多分類SVM的代價敏感加權故障診斷方法*

向陽輝，張干清，龐佑霞，郭振華

(1.長沙學院機電工程系 長沙，410003) (2.寧波高博科技有限公司 寧波，315400)

?

多分類SVM的代價敏感加權故障診斷方法*

向陽輝1，張干清1，龐佑霞1，郭振華2

(1.長沙學院機電工程系 長沙，410003) (2.寧波高博科技有限公司 寧波，315400)

為了在支持向量機(support vector machine,簡稱SVM)中合理引入代價敏感機制來降低故障誤診斷的代價，提出一種多分類SVM的代價敏感加權故障診斷方法。該方法通過對多分類SVM的硬判決得票矩陣進行代價敏感加權，將故障誤診斷的代價作為權重融入SVM的硬判決，并分析硬判決的得票數和得票權重，從而構造出各故障的概率分配，最終實現多分類故障的SVM代價敏感加權診斷及概率輸出。實驗結果表明，多分類SVM代價敏感加權處理的診斷結果更趨向于高代價故障，所提方法能夠有效降低故障誤診斷的代價。

代價敏感； 支持向量機； 故障診斷； 代價矩陣； 加權

引 言

在工業生產過程中，不同故障對設備的危害程度通常是不同的，即故障誤診斷所帶來的代價(損失)存在較大差異[1-2]。如果將存在故障的設備誤診斷為正常，將會延誤故障處理，危害設備安全，造成巨大經濟損失，甚至危及人身安全；反之雖也需花費人力、物力來處理該誤報故障，但相比前者所付出的代價顯著降低。同樣，將高危害故障誤診斷為低危害故障也要比相反情況付出更高的代價。因此在實際故障診斷中，不能只追求最大化診斷正確率，而應以誤診斷代價最小化為故障診斷目標。面向實際問題的代價敏感故障診斷已經被看作是未來故障診斷領域的重要研究方向[3-4]。

為了有效提升故障診斷性能，降低故障誤診斷代價，在故障診斷領域已提出了許多代價敏感學習算法[5-6]。其中，由于支持向量機是基于結構風險最小化原則，具有小樣本學習能力和較好的泛化能力[7-9]等優越性，因此將SVM與代價敏感相結合應用于故障診斷研究具有非常重要的實際意義。文獻[10-12]已經對SVM的代價敏感故障診斷進行了研究，提出了一些SVM的代價敏感改進算法，取得了良好效果，較好地解決了二分類故障問題。這些算法在解決多分類故障問題時都存在困難，且無法得到故障分類的概率輸出。

筆者為了在SVM中合理引入代價敏感機制來降低故障誤診斷的代價，著重研究多分類SVM與代價敏感結合的問題。通過對多分類SVM的硬判決得票矩陣進行代價敏感加權處理，將故障誤診斷的代價作為權重合理融入SVM的硬判決，并綜合分析硬判決得票數和得票權重構造出各故障的概率分配，實現多分類故障的SVM代價敏感加權診斷及概率輸出，提出了一種多分類SVM的代價敏感加權故障診斷方法。通過轉子實驗測試，驗證了該方法的有效性。

1 支持向量機及其代價敏感加權

1.1 代價敏感學習

代價敏感學習是近年來機器學習和數據挖掘領域的一個新的研究熱點[4,6,12]。在代價敏感學習中，假設有n類樣本，代價矩陣定義為C(i，j)，表示將第i類樣本誤分為第j類時的代價，通常C(i，j)≠C(j，i)。當正確分類時代價為0，即C(i，i)=0。

以二分類問題為例，誤分類代價所用的代價矩陣如表1所示。其中：TP為正例分類是正例的代價；FP為反例分類是正例的代價；FN為正例分類是反例的代價；TN為反例分類是反例的代價。正確分類代價TP=TN=0。

表1 二分類問題代價矩陣

代價敏感評價指標有全局誤分代價β和平均誤分代價ρ等

(1)

(2)

其中：|·|表示分類樣本個數，如|FP|表示反例分類為正例的個數。

1.2 支持向量機理論

SVM是建立在統計學習理論和結構風險最小化原理基礎上的新型機器學習方法[13]，其分類方法的實質就是尋找一個最優分類超平面，使得從這個超平面到兩類樣本集的距離之和(即分類間隔)最大。

假定2類線性可分樣本集(xi,yi)(xi∈Rd；yi∈{-1,+1}；i=1,2,…,n)，SVM把尋找分類間隔最大的最優超平面問題轉化為求解凸二次優化問題

(3)

其中：ω為權重向量；b為偏置；ξ為松弛因子；C為懲罰因子。

當式(3)中yi[(ωxi)+b]≥1-ξi的等號成立時，對應的樣本稱之為支持向量。它是由訓練樣本集的一個子集樣本向量構成的展開式。從訓練集中得到了描述最優分類超平面的決策函數即支持向量機，它的分類功能由支持向量決定。

對于線性可分問題，求解得到決策函數

(4)

其中：αi為拉氏乘子；k為支持向量數目。

若樣本集(xi,yi)(xi∈Rd；yi∈{-1,+1}；i=1,2,…,n)線性不可分，可以通過非線性變換映射到某個高維的特征空間，即用核函數K(x,xi)代替原空間的內積，使得其在該高維空間下線性可分

(5)

標準SVM解決的是二分類問題，而故障診斷等領域需要解決的是多分類問題。目前已經提出一些有效的多分類支持向量機，包括一對多、一對一、有向無環圖、二叉樹和糾錯編碼等。

1.3 SVM的代價敏感加權

標準SVM解決的是二分類問題，其輸出結果為硬判決輸出[+1，-1]。假定在標準SVM二分類(Ai，Aj)問題中，定義F(Ai，Aj)表示故障樣本是否屬于Ai類的標準SVM硬判決投票輸出，如果故障樣本判定屬于Ai類，則向Ai類投票F(Ai，Aj)=1，不向Aj類投票F(Aj，Ai)=0；如果判定屬于Aj類，則向Aj類投票F(Aj，Ai)=1，不向Ai類投票F(Ai，Aj)=0。標準SVM二分類判決，故障樣本只能判定屬于某一類，即F(Ai，Aj)和F(Aj，Ai)只能有一個為1，另一個為0。

為了合理考慮故障誤診斷代價的差異，對標準SVM硬判決的投票輸出進行代價敏感加權，C(Ai，Aj)表示把Ai類故障誤診斷為Aj類的代價，則標準SVM二分類問題的代價敏感加權的硬判決投票權重輸出Fc為

(6)

Fc(Ai，Aj)為故障樣本是否屬于Ai類的標準SVM硬判決投票權重輸出，如果判定屬于Ai類，則Fc(Ai，Aj)有權重輸出，其權重輸出等于Ai類誤診斷為Aj類的代價，它表示故障樣本是屬于Ai類，且SVM也正確地將其判決投票給了Ai類的重要程度，Ai類誤診斷為Aj類的代價越大，該次判決投票為Ai類的重要程度就越高；如果判定不屬于Ai類，則Fc(Ai，Aj)=0，其該次判決投票為不屬于Ai類(即該次判決投票屬于Aj類)的重要程度就由Fc(Aj，Ai)的權重輸出進行體現。同樣，在標準二分類SVM判決中，故障樣本只能判定屬于某一類，即Fc(Ai，Aj)和Fc(Aj，Ai)只能有一個有權重輸出，另一個為0。

由此可見，在進行代價敏感加權前，標準SVM硬判決輸出結果為+1或-1，沒有權重差異；而進行代價敏感加權后，誤診斷代價作為權重有效融入標準SVM硬判決加權輸出Fc，充分體現了誤診斷代價的差異。當然這種代價敏感加權在標準SVM二分類問題中并沒有實際意義，但在故障診斷等多分類問題中，通過后續處理能夠對診斷結果產生積極影響，能有效降低故障誤診斷的代價。

2 SVM代價敏感加權的故障診斷應用模型

2.1 SVM代價敏感加權診斷應用框架

本研究中多分類支持向量機的代價敏感加權故障診斷過程可分為3大模塊：a.信號預處理模塊；b.多分類SVM代價敏感加權處理模塊；c.多分類SVM概率輸出及診斷決策模塊。其應用框架如圖1所示。

圖1 SVM的代價敏感加權故障診斷應用框架

1) 預處理模塊。對待診斷目標設備進行信號采集、故障特征參數提取等，并按傳統“一對一”多分類SVM故障診斷方法進行診斷，得到其硬判決得票矩陣；同時領域專家實地評估和統計目標設備的各故障代價，建立該設備的誤診斷代價矩陣。

2) 多分類SVM代價敏感加權處理模塊。對“一對一”多分類SVM硬判決得票矩陣按誤診斷代價矩陣進行代價敏感加權處理，得到多分類SVM硬判決的代價敏感加權矩陣。

3) 多分類SVM概率輸出及診斷決策模塊。對硬判決加權矩陣進行分析，綜合考慮各故障的硬判決得票數和得票權重，合理構造出各故障的概率輸出，并按相應診斷決策規則得出最終診斷結論。

2.2 SVM的代價敏感加權處理

故障診斷領域需要解決的通常都是多分類問題，筆者采用“一對一”多分類SVM方法進行處理。假設辨識框架中共有n類故障模式{A1，A2，…An}，通過“一對一”兩兩分類方法建立起該多分類故障SVM的硬判決得票矩陣F

F(Ai，Aj)表示故障樣本如果屬于Ai類則投票F(Ai，Aj)=1，否則不投票F(Ai，Aj)=0。當i=j時，F(Ai，Aj)沒有實際意義，為了便于矩陣F的后續處理設定其等于0。矩陣F的第1行表示第A1類與其他類兩兩分類的SVM硬判決得票結果；矩陣F的第n行表示第An類與其他類兩兩分類的SVM硬判決得票結果。

同時，領域專家實地評估和統計目標設備的各故障代價，建立起該設備的誤診斷代價矩陣C

C(Ai，Aj)表示把Ai類誤診斷為Aj類的代價。當i=j時，C(Ai，Aj)表示診斷正確，其代價為0。矩陣C的第1行表示把A1類誤診斷為其他類的代價值；矩陣C的第n行表示把An類誤診斷為其他類的代價值。

投票矩陣F和代價矩陣C都是n×n維矩陣，兩矩陣對應位置元素體現的都是各故障模式兩兩之間對應的相互關系。為了對“一對一”多分類SVM的硬判決得票矩陣F按各故障模式的誤診斷代價矩陣C進行代價敏感加權處理，將矩陣F和C中對應各元素按式(6)進行計算，從而得到該多分類故障SVM硬判決的代價敏感加權矩陣FC

Fc(Ai，Aj)表示故障樣本兩兩分類屬于Ai類的得票權重。當i=j時，Fc(Ai，Aj)沒有實際意義，其得票權重為0。矩陣FC的第1行表示第A1類與其他類兩兩分類的SVM硬判決得票權重輸出；矩陣FC的第n行表示第An類與其他類兩兩分類的SVM硬判決得票權重輸出。

2.3 多分類支持向量機的概率輸出及診斷決策

筆者為了有效降低故障誤診斷的代價，同時兼顧故障診斷的準確率，需綜合合理考慮多分類SVM的硬判決得票數和得票權重，可先分別計算其得票隸屬度和權重隸屬度，再構造其概率輸出。

將第Ai類的得票總權重與該類的誤診斷總代價之比定義為該類故障的得票隸屬度q′(Ai)

(7)

如果第Ai類參與的SVM兩兩分類判定屬于第Ai類的得票數越多，則q′(Ai)值越大。q′(Θ)表示得票判定的不確定隸屬度，得票數越集中，q′(Θ)值越小。

將第Ai類的得票總權重與辨識框架中各類故障的誤診斷總代價最大值之比定義為該類故障的權重隸屬度q″(Ai)

(8)

如果第Ai類參與的SVM兩兩分類獲得的得票權重越大，則q″(Ai)值越大；q″(Θ)表示權重判決的不確定隸屬度，得票權重越集中，q″(Θ)值越小。

第Ai類故障的綜合隸屬度q(Ai)定義為得票隸屬度q′(Ai)與權重隸屬度q″(Ai)之和，即

(9)

其中：k為平衡系數，0≤k≤2。

k是用來調節誤診斷代價作為權重對故障診斷結果影響的尺度，k值越大則誤診斷代價矩陣C對故障診斷結果的影響越大。本實例為了兼顧故障診斷的準確率和故障誤診斷的代價，平衡系數k取1。

綜合隸屬度q(Ai)越大，則故障樣本屬于第Ai類的可能性越大，m(Ai)得到的概率輸出也應越大，可以構造如下公式得到各故障模式的概率分配

(10)

其中：M表示多分類SVM的規模，多分類規模越大M值應越大。

定義M為

(11)

根據各故障的概率輸出，m(Ai)可由以下診斷決策規則判定得出最終的診斷結論Af：

2)m(Af)-m(Ai)>ε;m(Af)>m(Θ)；

3)m(Θ)<γ。

規則1是診斷的基本條件，即所判定故障模式具有最大的概率輸出；規則2表明所判定故障模式的概率輸出必須比其他故障模式的概率輸出大ε，即占有相當優勢；規則3表明不確定度必須小于γ，保證故障樣本是充分可判斷的。其中，ε和γ應根據實際情況確定。

3 實驗分析

在轉子實驗臺上分別進行不平衡、不對中、油膜渦動、徑向碰磨和轉子正常5種故障狀態的代價敏感故障診斷識別研究。系統辨識框架為Θ={F1,F2,F3,F4,F5}。其中：F1為不平衡狀態；F2為不對中狀態；F3為油膜渦動狀態；F4為徑向碰磨狀態；F5為正常狀態。為了更有效地進行實驗分析，所有樣本數據都加入了占信號幅值10%左右的白噪聲信號。

由于在實際生產過程中,旋轉機械故障所帶來的代價(損失)涉及人力、物力等許多因素,為了使各故障之間的誤診斷代價更加合理，一般需要領域專家實地評估和統計才能給出。在本研究的實驗分析中,直接引用文獻[14]給出的故障誤診斷代價矩陣,如表2所示。

表2 故障誤診斷代價矩陣

分析辨識框架中5種故障模式的發生機理,基于頻域小波能量分析特征向量(E1，E2，…，E6)搭建“一對一”多分類SVM進行故障診斷，其投票判決過程如圖2所示。現取該轉子一組實測信號樣本，如圖3所示。首先，輸入到上述已搭建好的SVM進行故障診斷；其次，得到多分類故障的SVM硬判決得票矩陣，如表3所示；然后，根據式(6)進行代價敏感加權處理得到SVM代價敏感加權矩陣，如表4所示；最后，根據式(7)～式(11)計算得出各故障的綜合隸屬度和概率輸出，如表5所示。

圖2 “一對一”多分類SVM的投票判決過程圖

圖3 實測信號樣本圖

表3 SVM硬判決得票矩陣

Tab.3 The votes matrix of the hard decision of SVM

FiFjF1F2F3F4F5Fi得票數F1011002F2001102F3000101F4100012F5111003

表4 SVM代價敏感加權矩陣

表5 各故障的綜合隸屬度和概率輸出

Tab.5 The comprehensive membership and probability output of each fault

參數F1F2F3F4F5Θqi0.52900.62210.41581.09680.84680.7016mi0.02820.05580.01020.60840.20460.0927

從表3可以看出，F5的得票數為3；F1，F2，F4的得票數都為2。如果僅從得票數來看，故障樣本應判定為F5。但由于各故障狀態的得票數都偏低，F5相對于其他狀態(如F1，F2，F4)的得票優勢并不大，即該診斷判定的可信度偏低，故障誤診斷的可能性比較大。此時應充分考慮各故障誤診斷的代價差距，應盡量避免把代價高的故障(如F4，F3)誤診斷為代價低的故障(如F5)，判決結果應更傾向于代價高的故障。從表5可以看出，綜合考慮各故障誤診斷的代價并進行代價敏感加權處理后，F4的概率輸出為0.608 4，F5的概率輸出為0.204 6，最終故障判定為F4。由此可見，多分類故障SVM通過代價敏感加權處理后能夠使得判決結果更傾向于代價高的故障，有利于降低故障誤診斷的代價。

為了評估該代價敏感故障診斷方法的性能，選取不同故障狀態典型樣本各100組進行故障診斷測試。傳統“一對一”多分類SVM故障診斷方法(票數相同時按文獻[15]進行二次細分處理)診斷得到的混淆矩陣如表6所示；筆者所提代價敏感SVM故障診斷方法(ε=0.35，γ=0.15)診斷得到的混淆矩陣如表7所示；再根據表6、表7統計得到這兩種方法的識別正確率對比如表8所示；同時根據式(1)、式(2)計算得到這兩種方法的全局誤分代價和平均誤分代價對比如表9所示。

表6 傳統SVM故障診斷混淆矩陣

Tab.6 The confused matrix of fault diagnosis of traditionary SVM

真實狀態預測狀態F1F2F3F4F5各類樣本總數F1834355100F2579466100F3528049100F44457710100F5334585100

表7 代價敏感SVM故障診斷混淆矩陣

Tab.7 The confused matrix of fault diagnosis of cost-sensitive SVM

真實狀態預測狀態F1F2F3F4F5各類樣本總數F1785674100F2480664100F3348454100F4334873100F5476974100

表8 故障診斷識別正確率對比

Tab.8 The contrast of the correct recognition rate between two fault diagnoses

診斷方法F1F2F3F4F5總識別率傳統SVM0.830.790.800.770.850.8080代價SVM0.780.800.840.870.740.8060

表9 故障診斷誤分代價對比

Tab.9 The contrast of the incorrect recognition rate between two fault diagnoses

診斷方法全局誤分代價平均誤分代價傳統SVM4720.944代價SVM3540.708

從表8可以看出，多分類故障SVM通過代價敏感加權處理后，代價高的故障識別正確率有所提升(F3從0.80提升到0.84；F4從0.77提升到0.87)，代價低的故障識別正確率卻有所下降(F1從0.83下降到0.78；F5從0.85下降到0.74)，但故障診斷的總識別正確率變化不大。從表9可以看出，代價敏感加權處理能夠顯著降低故障誤診斷的全局誤分代價和平均誤分代價(全局誤分代價從472下降到354，平均誤分代價從0.944下降到0.708)。由此可見，代價敏感SVM故障診斷方法是以犧牲代價低的故障的識別正確率來提升代價高的故障的識別正確率，故障診斷的總識別正確率并沒有得到改善(也許還會稍有下降)，但該方法確實能夠有效降低故障誤診斷的代價。

4 結 論

1) 充分考慮了故障誤診斷代價的差異，通過對多分類SVM的硬判決得票矩陣進行代價敏感加權，將故障誤診斷的代價作為權重合理融入了SVM的硬判決，從而有效實現了多分類故障的SVM代價敏感加權處理。

2) 綜合分析了多分類SVM的硬判決得票數和得票權重，提出了一種多分類SVM概率分配的構造方法，實現了多分類故障的SVM診斷結果概率輸出。

3) 為了在SVM中合理引入代價敏感機制來有效降低故障誤診斷的代價，提出了一種多分類SVM的代價敏感加權故障診斷方法。通過轉子實驗測試表明，多分類SVM的代價敏感加權處理能夠確保在較高診斷正確率的情況下，使得診斷結果更傾向于高代價故障，從而顯著降低了故障診斷的全局誤分代價和平均誤分代價，充分驗證了該方法的有效性。

[1] Rasmussen C E, Williams C K I. Gaussian processes for machine learning[M]. Cambridge, London: The MIT Press, 2006:3-5.

[2] 吳薇，胡靜濤．基于代價敏感直推式學習的故障診斷方法[J]．儀器儀表學報，2010，31(5)：1023-1027．

Wu Wei, Hu Jingtao. Fault diagnosis based on cost-sensitive transduction inference [J]. Chinese Journal of Scientific Instrument, 2010, 31(5): 1023-1027. (in Chinese)

[3] Saitta L. Machine learning: a technological roadmap[R]. Netherlands: University of Amsterdam, 2000.

[4] 尹金良，朱永利，鄭曉雨，等．代價敏感VBGP在變壓器故障診斷中的應用[J]．電工技術學報，2014，29(3)：222-227．

Yin Jinliang, Zhu Yongli, Zheng Xiaoyu, et al. Cost-sensitive gaussian process classification with variational bayesian treatment for fault Diagnosis of power transformers[J]. Transactions of China Electrotechnical Society, 2014, 29(3): 222-227. (in Chinese)

[5] 唐明珠,陽春華,桂衛華,等. 代價敏感概率神經網絡及其在故障診斷中的應用[J]. 控制與決策, 2010, 25(7): 1074-1078.

Tang Mingzhu, Yang Chunhua, Gui Weihua, et al. Cost-sensitive probabilistic neural network with its application in fault diagnosis[J]. Control and Decision, 2010,25(7): 1074-1078. (in Chinese)

[6] 唐勇波，桂衛華，彭濤. 代價敏感核主元分析及其在故障診斷中的應用[J].中南大學學報：自然科學版, 2013,44(6): 2324-2330.

Tang Yongbo, Gui Weihua, Peng Tao. Cost-sensitive kernel principal component analysis with its application in fault diagnosis[J]. Journal of Central South University: Science and Technology, 2013, 44(6): 2324-2330. (in Chinese)

[7] 劉永斌，何清波，孔凡讓，等. 基于PCA和SVM的內燃機故障診斷[J].振動、測試與診斷, 2012,32(2): 250-255.

Liu Yongbin, He Qingbo, Kong Fanrang, et al. Fault diagnosis of internal combustion engine using PCA and SVM[J]. Journal of Vibration，Measurement & Diagnosis, 2012, 32(2): 250-255. (in Chinese)

[8] 蔣玲莉，劉義倫，李學軍，等. 基于SVM與多振動信息融合的齒輪故障診斷[J].中南大學學報：自然科學版, 2010,41(6): 2184-2188.

Jiang Lingli, Liu Yilun, Li Xuejun, et al. Gear fault diagnosis based on SVM and multi-sensor information fusion[J]. Journal of Central South University: Science and Technology, 2010, 41(6): 2184-2188. (in Chinese)

[9] Widodo A, Yang B S. Support vector machine in machine condition monitoring and fault diagnosis[J]. Mechanical Systems and Signal Processing, 2007, 21(6): 2560-2574.

[10]Tang Yuchun, Zhang Yanqing, Chawla N V, et al. SVMs modeling for highly imbalanced classification[J]. IEEE Trans on Systems, Man and Cybernetics, Part B: Cybernetics, 2009, 39(1): 281-288.

[11]鄭恩輝,李平, 宋執環. 代價敏感支持向量機[J]. 控制與決策, 2006, 21(4): 473-476.

Zheng Enhui, Li Ping, Song Zhihuan. Cost sensitive support vector machines[J]. Control and Decision, 2006, 21(4): 473-476. (in Chinese)

[12]江彤，唐明珠，陽春華. 基于不確定性采樣的自訓練代價敏感支持向量機研究[J].中南大學學報:自然科學版, 2012,43(2): 561-566.

Jiang Tong, Tang Mingzhu, Yang Chunhua. Self-training cost-sensitive support vector machine with uncertainty based on sampling[J]. Journal of Central South University: Science and Technology, 2012, 43(2): 561-562. (in Chinese)

[13]李平, 李學軍,蔣玲莉, 等. 基于KPCA和PSOSVM的異步電機故障診斷[J]. 振動、測試與診斷,2014,34(4): 616-620.

Li Ping, Li Xuejun, Jiang Lingli, et al. Fault diagnosis of asynchronous motor based on KPCA and PSOSVM[J]. Journal of Vibration，Measurement & Diagnosis, 2014, 34(4): 616-620. (in Chinese)

[14]劉金福，于達仁，胡清華，等. 基于加權粗糙集的代價敏感故障診斷方法[J]. 中國電機工程學報, 2007,27(23): 93-99.

Liu Jinfu, Yu Daren, Hu Qinghua, et al. Cost-sensitive fault diagnosis based on weighted rough sets [J]. Proceedings of the CSEE, 2007, 27(23): 93-99. (in Chinese)

[15]陳中杰，蔣剛，蔡勇. 基于SVM一對一多分類算法的二次細分法研究[J]. 傳感器與微系統, 2013,32(4): 44-47.

Chen Zhongjie, Jiang Gang, Cai Yong. Research of secondary subdivision method for one-versus-one multi-classification algorithm based on SVM [J]. Transducer and Microsystem Technologies, 2013, 32(4): 44-47. (in Chinese)

航空發動機振動監測和分析系統研制成功

森德格公司(sendig.com.cn)，經過多年的研究和大量現場試驗，在近期成功發布了系列化航空發動機振動監測和分析儀器產品。包括有：SAVT-1H小型手持式振動測量儀器，可測量發動機的多種通頻振值；SAVT-2H航空發動機振動分析儀和動平衡儀，可測量多種振值、波形、頻譜。同時配有設備狀態監測及趨勢分析軟件和故障診斷專家系統，可以自動生成各種報告；SAVT-5航空發動機振動變送器，是為連續監測發動機振動值的在線監測儀表，可以在駕駛艙實時顯示振值，并在振值超標時立即報警以避免重大事故的發生。

SAVT系列儀器已經過生產廠家臺架和外場實機的多次成功考驗，填補了我國飛行器發動機振動監測和分析儀器缺少自主知識產權產品的歷史。

10.16450/j.cnki.issn.1004-6801.2015.06.018

*國家自然科學基金資助項目(51475049)；高校人才引進科研基金資助項目(12004)；湖南省“十二五”重點建設學科資助項目(2012)；湖南省教育廳科研資助項目(15C0123，14C0094)

2014-09-19；

2014-12-17

TP206.3； TH165.3； TH132.41

向陽輝，男，1981年10月，講師。主要研究方向為機械設備狀態監測與故障診斷。曾發表《加權證據理論信息融合方法在故障診斷中的應用》(《振動與沖擊》2008年第27卷第4期)等論文。 E-mail：xiangyanghui@163.com