【word】 基于支持向量机的夹紧力控制阀质量分类.doc

基于支持向量机的夹紧力控制阀质量分类.设计.计算.研究.基于支持向量机的夹紧力控制阀质量分类高帅1周云山2安颖1刘金刚2(1.吉林大学2.湖南大学汽车车身先进制造国家重点实验室)【摘要】提出了采用支持向量机对CVT夹紧力控制阀进行质量分类的方法.并设计了相应的提取夹紧力控制阀性能特征参数的试验方案与夹紧力控制阀SVM多类分类器.利用试验得到的性能参数对SVM分类器进行训练.然后分别使用训练成熟的SVM分类器与RBF神经网络分类器对夹紧力控制阀进行质量分类结果表明.采用SVM分类器的分类准确率明显高于RBF神经网络分类器主题词:C,-r支持向量机夹紧力控制阀质量中图分类号:U463.212文献标识码:A文章编号:10003703(2o09)11000404QuailtyClassificationofClampingForceControlValvebasedonSupportVectorMachineGaoShuaiZhouYunshanAnYing.LiuJingang(1.JilinUniversity;2.StateKeyLaboratoryofAdvancedDesignandManufactureforVehicleBody,HunanUniversity)【AbstractAmethodofqualityclassificationonCVTclampingforcecontrolvalvewithsupportvectormachine(SVM)wasproposed.FirstlycorrespondingtestplanforfeatureparametersextractionfromclampingforcecontrolvalveandtheclampingforcecontrolvalveSVMmulti-classclassifierweredesigned.Secondly,basedonthefeatureparametersacquiredfromtest,theSVMclassifierwastrainedtomaturity.Lastly,clampingforcecontrolvalveswereclassifiedbasedonqualitywithSVMclassifierandRBFneuralnetworkclassifierrespectively.ResultsshowedthattheaccuracyofSVMclassifierwasbetterthanRBFneuralnetworkclassifier.Keywords:CVT,Suppovectormachine,Clampforcecontrolvalve,Quality1前言作为CVT电液系统中的关键部件.夹紧力控制阀性能的好坏将直接影响到整车的动力性,经济性以及舒适性.在当前CVT产业化过程中.质量的稳定性将成为生产厂家的关键竞争要素之一.质量保障技术日益受到重视CVT夹紧力控制阀结构复杂,尤其在国内无成熟配套体系的基础上开发,导致质量缺陷的因素很多.为了保证整机质量.有必要对每一个欲装机的夹紧力控制阀进行质量检测.但由于其质量状态难以直观测量,必须通过试验判断.因此.如何通过试验把不合格产品与合格产品进行快速,准确地分类.已成为CVT夹紧力控制阀质量控制过程中的关键环节之一与目前常用的依赖于样本数量和质量的人工神经网络分类方法不同.作为一种基于统计学理论的机器学习技术.支持向量机(SVM)的训练过程遵循的是结构风险最小化原则【1】.在训练过程中不易发生局部最优及过拟合现象.可以成功地克服人工神经网络的许多缺陷SVM能够解决小样本学习问.4.题.这种方法能克服分类器设计时存在的典型缺陷样本数据不足的问题.非常适合于夹紧力控制阀的质量分类.目前SVM已在模式识别,非线性建模与控制,故障诊断等领域得到了成功的应用I2-51.本文利用SVM适合处理高维数据以及具有良好泛化能力的优点.将提取后的夹紧力控制阀特征参数进行SVM学习.并检验SVM的准确率.2特征参数的获取CVT的夹紧力控制阀是一种先导式电液比例溢流阀.其控制口的压力与加在比例电磁铁线圈的电流成反比例关系.根据CVT的工作需求,夹紧力控制阀必须满足以下几方面的性能指标:a.较小的死区和滞环:b.合理的电流一压力增益;c.合理的动态性能指标;d.较小的阀芯泄漏.由于比例阀的工况变化是连续的,它的试验方法与常规元件试验不同.其试验结果也是连续的,一般通过特性曲线反映试验结果蝈.为了实现夹紧力控汽车技术.设计.计算?研究?制阀特征参数的自动提取,搭建了CVT夹紧力控制阀的计算机辅助测试系统.该测试系统采用上,下位机结构.上位机主要完成数据的处理和显示;下位机以DSP芯片为主处理器,配以相应的传感器,变换电路.完成夹紧力控制阀的驱动以及数据的采集.由于其中被测试阀的驱动采用PWM驱动方式,因此同时设计了驱动电流检测系统,其工作原理如图1所示.阻抗性分流器用作电流传感器,夹紧力控制阀的控制电流经过分流器.引起分流器两侧电压差的微弱变化.差分放大器将该信号放大,下位机完成此信号的采集和转换.实时检测夹紧力控制阀线圈的控制电流.分流释电源线圈图1夹紧力控制阀驱动与电流检测电路为了得到显着的特征参数.设计了获得两条特性曲线的试验方案.第l条特性曲线为调压特性曲线,用于获得夹紧力控制阀的稳态特性参数.试验方案如下:夹紧力控制阀进油I:I接恒流源,调定其控制口最高压力为4.5MPa.控制电流以0.008A的步幅和4Hz的频率从零均匀地增加到1.8A.然后以相同的步幅和频率从1.8A均匀地减小到零.同时采集该阀控制日的压力信号第2条特性曲线为阶跃响应曲线.用于获得夹紧力控制阀的动态性能参数.试验方案如下:夹紧力控制阀的控制接恒流源.设定其控制电流的初始值为1A,1s之后阶跃变化至0.3A.同时采集夹紧力控制阀控制口的压力信号特征参数的个数反映了被测试对象性能参数的完备情况过多的特征参数虽然尽可能完整地描述了被测试对象的性能参数.但有些参数对于质量检测来说贡献并不大.甚至有些参数之间相互矛盾.不但使得分类器训练时间大大加长而且影响到分类准确性:过少的特征参数又不能比较完整的反映出被测试对象的主要性能.也不利于提高分类准确率本文从调压特性曲线及阶跃响应曲线的众多参数中,经过筛选提取以下8个反映夹紧力控制阀主要性能的特征参数(图2与图3):2009年第11期&死区S1.使控制口压力自初始值开始发生变化的最小控制电流值称为死区;b.滞环S2.在稳态特性曲线上,对应于正反行程相同时两个控制电流之差.其最大差值与额定电流之比称为滞环.以百分率计:c.最大工作压力Js3.指全控制电流范围内阀稳定调节压力的最大值:d.最小工作压力|s4.指全控制电流范围内阀稳定调节压力的最小值:e.比例区间55.指阀调节压力与控制电流呈现比例关系的范围:f.控制口压力上升时间S6.指控制电流阶跃变化后算起.控制口压力第1次达到最终稳定压力的时间:g.最大超调量S7,指控制电流阶跃变化后,控制口压力超出最终稳定压力的最大值:h.过渡时间S8.指从控制电流阶跃变化后算起.控制口压力过渡到最终稳定压力的时间.典型的夹紧力控制阀各特征参数的测量值见表l所列电流A图2调压特性曲线3D354.04-55.0图3阶跃响应曲线3SVM质量分类器设计3.1SVM的原理SVM的基本思想是把训练集数据从输入空间5.设计.计算.研究.映射到一个高维特征空间.然后在此空间中求解凸优化问题,是解决二分类问题的较好方法,其构造算法如下所述.表1合格产品典型特征参数值特征死区滞环最大压力最小压力参数S1,AS2/%S3/MPaS4/MPa典型测量值0_312.14.50.1特征比例压力上升最大超过渡参数区间S5/A时间S6/ms调量S7/IPa时间SS/ms典型测量值1.15900-3300对于一个不确定的测试样本集(筑,Yi),兢R,=+1,一1,(:1,2,Z),能够找到满足以下条件的实数序偶,b):?+61(=+1)(1)60?+6一1(yi=-1)(2)由式f1)和式(21可以得到以下分类器函数:厂()=sign(to?+6)(3)由最小间距的最大化(是一种泛化能力的推广)可以得出以下优化问题:D:1llll(4)约束条件为:Y(【,?6)1(i=l,2,Z)根据拉格朗13定理构造拉格朗日函数:1ZL(b,ce)=Il2一0iyi(tO+6)一1(5)一i=1式中,为拉格朗日乘子,I>0.优化问题的解就转化为对偶问题:l11F(A)一=一仅(?xj)(6)i=1一,=1约束条件为:1OeiYi=0(0)l=l对线性不可分的情况,引入映射一(),并定义核函数K(x,)为:K(x,xj)=()(巧)(7)则对偶优化问题可表示为:1.1F(A)=广ceiyiK(?xj)(8)i=1一,=1约束条件为:foeyi-O(ai0)i=1其对应的决策函数为:.6.)=signyioei*K(x,X,i)+6(9)Li=1J式中:b为支持向量所对应的系数.选取不同的核函数就形成不同的算法常用的核函数有以下3种【1:线性核:K(xi,)一(10)多项式核:(,)=(一,+1)(11)高斯径向基核:K(,)=exp(一I一,l/2J)(12)很多经验证明.高斯径向基函数具有良好的学习能力.本文也选用高斯径向基函数,其中or为核参数.3.2夹紧力控制阀SVM多类分类器设计给定二分类夹紧力控制阀故障训练集f()=1,2,8),根据SVM原理,该分类问题可转化为以下优化问题:1.f8F(A)=一aajyjK(x?xi)(13)i=1一l,J11f约束条件为:q=00)=l最优的决策函数为:f8)=sign(yai*K(x,Xi)+6)(14)i=1n=l夹紧力控制阀质量分类问题是多类分类问题,通过故障诊断不但要将不合格产品分离出来,而且要将因同一种因素导致的不合格产品归为一类.由于SVM是二元分类器,当用于多元分类问题时,必须由二元的SVM来构建多元分类器.目前将SVM推广到多类分类问题时的解决方案主要分为两种:_一对多算法”和”一对一算法”.本文使用”一对一算法”进行夹紧力控制阀的质量分类.其构造方法是:对于k元分类问题建立k(一1)/2个SVM,每两类之间训练一个SVM将这两类分开孩种方法中单个SVM的训练规模较小,分类器的推广能力较强i21.当对一个新样本进行分类时,每个分类器都对其类别进行决策.并为相应的类别加上一票,最后得票最多的类别为新样本所属的类别.3.3训练过程参数优化SVM分类器的预测精度与惩罚因子C和核参数均存在着一定的关系,为了获得最佳的分类效果,需要找到最佳的参数对(C,).本文利用网格搜索法先选择参数对,然后用交叉验证法对目标函数进行寻优虽然这种方法计算量很大,耗时很多,但分类器的训练是在离线状态下完成的,对训练过程并没汽车技术.设计.计算?研究?有实时性的要求.选择最佳参数对的过程如下:.首先分别构造惩罚因子参数集和核参数集.有文献指出C的取值范围一般为l1000000,而的取值范围一般为0.13.8.本文按照指数增长的方式生成惩罚因子参数集,即C=2.,2,2加,按照等距离划分的方法生成核参数集,即:tr=0.1,0_3,3.9.网格搜索简单直接,由于每个参数对是独立的.可以并行地进行搜索.b.对每一个参数对进行交叉验证,其方法是把个训练样本分成S组,把任意S一1组作为训练集D.剩余的一组作为测试集G,通过选择不同的训练集.整个过程可以重复S次,利用测试结果与实际值的均方差(MSE)来评价预测效果:.S.MSE=1一)(15)c.SVM算法可最终转化为凸优化问题,因而可保证算法的全局最优性,避免了神经网络无法解决的局部最小问题.因此.采用SVM的方法进行夹紧力控制阀的质量检测可以达到更好的精度.5结束语本文根据CVT夹紧力控制阀质量分类的特点,提出了采用SVM的故障诊断方法.并设计了相应的提取夹紧力控制阀性能特征参数的试验方案与夹紧力控制阀SVM多类分类器.经过对SVM方法和传统的神经网络方法诊断准确率的对比试验可以看出.与神经网络方法相比.SVM方法具有较高的分类正确率.为CVT夹紧力控制阀的批量化生产测试提供了一种切实可行的方法.式中,为样本;G为第i组测试集;Y为测试集样本.i的真实值:审为测试集样本的分类预测值.循环选择参数对进行交叉验证.计算出每个参2数对的MSE值.MSE值最小的参数对即是最优的参数对,本文得到的最佳参数对为(1024,0.7).)4试验结果4为了比较不同方法的质量分类器的性能,设计了2个分类器.分别为人工神经网络分类器和SVM分类器人工神经网络采用3层前馈式RBF神经网6络.其中.输入层和输出层由线性神经元组成,中间层节点为RBF单元.相应的参数为:输入神经元数7为8.输出神经元数为4.隐层神经元数为4,变换函数采用高斯函数.训练最大误差小于0.08.采用前述试验方法获得160组夹紧力控制阀的特征参数.其中前20组数据组成训练样本集.后140组数据组成测试样本集2个分类器的测试结果见表2所列.表2测试结果分类器分类正确率RBF神经网络85.7SVM92.8从测试结果可以看出.SVM分类器的分类准确率明显高于人工神经网络,其主要原因在于:a.神经网络的优化目标是基于经验风险最小化,而SVM是基于结构风险最小化.这就保证了SVM具有更好的泛化能力:b.神经网络模型性能优劣过分依赖模型训练样本量.而SVM的最优解是基于有限样本信息:2009年第11期参考文献肖建华.智能模式识别方法.广州:华南理大学出版社,2006.VapnikVN.I1heNatureofStatisticalLeamingTheory(SecondEdition).NewYork:Spring-Verlag,1999.顾大强.周利霞.王静.基于支持向量机的铁谱磨粒模式识别.中国机械工程,2006,17(13):l391l394.郭小荟.马小平.基于支持向量机的提升机制动系统故障诊断.中国矿业大学,2006,35(6):8138l7.徐袭.姚琼荟.石敏.基于粗糙集与支持向量机的故障智能分类方法.计算技术与自动化.2006,25(1):3234.许益民.电液比例控制系统的分析与设计.北京:机械工业出版社.2005.陈果.基于遗传算法的支持向量机时间序列预测模型优化.仪器仪表.2006,27(9):10801084.王凯.张永祥.李军.遗传算法和支持向量机在机械故障诊断中的应用研究.机械强度.2008,30(3):349353(责任编辑学林)修改稿收到日期为20o9年9月10日.1