支持向量的方法處理離心泵的故障

　　支持向量機(supporr vcctor machine，SVM)是在有限樣本統計學習理論STARISTICALLEARNING theory，slT)基礎上‘發展起來的一種新的機器學習方法，它較好地解決了小樣本、非線性和嶄維模式識別芍實際問題，并克服r神經網絡學爿方法巾網絡銷構難以確定、收斂速度慢、局部極小點、過學習與欠學習以及訓練時需要大量數據樣本等不足，具有良好的推廣性能，成為繼神經網絡研究之后新的研究熱點。對于線性可分模式.其主要思想就是建立一個超平而作為決策面，該決策而不但能夠將所有訓練樣本正確分類，而且使訓練樣本中離分類面最近的點到分類面的距離最大。對于非線性不可分模式·該方法通過某種特定的非線性映射，將樣本空間映射到高維特征空間，使其線性可分，并在高維特征空間中構造出最優分類超平面，從而實現分類。有人應用支持向量機的幾種多分類算法對離心泵的葉片損壞、密封泄漏和汽蝕3種故障進行診斷，并將診斷結果與利用hp神經網絡診斷的結果相比較。結果表明，采用支持向量機的幾種算法進行診斷較后者具有更高的精度

其他處理水泵故障的方法推薦：

基于解析模型的方法對離心泵的故障處理? ?基于信號處理的方法進行泵故障診斷? ?

　　展望
?

　　綜I：所述，人們對泵的故障診斷研究雖然已經做了大量的上作，在工程實踐巾也得到了一定的應用，但是也暴露出一些尚需解決和進一步研究的問題。

　　1、在理論分析和應用研究巾，為了便下分析與處理，在多數情況下都對泵進行了一些簡單化處理，如假設被分析的信號具有線性、平穩性和最小相位特征等，但在實際的工程用中常常會忽略信號中的一些重要特征，對于上作在較為理想工況條件下的簡單的泵來講分析結果尚可，誤差不足很大，但對于精密程度高、工作環境復雜的泵，則診斷結果常常差強人意。

　　②泵類設備在工作過程中存在著多種振動激勵源，既有泵本身旋轉運動的振源，也有原動機(如電機、柴油機等)的振動激勵，而且當泵出現故障時，其部件內部還存在沖擊作用，同時水流也會產生一定的沖擊作用。這么多振源的振動混合在一起勢必會相瓦影響，而且故障信號往往會被淹沒在背景噪聲和干擾之中，這都給泵的放障診斷帶來了很大難度，現有的信號分析方法在多激勵源的振動信號分離以及低信噪比振動信號的特征提取方面并未取得突破性進展，仍需要做更深一步的研究。

　　③目前人們對泵進行戰障分類主要還是采用基于數據的機器學習方式，這種方式的特點就是需要大量的樣本數據，但當樣本數據難以獲得的時候，這種靠法就顯爪出了其的限性。兇此需要研究一種具有更高泛化推廣能力的小樣本故障模式分類方法，使其能夠利用有限的數據樣本來獲得更好的診斷效果。