基于SVDD和SVM的高压调门油动机状态监测系统研究

来源：振动与冲击杂志2025年第12期北京时间：

作者：马立强, , 姜安琦, 姜万录wljiang@ysu, , 郑云飞, , 吴凤和

单位：1.燕山大学河北省重型机械流体动力传输与控制重点实验室，河北 秦皇岛066004；2.燕山大学先进锻压成形技术与科学教育部重点实验室，河北 秦皇岛066004；3.燕山大学电气工程学院，河北 秦皇岛066004；4.燕山大学机械工程学院，河北 秦皇岛066004

摘要：在高压调门油动机的运行监控中，由于正常状态的样本远多于故障样本，故障数据稀缺且采集相对困难，此外还存在故障发生的不确定性，传统的监测方法难以有效应用。对此，本文提出了一种基于支持向量数据描述（Support Vector Data Description，SVDD）异常检测和支持向量机（Support Vector Machine，SVM）故障诊断的高压调门油动机状态监测系统。首先，从原始数据中提取时域（Time Domain，T）、频域（Frequency Domain，F）和时频域小波包子带能量（Wavelet Packet Subband Energy，W）特征，并通过特征融合及归一化的方式形成新的多维融合特征向量TFW。随后，采用卷积神经网络（Convolutional Neural Network，CNN）对TFW进行深层次挖掘，生成更具表现力的特征TFWCNN，以此作为SVDD和SVM模型的输入。搭建了高压调门油动机故障模拟试验台，用以采集数据并验证所提方法的有效性。研究结果表明，在三个具有不同阀位开度的高压调门油动机动态数据集上，SVDD异常检测的F1分数分别达到0.9991、0.9978和0.9760，SVM故障诊断的F1分数分别为0.9988、0.9950和0.9867，不仅说明该方法在高压调门油动机的状态监测中表现出的优异性能，同时也说明深度TFWCNN特征在高压调门油动机状态监测中的有效性和准确性，还为类似的汽轮机状态监测诊断系统提供了一种有效的技术方案。<br>

关键词：高压调门油动机；SVDD异常检测；SVM故障诊断；状态监测系统