错误的惩罚程度，C越大惩罚越重。

(3)选择核函数；核函数采用的是径向基函数(RBF)，其中RBF核函数要确定的参数是惩罚参数C和核参数γ。C的作用是在映射后的高维空间汇总，对学习机器的置信区间范围进行调节；核参数γ的作用是映射后的数据在高维空间分布的复杂程度，核参数γ确定后便决定了分类达到的最小误差。RBF核函数的表达式为K(x,y)＝exp{-γ|x-y|²}，其中x,y是特征向量。

(4)使用交叉验证的方法搜寻最优参数C(惩罚参数)和γ(核参数)；

(5)推理机对预处理后的数据根据最优参数C和γ进行训练并分类，生成相应的支持向量模型；

(6)将实时采集过来的数据进行特征值提取存入到数据库中；

(7)当对步骤(6)数据进行判别时，推理机根据步骤(5)训练生成的支持向量模型对步骤(6)获取的数据进行分类学习，判断故障所属的类型及原因；

(8)输出诊断结果。

如图1所述，其为实现基于支持向量机与专家系统的故障诊断框图，核心在于推理机中的支持向量机，支持向量机主要用于分类问题，在地铁中有很多的系统，所以在地铁中用到的是多类支持向量机，多类支持向量机使用性能较好的一对一方法：对于k类分类问题，构造所有可能的两类SVM分类器，共可以构造N＝k(k-1)/2个两类SVM分类器。在构造第i类与第j类之间的两类SVM分类器时，将第i类与第j类内的点分别标记为+1和-1。测试时，将测试数据分别代入上述的N＝k(k-1)/2个两类分类器进行测试，累计各类别的得分，选择得分最高者所对应的类别为测试数据的所属类别。

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，基本思想用图2的二维平面的情况来说明。

图2中，圆点和五边形点代表两类样本，中间的粗实线为分类线，附近的两条虚线分别为过各类中离分类线最近的样本且平行于分类线的直线，它们之间的间隔就是分类间隔。所谓的最优分类线就是要求分类线不但能将两类正确无误地分开，即训练错误率为0，而且使分类间隔最大。对分类线(w·x)+b＝0进行标准化处理，使得对线性可分的样本集S，满足不等式：

y_i((w·x_i+b)≥1，i＝1,2,…,l (1)

此时分类间隔等于2/||w||,使间隔最大等价于使||w||/2最小。训练样本正确可分，且使||w||/2最小的分类面就是最优分类面，位于两条虚线上的训练样本点称作支持向量。

在线性可分条件下构建最优超平面，转化为二次规划问题：

s.t.y_i((w·x_i)+b)≥1 i＝1,2,…,l (3)

定义Lagrange函数

其中，α≥0为Lagrange乘数

根据KKT定理

把式(5)和(6)代入到式(2)和(3)中，最优超平面的问题就转化为一个对偶二次规划问题

通过选择不为零的α_i，代入式(7)中解出b，对于给定的未知样本x，只需计算

sgn[(w·x)+b]

就可判断x所属的类别。

在实际解决问题中，大多数使用的是非线性支持向量机，对于非线性支持向量机，是通过非线性变换将输入变量x转换为某个高维空间中，然后在变换空间求最优分类面。在这种情况下，在高维空间只需进行内积运算，而这种内积运算是可以用原空间中的函数实现的，我们甚至没有必要知道变换的形式。只要一种核函数K(x_i,x_j)(i,j＝1,2,…,l)满足Mercer条件，它就对应某一变换空间中的内积。

通过非线性映将输入变量映射到高维Hilbert空间H中，如果定义K(x,y)＝φ(x)·φ(y)，那么目标函数就变为

相应的分类函数为

非线性支持向量机就是下面的最优化问题

s.t.y_i((w·φ(x_i))+b)≥1-ξ_i,ξ_i≥0,i＝1,2,…,l

其对偶问题为

Claims (7)

1.一种基于支持向量机与专家系统的故障诊断方法，其特征在于，包括以下步骤：

(1)将专家知识和经验通过知识获取模块储存到知识库中；

(2)推理机获取知识库中知识前先对其进行预处理；

(3)选择核函数；

(4)使用交叉验证的方法搜寻最优参数C和γ；

(5)推理机对预处理后的数据根据最优参数C和γ进行训练并分类，生成相应的支持向量模型；

(6)将实时采集过来的数据进行特征值提取存入到数据库中；

(7)当对步骤(6)数据进行判别时，推理机根据步骤(5)训练生成的支持向量模型对步骤(6)获取的数据进行分类学习，判断故障所属的类型及原因；

(8)输出诊断结果。

2.如权利要求1所述的一种基于支持向量机与专家系统的故障诊断方法，其特征在于，所述步骤(2)中的预处理步骤为将知识库中知识转换成支持向量机所要求的输入格式。

3.如权利要求1所述的一种基于支持向量机与专家系统的故障诊断方法，其特征在于，所述推理机采用的是支持向量机。

4.如权利要求3所述的基于支持向量机与专家系统的故障诊断方法，其特征在于，所述支持向量机是多类支持向量机，采用一对一的分类方法，把k类分类问题，构造成N＝k(k-1)/2个两类SVM分类器。

5.如权利要求3所述的基于支持向量机与专家系统的故障诊断方法，其特征在于，所述支持向量机中使用的分类模型是C-SVC,采用惩罚参数的SVM思想进行分类。

6.如权利要求1所述的基于支持向量机与专家系统的故障诊断方法，其特征在于，所述步骤(3)的核函数采用的是RBF核函数，所述RBF核函数确定的参数是惩罚参数和核参数，惩罚参数的作用是在映射后的高维空间汇总，对学习机器的置信区间范围进行调节；核参数的作用是映射后的数据在高维空间分布的复杂程度。

7.如权利要求6所述的基于支持向量机与专家系统的故障诊断方法，其特征在于，所述RBF核函数的表达式为K(x,y)＝exp{-γ|x-y|²}，其中x,y是特征向量。