基于粗糙集與支持向量機的挖掘機故障診斷方法研究

王開民，藺博見，管鵬舉

（長安大學道路施工技術與裝備教育部重點實驗室，陜西西安710064）

基于粗糙集與支持向量機的挖掘機故障診斷方法研究

王開民，藺博見，管鵬舉

（長安大學道路施工技術與裝備教育部重點實驗室，陜西西安710064）

以挖掘機為研究對象，提出了一種粗糙集約簡及支持向量機分類機理結合的故障診斷系統。最后設計實驗驗證了該方法的有效性。

挖掘機；粗糙集；支持向量機；故障診斷

挖掘機廣泛應用于土方石方施工作業中。隨著技術發展，其系統相關性和集成度不斷增加，導致其故障的診斷越來越困難。一些基于數據學習的方法在挖掘機故障診斷研究中逐漸得到了廣泛應用，如小波變換和神經網絡等［1］。然而在處理實際的故障診斷問題時，由于能得到的故障數據樣本數量有限，這些方法的實際應用效果并不理想。為解決上述問題，本文提出一種結合粗糙集和支持向量機的挖掘機故障診斷方法。

1　粗糙集與支持向量機原理

粗糙集通過不完整、不確定知識去處理不分明現象，是一種數據表達、學習和歸納的方法。粗糙集廣泛應用于機器學習、專家系統等［2］。在粗糙集理論中，常用S＝（U，A，V，f）來實現一個知識表達系統。U稱為論域，為對象的非空有限集合，A：A＝C∪D，C為條件屬性子集，D為決策屬性子集，兩者構成非空有限集合A，Vi為屬性i∈A的值域；f：U×A→V稱為信息函數，f指定了論域中每個對象的屬性值。根據不同的條件屬性，粗糙集論域中的對象可以被分為具有多種決策屬性的決策結果。

支持向量機其建立基礎是統計學理論和結構風險最小化原則，以構造最優超平面為目標的學習機器，能夠較好地解決非線性、小樣本等問題［3］。通過核函數將挖掘機故障診斷中不可分的數據集映射到高維的特征空間中，使得原來線性不可分問題，轉化成線性可分的問題，最終在特征空間中構造出最優分類超平面［4］。設挖掘機故障診斷的樣本集｝其中xi為條件屬性，yi為決策屬性，分類超平面定義為：ω·x+b＝0.上述兩式中的ω、b是待確定的變量，最優超平面上要求‖ω‖2最小，最優分類面的權向量可看作挖掘機診斷樣本的線性組合，因此支持向量機的挖掘機故障診斷問題可以轉化為一個二次規劃問題。

應用拉格朗日乘子法求解。根據KKT定理，可得到如下的對偶問題：

通過解這個二次規劃問題可得到相應的系數Pi，將非零解記為P.通過判別函數：

求得樣本x的類別。在實際應用中，通常需要進行多類分類，常用方法有一對多法、一對一法及決策導向無環圖三種方法。考慮到挖掘機故障樣本有限，這里采用一對一的分類方法，能夠取得較好的分類性能。

2　基于粗糙集和支持向量機的挖掘機故障診斷方法

Step1：初始化挖掘機采集到的樣本數據，并從中確定條件屬性集和決策屬性集，然后采用連續屬性離散化方法進行離散化處理。

Step2:離散化后的屬性集構造原始決策表，經過屬性約簡后，通過求差別矩陣的方法來計算屬性的核，確定屬性約簡集。

Step3：訓練支持向量機。將粗糙集處理后得到的樣本作為支持向量機的訓練集，然后選擇適當的核函數類型及參數，初始化其他參數。

Step4：挖掘機故障診斷。對輸入樣本重復步驟2的數據處理方法進行降維，然后輸入到訓練好的支持向量進行正常異常分類，最終得到診斷結果。

3　實驗仿真

以發動機水溫等12種挖掘機常見的故障原因作為條件屬性集（液壓油油溫、發動機機油壓力、泵壓力、柴油油位、蓄電池電壓、發動機轉速、泵噪音、動臂無力、回轉無力、行走無力、單一油缸無動作），采用C1-C12行編號；同時，以泵吸進空氣等6個常見的故障現象作為決策屬性集（電磁閥故障、先導閥和換向閥故障、線路故障、溢流閥故障、發動機故障）采用D1-D6進行編號。故障樣本采用離散值0和1對條件屬性集進行離散，正常工作范圍內離散值置0，反之置1，如表1所示（以電磁閥故障樣本為例）。根據已有故障樣本離散化結果，構造出原始決策表并約簡，以求差別矩陣方法計算屬性的核，屬性約簡集作為規則表。

表1　電磁閥故障樣本離散表

按上文中約簡后樣本的條件屬性（Cl，C2，C3，C4，C6，C8，C11）作為挖掘機故障診斷模型的輸入變量，6種故障類型為決策屬性作為挖掘機故障診斷模型的輸出變量，構建支持向量機的分類模型。隨機抽取其中的8個樣本作為訓練集，6個樣本作為測試集，對挖掘機故障診斷模型進行仿真分析，檢驗模型的性能，測試結果如圖1所示。

圖1　挖掘機故障診斷結果

分類準確率為0.83，測試樣本中，僅一個錯誤數，該診斷結果可接受，說明基于粗糙集與支持向量機的挖掘機故障診斷方法是可行的。

4　結束語

本文介紹了粗糙集與支持向量機的相關理論，并對粗糙集與支持向量機的挖掘機故障診斷方法進行了闡述和試驗仿真。通過試驗仿真得出，學習訓練后的支持向量機較準確地診斷了挖掘機的相關故障，說明基于粗糙集和支持向量的挖掘機故障診斷是可行的。

［1］李曉鵬.全液壓挖掘機故障診斷專家系統［D］.哈爾濱：哈爾濱工程大學，2004.

［2］韓玲.基于粗糙集理論的屬性約簡及應用研究［D］.合肥：合肥工業大學，2007.

［3］張學工.關于統計學習理論與支持向量機［J］.自動化學報，2000，26（1）:32-44.

［4］崔永杰.基于支持向量機的故障智能診斷方法研究［D］.北京：華北電力大學，2004.

Fault Diagnosis of Excavatorbased on RS and SVM

WANG Kai-min，LIN Bo-jian，GUAN Peng-ju
（Key Laboratory for Highway Construction Technology and Equipment of Ministry of Education，Chang'an University，Xi'an Shaanxi 710064，China）

Taking the excavator as the research object，a fault diagnosis system based on rough set（RS）and support vector machine（SVM）is proposed in this study.Finally，the effectiveness of the proposed method is verified by experiments.

excavator；rough set；support vector machine；fault diagnosis

TH17

A

1672-545X（2016）08-0201-02

2016-05-28

王開民（1991-），男，新疆石河子人，碩士研究生，研究方向：機械故障診斷。