基于支持向量机的提升机制动系统故障诊断.pdf

第3 5 卷第6 期中国矿业大学学报 V 0 1 ．3 5N o ．6 2 0 0 6 年1 1 月J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g ＆T e c h n o l o g yN o v ．2 0 0 6 文章编号1 0 0 0 1 9 6 4 2 0 0 6 0 6 0 8 1 3 - 0 5 基于支持向量机的提升机制动系统故障诊断 郭小荟1 ’2 ，马小平1 1 ．中国矿业大学信息与电气工程学院，江苏徐州2 2 1 1 1 6 ； 2 ．徐州师范大学计算机科学与技术学院，江苏徐州2 2 1 1 1 6 摘要针对提升机制动系统中常见的卡缸故障，利用支持向量机 S V M 这一新的机器学习方法 进行智能诊断．在某一闸系统正常时获得2 组信号，卡缸时获得6 组信号，采用3 层小波包对闸 瓦间隙一时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在M a t l a b 6 ．5 环境下用S V M 工具箱进行编程，建立S V M 故障分类器并对测试样本进行测试，从而实 现提升机制动系统卡缸故障诊断．实验结果表明，在不到o ．1S 时间内，就建立了S V M 故障分类 器，该分类器对测试样本的诊断正确率达到了1 0 0 ％；当训练样本由6 组减少至4 组时，S V M 故 障分类器仍可以有效地实现对卡缸故障的诊断．因此，S V M 方法对于少样本的故障诊断有较强 的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统． 关键词小波包；支持向量机；提升机；制动系统；故障诊断 中图分类号T P2 7 4 文献标识码A M i n eH o i s tB r a k i n gS y s t e mF a u l tD i a g n o s i sB a s e d o naS u p p o r tV e c t o rM a c h i n e G U OX i a o h u i l ．M AX i a o - p i n 9 1 1 ．S c h o o lo fI n f o r m a t i o na n dE l e c t r i c a lE n g i n e e r i n g ，C h i n aU n i v e r s i t yo fM i n i n g ＆T e c h n o l o g y ， X u z h o u 。J i a n g s u2 2 1 1 1 6 ，C h i n a ；2 ．S c h o o lo fC o m p u t e rS c i e n c ea n dT e c h n o l o g y ，X u z h o uN o r m a lU n i v e r s i t y ， X u z h o u ，J i a n g s u2 2 1 1 1 6 ，C h i n a A b s t r a c t T h eb l o c k a g ep i s t o ni nc y l i n d e r ，at y p i c a lf a u l to fm i n eh o i s tb r a k i n gs y s t e m ，w a si n t e l l i g e n t l yd i a g n o s e dw i t has u p p o r tv e c t o rm a c h i n e S V M m e t h o d ．G a t h e r i n gt W Os e t so fs i g n a l sw h i l ei nn o r m a lw o r k i n ga n ds i xs e t so fs i g n a l sw h i l ei nb l o c k a g ep i s t o ni nc y l i n d e r ，u s i n g aw a v e l e tp a c k a g eo f3l e v e l st od e c o m p o s es i g n a lc u r v e so fb r a k ed i s t a n c e - t i m e ，a n dc o n s t r u c t f e a t u r ev e c t o r sw i t ht h ee n e r g yo fa l li n d i v i d u a l l yf r e q u e n c yb a n d ss i g n a l ，a n df o r mt h ef a u l td i a g n o s i ss a m p l e s ．B a s e do nS V Mt o o l b o xi nM a t l a b 6 ．5s y s t e m ，S V Mf a u l tc l a s s i f i e rw a sc o n s t r u c t e df o rt e s t i n gs a m p l e sa n dt h eb l o c k a g ep i s t o ni nc y l i n d e rf a u l td i a g n o s i sw a sc o m p l e t e d ． E x p e r i m e n t a lr e s u l t ss h o wt h a tt h eS V Mf a u l tc l a s s i f i e rw a sc o n s t r u c t e dw i t h i n0 ．1s e c o n da n d t h et e s t i n gs a m p l e sd i a g n o s i sc o r r e c tr a t eo ft h i sc l a s s i f i e ri su pt o1 0 0 ％．I tc a na l s oe f f e c t i v e l y a c c o m p l i s ht h eb l o c k a g ep i s t o nf a u l td i a g n o s i so fb r a k i n gs y s t e mw h e nt h et r a i n i n gs a m p l e sa r e d e c r e a s e df r o m6s e t st o4s e t s ．H e n c e ，t h eS V Mm e t h o dh a sah i g ha d a p t a b i l i t yf o rf a u l td i a g n o s i si nt h ec a s eo fs m a l l e rn u m b e ro fs a m p l e sa n di Se s p e c i a l l ys u i t a b l ef o rm i n eh o i s t ． K e yw o r d s w a v e l e tp a c k e t ；s u p p o r tv e c t o rm a c h i n e ；m i n eh o i s t ；b r a k i n gs y s t e m ；f a u l td i a g n o s i s 收稿日期2 0 0 6 一0 1 1 5 基金项目江苏省自然科学基金项目 B K 2 0 0 3 0 2 6 作者简介郭小荟 1 9 7 2 一 ，女，河南省温县人．讲师，博士研究生．从事软件工程，智能故障诊断等方面的研究 E - m a l l g x h z j r x z n u ．e d u ．c n T e l l0 5 1 6 8 2 8 1 0 6 3 6 万方数据 8 1 4中国矿业大学学报第3 5 卷 提升机是矿井生产、运输的主要设备，它担负 着提升煤炭、矸石、下放材料、升降人员和设备的任 务，素有“矿井咽喉”之称．制动系统则是提升机不 可缺少的组成部分，是提升机最关键也是最后的一 道安全屏障． 提高制动系统的可靠性，通常有2 种方法．一 是设计新型高可靠性制动系统，如中国矿业大学研 制的盘式制动器t t 适应控制补偿增压装置，能够在 制动器制动力矩意外降低而刹不住车时，自动补偿 制动力矩，增大制动力，确保提升机安全停车[ 1 ] ，二 是对制动系统进行状态监测和故障诊断． 对于提升机制动系统的智能故障诊断，已有的 研究成果主要集中在基于知识的专家系统方法和 人工神经网络方法．文献[ 2 3 ] 分别研究了利用人 工神经网络对提升机制动系统进行安全监测和故 障诊断，文献[ 4 ] 则研究了基于专家系统的提升机 故障诊断系统． 专家系统由于其自身的固有缺陷，存在着诸如 知识获取“瓶颈”，知识窄台阶，容易出“匹配冲突”， “组合爆炸”，及无穷递归等问题，影响了故障诊断 专家系统的发展[ 5 ] ．而在神经网络故障诊断方法中 神经网络分类器通常面临如何从有限的故障样本 中得到具有较大推广能力的决策函数的问题[ 6 ] ． 智能故障诊断发展的瓶颈之一是故障样本的 缺乏，而不仅在于诊断方法本身．对于矿井提升机 这种安全运行要求很高的系统，一般不具备大量的 故障样本．支持向量机是在V ．V a p n i k 等人提出 的有限样本统计学习理论基础上发展的一种新的 通用学习方法[ 7 ] ．它较好地解决小样本、高维数和 非线性等的学习问题，并且克服了人工神经网络学 习方法中合理结构难以确定和存在局部最优点等 缺陷，提高了学习方法的推广能力．‘ 虽然支持向量机方法在理论上具有突出的优 势，但是与其理论研究相比，应用研究相对比较落 后．本文在研究S V M 技术的基础之上，针对提升 机制动系统中常见的卡缸故障，采用支持向量机方 法进行故障诊断．先利用小波包对闸瓦间隙一时间 信号进行分解，提取故障特征，形成故障样本，然后 利用训练样本建立S V M 故障分类器，并通过测试 样本对该分类器进行测试． 1 故障特征向量的提取 反映制动系统卡缸故障的闸瓦间隙一时间信号 是非平稳的时变信号．从非平稳时变信号中提取反 映机械设备状态的特征向量需要全面反映其时域 和频域特性．小波包分析是对小波变换的一种改 进，它可以将小波变换中没有细分的高频部分作进 一步分解，从而提高信号通频带的频率分辨率[ 8 ] ． 因此小波包分解可对信号在全频带内进行正交分 解，它同时可以在低频和高频部分进行分解，自适 应地确定信号在不同频段上的分辨率．本文采用小 波包分解方法从闸瓦间隙一时间曲线中提取特征向 量‘9 | ． 具体方法如下 1 对信号进行小波包分解．通过A ／D 采集板 对涡流传感器信号进行采集，得到闸瓦间隙一时间 信号．对此信号进行3 层小波包分解，分别提取第 3 层从低频到高频8 个频率成分的信号特征X 其中，i 为小波分解的层数，i o ，1 ，2 ，3 ；歹为结点 数，J 一0 ，1 ，⋯，7 2 对小波包分解系数重构，提取各频带范围 的信号．以S 。为X 。的重构信号，对第3 层的所有 结点进行分析，则总信号S 可以表示为S S 。。 S 3 1 S 3 2 S 3 3 S 3 t S 3 5 S 3 6 S 3 7 ． 3 求各频带信号的总能量．设S 。f ．f 一0 ，1 ， ⋯，7 对应的能量为E 3 ， - 『 0 ，1 ，⋯7 ，则有 r』l_ E 3 J I ls 3 J ￡ { 2 d t 一∑Iz 业I2 ， o 薯1 式中z 业 _ 『 0 ，1 ，⋯，7 ；k 一1 ，2 ，⋯，，2 为重构 信号S 。；的离散点的幅值． 4 构造特征向量．因为系统出现故障时，会对 各频带内信号的能量有较大的影响，因此，可以以 能量为元素构造一个特征向量．特征向量构造为 T [ E 3 0 ，E 3 1 ，E 3 2 ，E 3 3 ，E 3 4 ，E 3 5 ，E 6 ，E 3 7 ] ． 到此，特征向量的提取工作得以完成．选取正 常信号和故障信号若干，重复上述步骤，就可得到 特征向量集合． 2支持向量机算法 2 ．1线性可分情形 S V M 方法是从线性可分情况下的最优分类面 O p t i m a lS e p a r a t i n gH y p e r p l a n e 提出的．基本思 想可用图1 的二维情况来说明[ 7 ’10 | ． 图1 最优分类面 F i g ．1O p t i m a ls e p a r a t i n gh y p e r p l a n e 万方数据 第6 期郭小荟等基于支持向量机的提升机制动系统故障诊断 图1 中三角形和圆形分别代表2 类样本，H 为分类面，H 1 ，H 2 分别为过各类中离分类面最近 的样本且平行于分类面的平面，它们之间的距离叫 做分类间隔 m a r g i n ．所谓最优分类面就是要求分 类面不但能将2 类正确分开 训练错误率为o ，而 且使分类间隔最大． 设有咒个样本X 。及其所属类别Y i 表示为 x 。，Y i ，x f ∈R 4 ，Y f ∈{ 1 ，一1 ，i 1 ，⋯，咒． 超平面方程W T x b 一0 ，能将2 类样本正确 区分，并使分类间隔最大的优化问题可表示如下 在式 Y 。E w T 墨 6 ] 一1 ≥0 ， 1 i 1 ，⋯，n ， 的约束下，求 9 ’‘， 虿1 ㈨I I2 一虿1 ．，T ．，， 2 的最小值．为此，可以定义如下的L a g r a n g e 函数 L w ，b ，口 一妻矿W 一 ∑a t i [ y 。 w V x 。 6 一1 ] ， 3 式中哦≥0 为L a g r a n g e 系数．对W 和b 求L a g r a n g e 函数的最小值．把式 3 分别对w ，b 和a ；求 偏微分并另它们等于0 ，得 f 而O L 。净，．，一妻i 1 哪m ， { 嚣 。净塾y t 一。， ㈤ I 瓦8 L o 却i [ Y i w T 置- q - b 一1 ] 0 ． 上式 4 加上原约束条件可以把原问题可转化 为其对偶问题，即 在式 ∑Y 融一0 和％≥0 ， 5 i 一1 ，2 ，⋯，咒， 的约束下求下式的最大值 Q n 一∑啦一 告∑∑叩肌Y J 置工， ． 6 这是一个不等式约束下的凸二次优化问题，存 在惟一最优解．若a 为最优解，则 w 。一∑口 Y i “ 7 口，不为零的样本即为支持向量．因此，最优分 类面的权系数向量是支持向量的线性组合． b 。的值可由约束条件o t i [ y 。 ’．，T X i 6 一1 ] 一 0 求解，由此得到如下的最优分类函数 厂 z 一s g n ∑a i 。y ； 工x b 。 ， 8 f 军1 式中s g n 为符号函数． 2 ．2线性不可分情形 当训练样本线性不可分时，在式 1 和式 2 中 引入非负松弛变量￡ i 一1 ，2 ，⋯，咒 ，表示错分样 本的惩罚程度．这样优化问题转化为在 Y i ’．，1 麓 6 ≥1 一毫， 9 的约束下求 1 n 垆 ’I ，，e 一专w T w c ∑￡， 1 0 一 i ；1 的最小值． 当样本z i 满足不等式约束式 1 时，￡为零， 否则￡ 0 ，表示此样本为造成线性不可分的点． 利用L a g r a n g e 乘子法及对偶原理对式 9 和式 1 0 进行处理，可得到线性不可分条件下的对偶问 题． 在式 2 y 。口。 0 ， 1 1 i 三1 0 ≤a ；≤C ，i 一1 ，2 ，⋯，n ， 的约束下求下式的最大值 n．nn ∑a ；一告∑∑叩m Y ， 溉q ， 1 2 f 1“i1j 1 式中C 是一个正的常数，称为惩罚因子，用于 控制对错分样本惩罚的程度． 2 ．3 支持向量机的核函数 以上都是在线性分类超平面的基础上进行的 讨论，在很多问题中需要将其推广到非线性分类超 平面中．S V M 的非线性特性可以这样来实现，把输 入样本x 映射到高维特征空间 可能是无穷维 H 中，并在H 中使用线性分类器来完成分类，即将z 做变换9 R 。一H ．前面的分析同样适用．当在特征 空间H 中构造最优超平面时，仅使用空间中的点 积，即仅仅使用9 x 。 1 9 0 x j ，而没有单独的9 x 。 出现．因此，如果能够找到一个函数K 使得K 工i ， 置 一9 溉 P 妁 ，那么，在高维空间实际上只需 进行内积运算，而这种内积运算是可以用原空间 中的函数来实现的，甚至没有必要知道9 的形式． 根据泛函的有关理论，只要一种核函数K x ；，而 满足M e r c e r 条件‘川，它就对应某一变换空间中的 内积．因此，在最优分类面中采用适当的内积核函 万方数据 8 1 6中国矿业大学学报第3 5 卷 数K x ；，X j 就可以实现从低维空间向高维空间的 映射，从而实现某一非线性分类变换后的线性分 类，而计算复杂度却没有增加． 此时，优化函数变为 Q 口 ∑口；一 告∑∑叩肌y J K x ；，x j ． 1 3 “i1i z l 而相应的判别函数式变为 图2支持向量机网络 n F i g2S V Mn e t w o r k ● ， z s g n 荟口i Y i K 置，工 一6 。 ， 1 4 ’ 3基于S V M 的卡缸故障诊断 式中毛为支持向量；x 为未知向量．式 1 4 就是 3 ．1 试验设备 S V M ，在分类函数形式上类似于一个神经网络． 本试验所需硬件分为3 部分传感部分、数据 其输出是若干中间层节点的线性组合，而每一采集部分、主机部分[ 1 1 | ．其中传感部分采用电涡流 个中间层节点对应于输入样本与一个支持向量的 位移传感器，固定在基座上，用来测定闸瓦的间隙； 内积，因此也被叫做支持向量网络．该学习机的复 数据采集部分采用H Y 一6 0 4 0 隔离型A ／D 数据采 杂程度取决于支持向量的数量，而不是特征空间的 集板；主机部分选用台湾研华公司生产的工业控制 维数．而支持向量通常只占学习样本数的一小部计算机，所附监测软件对采集过来的数据进行数据 分，因此这种网络的计算工作量是较小，计算速度 处理． 较快．如图2 所示． 3 ．2 试验数据 目前，在分类方面研究较多也较常用的核函数 在某一闸系统正常时获得2 组信号，卡缸时获 有4 种，即线性核函数、多项式核函数、径向基核函 得6 组信号．经过小波包能量分解，特征向量提取 数和S i g m o i d 核函数． 后，获得样本数据如表1 所示．其中，1 ，2 号数据为 系统正常时的数据，3 到8 号为卡缸时的数据． 裹1样本数据 T a b l e1 S a m p l ed a t a 样本编号E 3 0E 3 1E 3 2E a aE a t E s s E 3 6 E a T 3 ．3S V M 故障分类器的建立及测试结果 卡缸故障的判断是一个有无的问题．因此，本 文中只需构造一个考虑二值分类的支持向量机即 可． 给定训练集为{ x 1 ，Y 1 ， x 2 ，y 2 ，⋯， x 6 ， y 。 其中置∈R 8 ，代表能量特征的8 个分量；Y ；∈ { 1 ，一1 ，Y ；一 1 ，表示该样本点属于没有故障， Y ；一一1 表示该样本点属于有故障． 在M a t l a b 6 ．5 环境下，用S ．R ．G u n n 编写的 支持向量机工具箱[ 1 2 3 进行编程，核函数用线性核 函数，实现支持向量机模型的建立和训练． 1 号和3 到7 号作为S V M 的训练样本，不到 0 ．1S 就完成了训练，建立了S V M 故障分类器．对 6 组训练样本计算出的分类模型参数为| | WI | 2 0 ．5 6 16 9 ，a E o ．2 8 0 2 8 ，0 ，0 ．2 8 0 2 8 ，0 ，0 ，o l ，即支 持向量个数为2 ，分类间隔m a r g i n 一2 ．6 6 85 8 8 ， b 一一1 ．0 0 56 ．根据这些参数，按式 1 4 ，对2 号 和8 号两组测试样本进行分类计算，计算结果见表 2 ． 减少学习样本数．将学习样本数由6 组减为4 组．表1 中的2 ，3 ，4 ，7 号样本组成训练样本集合， 1 ，5 ，6 ，8 组成测试样本集合．其他条件不变，重新 计算．得到计算结果如下| | W | | 2 0 ．8 2 00 8 2 ， 口 E o ．4 1 0 0 ，0 ，0 ．4 1 0 0 ，o l ，即支持向量个数为2 ， y一1_叫1__ 7 6 5 6 2 7 2 7 9 8 6 1 3 8 9 8 2 7 1 2 6 9 0 9 3 2 2 1 1 O 1 O ● ● ● ● ● ● ● ● 0 O O O O O 0 0 1 2 6 6 2 4 9 2 6 1 5 8 9 7 8 8 2 9 1 1 6 9 0 9 3 2 2 1 1 O 1 O ● ● ● ● ● ● ● ● O 0 O O O 0 O 0 7 5 4 8 8 3 3 5 8 6 5 5 6 9 6 3 2 8 1 2 6 9 O 9 3 2 2 1 1 0 1 0 ● ● ● ● ● ● ● ● 0 O 0 O O O O 0 9 1 7 3 3 1 O o 3 4 2 6 5 5 8 8 3 3 8 2 2 6 9 O O 3 2 2 1 1 0 1 1 ● ● ● ● ● ● ● ● 0 0 0 O 0 0 O O 4 9 7 8 1 2 6 4 0 7 6 5 2 7 8 6 3 7 1 2 7 9 O 9 3 2 2 1 1 O 1 O ● ● ● ● ● ● ● ● O O O O 0 0 0 O 1 2 3 5 6 7 6 5 8 1 6 8 7 6 4 6 6 3 4 6 8 0 1 0 3 2 2 2 1 1 l 1 ● ● ● ● ● ● O O 0 O O 0 O O 2 8 3 1 9 5 3 l 1 7 3 4 6 3 5 5 0 9 0 O 4 4 3 4 3 2 2 3 3 1 1 1 ● ● ● ● ● ● ● ● O O O O O O O O 8 2 3 3 5 7 1 3 1 3 9 8 2 6 2 1 2 6 1 1 0 3 3 6 3 6 2 5 3 5 8 2 ● ● ● ● ● ● ● ● 2 2 5 1 3 5 2 8 0 O 2 2 4 5 5 5 i 1 1 1 1 1 1 2 3 4 5 6 7 8 万方数据 第6 期郭小荟等基于支持向量机的提升机制动系统故障诊断 8 1 7 分类间隔m a r g i n 2 ．2 0 85 2 0 ，b 一1 ．2 7 41 ．根 据这些参数，按式 1 4 ，测试样本进行分类计算，计 算结果见表2 ． 表2分类计算结果 T a b l e2 C l a 鼹i f i c a t i o nr e s u l t s 从表2 的分类计算结果可以看出减少样本数 仍能得到完全正确的分类结果．这充分证明了支持 向量机方法对小样本的适应性，表现出了该方法在 小样本的故障诊断领域具有良好的应用，尤其对于 矿井提升机这种安全运行要求很高，一般不具备大 量故障样本的系统． 4 结论 1 矿井提升机的安全运行要求较高，缺乏大 量故障样本，故可利用基于统计学习理论的支持向 量机方法进行故障诊断 2 应用S V M 方法对矿井提升机卡缸故障的 诊断是成功的．在本实验条件下，S V M 故障分类器 的建立和用S V M 故障分类器对测试样本进行测 试所用时间都小于0 ．1S ，该分类器对测试样本的 诊断正确率达到了1 0 0 ％； 3 S V M 方法对小样本的故障诊断有较好的 适应性．在本实验条件下，当训练样本由6 组减少 至4 组时，S V M 故障分类器仍可以有效地实现对 卡缸故障的诊断． 本文所提出的方法也可以应用于其它缺乏大 量故障样本的机械设备的故障诊断． 参考文献 [ 1 3葛世荣．矿井提升机可靠性技术[ M ] ．徐州中国矿业 大学出版社，1 9 9 4 ． [ 2 ] [ 3 ] 刘可伟，杨兆建．基于人工神经网络的提升设备故障 诊断研究[ J ] ．太原理工大学学报，2 0 0 2 ，3 3 7 4 4 1 4 4 2 ． L I UK e - w e i ，Y A N GZ h a o j i a n ．R e s e a r c ho nd i a g n o s i s f o rh o i s ts y s t e mb a s e dO f fa r t i f i c i a ln e u r a ln e t w o r k [ J ] ．J o u r n a lo fT a i y u a nU n i v e r s i t yo fS c i e n c e8 L T e c h n o l o g y ，2 0 0 2 ，3 3 7 4 4 1 - 4 4 2 ． 周瑾，肖兴明．基于小波包神经网络的制动系统安 全监测口] ．传感器技术，2 0 0 5 ．2 4 1 6 3 6 6 ． Z H O UJ i n ，X I A 0X i n g m i n g ．S a f e t yd e t e c t i o no f b r a k i n gs y s t e mb a s e do nw a v e l e tp a c k e ta n dn e u r a l n e t w o r k [ J ] ．J o u r n a lo fT r a n s d u c e rT e c h n o l o g y ， 2 0 0 5 ，2 4 1 6 3 6 6 ． [ 4 ]马小平，肖兴明．基于专家系统的提升机故障诊断系 统口] ．中国矿业大学学报，1 9 9 9 ，2 8 3 4 9 9 5 0 1 ． M A X i a o p i n g ，X I A 0X i n g - m i n g ．H o i s t e rf a u l td i a g n o s i ss y s t e mb a s e done x p e r ts y s t e m [ J ] ．J o u r n a lo f C h i n aU n i v e r s i t yo fM i n i n g ＆T e c h n o l o g y ，1 9 9 9 ，2 8 3 4 9 9 5 0 1 ． [ 5 ] 焦李成．人工圣经网络系统理论[ M ] ．西安西安电子 科技大学出版社，1 9 9 0 ． [ 6 ]魏海坤．神经网络结构设计的理论与方法[ M ] ．北京 国防工业出版社，2 0 0 5 ． [ 7 ]V A P N I KVN ．T h eN a t u r eo f S t a t i s t i c a lL e a r n i n g T h e o r y [ M ] ．S p r i n g e r V e r l a g ，1 9 9 5 ． [ 8 ] D A U B E C H I E SI ．T h ew a v e l e tt r a n s f o r m ，t i m e - f r e q u e n c yl o c a l i z a t i o na n ds i g n a la n a l y s i s [ J ] ．I E E E T r a n sI n f o r mT h e o r y ，1 9 9 0 ，3 6 5 9 6 1 1 0 0 5 ． [ 9 ]胡昌华．基于M A T L A B6 ．X 的系统分析与设计一小 波分析[ M ] ．西安西安电子科技大学出版社，2 0 0 4 ． [ 1 0 ] C R I T I A N I N IN ．s H A w E _ T A Y L O RJ ．A ni n t r o d u c t i o nt Os u p p o r tv e c t o rm a c h i n e sa n do t h e rk e r n e l _ b a s e dl e a r n i n gm e t h o d s [ M ] ．C a m b r i d g e C a m b r i d g eU n i v e r s i t yP r e s s ，2 0 0 0 ． [ 1 1 ] 王致杰．煤矿提升机智能故障诊断与容错控制研究 [ D ] ．徐州中国矿业大学信息与电气工程学院， 2 0 0 5 ． [ 1 8G U N NSR ．S u p p o r tv e c t o rm a c h i n e sf o rc l a s s i f i c a t i o na n dr e g r e s s i o n [ R ] ．S o u t h a m p t o n U n i v e r s i t yo f S o u t h a m p t o n ，1 9 9 8 1 - 2 8 ． 责任编辑姚志昌 万方数据