摘 要：簡要介紹了回歸型支持向量機（Support Vector Regression，SVR），并在此基礎(chǔ)上構(gòu)建了一個傳感器故障診斷系統(tǒng)，對SVR采用離線訓練，在線應用的方法，用訓練好的SVR來模擬柴油機溫度控制的傳感器系統(tǒng)的動態(tài)特性。仿真結(jié)果表明：SVR能有效地模擬傳感器系統(tǒng)的動態(tài)特性，能跟蹤傳感器的輸出信號，并及時對傳感器故障進行準確的診斷。 關(guān)鍵詞：回歸型支持向量機;傳感器;故障診斷 0 引言 　　傳感器是測量儀器、智能化儀表、自動控制系統(tǒng)以及計算機信息輸入裝置中的敏感元件，傳感器的好壞不僅直接關(guān)系到設(shè)備的運行狀態(tài)，而且關(guān)系到至關(guān)重要的安全問題。在實際系統(tǒng)中，由于傳感器工作環(huán)境復雜、分布面廣、數(shù)據(jù)量大、安裝部位特殊等原因，使得傳感器成為過程控制中的薄弱環(huán)節(jié)之一，成為系統(tǒng)中最易發(fā)生故障的部件。如果傳感器在使用過程中發(fā)生了故障，就會引起系統(tǒng)性能下降和誤差積累，甚至導致整個系統(tǒng)的癱瘓，因此我們希望當傳感器發(fā)生故障后，能夠及時診斷到故障和進行隔離。到目前為止，已形成了多種傳感器故障診斷的方法：如硬件冗余法、解析冗余法、卡爾曼濾波器方法，神經(jīng)網(wǎng)絡(luò)觀測器組方法以及基于小波分析的方法[1]等。但這些方法普遍效果不盡如人意。 　　回歸型支持向量機（Support Vector Regression，SVR）是以統(tǒng)計學習理論為基礎(chǔ)的一種新的機器學習算法[2]，它采用結(jié)構(gòu)風險最小化（SRM）原則，并較好地解決了小樣本的學習問題，具有全局唯一最優(yōu)解、泛化能力強、模型結(jié)構(gòu)由算法自動確定等一系列優(yōu)點。本文首先簡要介紹了回歸型支持向量機的原理，然后提出了基于SVR的傳感器故障診斷方法和步驟，最后以某柴油機狀態(tài)監(jiān)測系統(tǒng)上的溫度傳感器的輸出信號進行了驗證。 詳情請點擊：一種基于SVR的傳感器系統(tǒng)故障診斷方法