向阳辉,张干清,庞佑霞
(长沙学院 机电工程系,长沙 410003)
在故障诊断实践中只有综合合理利用设备多个方面的特征信息进行融合分析,才能实现对设备全面与准确的诊断[1-2]。由于支持向量机(Support Vector Machine,SVM)是基于结构风险最小化原则,具有小样本学习能力和较好的泛化能力[3-4];而证据理论是概率论的推广,具有比概率论更弱的公理体系和更严谨的推理过程,能够更加客观反映事物的不确定性[5-6],因此将SVM和证据理论相结合在多信息融合的故障诊断中进行应用已成为当今研究热点[7-8]。
但由于SVM和证据理论的固有特性,将二者有效结合就必须解决两个关键问题。其一,由于多源信息各特征域参数片面失真或诊断机理不完善等缺陷,常会导致各SVM局部诊断结果冲突明显、合成结论有悖常理[6]。国内外专家学者已提出了众多改进方法,但主要集中在证据合成法则[9-11]、证据距离[6,12]或证据冲突系数[13]等数学层面进行改进,却忽略了特征域和诊断机理的不同,会导致各SVM局部诊断证据对各故障模式诊断的可靠度不同这一事实。其二,SVM一般以{+1,-1}作为输出,这种硬判决输出无法直接得到各SVM局部诊断结果的基本概率分配,严重影响基于SVM的各证据进行组合合成。文献[14-15]提出使用sigmoid函数来估算SVM配对类的概率,较好地解决了二分类SVM基本概率分配的问题,但故障诊断领域是多分类问题,至今没有统一的基本概率分配方法。
本文为了综合合理利用设备多个方面特征信息来……