[發(fā)明專利]一種設(shè)備的故障分類診斷方法

無效

• 申請?zhí)枺?/td>: 201210069176.3
• 申請日: 2012-03-15
• 公開（公告）號: CN102706573A
• 公開（公告）日: 2012-10-03
• 發(fā)明（設(shè)計）人: 陳勇旗
• 申請（專利權(quán)）人: 寧波大學(xué)
• 主分類號: G01M99/00
• 分類號: G01M99/00
• 代理公司: 寧波奧圣專利代理事務(wù)所(普通合伙) 33226
• 代理人: 程曉明

技術(shù)領(lǐng)域

本發(fā)明涉及一種設(shè)備的故障診斷方法，尤其是涉及一種設(shè)備的故障分類診斷方法。

背景技術(shù)

90年代后期，Vapnik在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上提出了支持向量機的機器學(xué)習(xí)方法。支持向量機在解決小樣本問題的同時，又能解決神經(jīng)網(wǎng)絡(luò)算法中難以克服的高維問題和局部極值問題，目前已在設(shè)備故障診斷領(lǐng)域取得了一定成果。Vapnik提出的支持向量機在訓(xùn)練過程中認為訓(xùn)練樣本中各個數(shù)據(jù)樣本的重要性是相同的，但在實際應(yīng)用中，各個數(shù)據(jù)樣本的重要程度是不同的，特別是在訓(xùn)練樣本存在噪聲的情況下，如果不考慮各個數(shù)據(jù)樣本對訓(xùn)練過程的不同重要性，在訓(xùn)練過程中將很容易出現(xiàn)過擬合現(xiàn)象。為解決上述問題，Chun-Fu?Lin和Sheng-De?Wang提出了模糊支持向量機方法，模糊支持向量機引入了模糊隸屬度的概念對各個數(shù)據(jù)樣本的重要性進行了區(qū)分，在訓(xùn)練過程中根據(jù)各個數(shù)據(jù)樣本的重要性賦予其相應(yīng)的隸屬度值，隸屬度值的大小決定該數(shù)據(jù)樣本相應(yīng)的重要性。模糊支持向量機在一定程度上抑制了噪聲和故障點對訓(xùn)練過程的影響，提高了故障分類和擬合的精度，目前已在設(shè)備故障診斷領(lǐng)域逐步取代支持向量機。模糊支持向量機雖然認為各個數(shù)據(jù)樣本在訓(xùn)練過程中的重要性不同，但是卻默認各個數(shù)據(jù)樣本本身的各個不同特征對支持向量機的性能的貢獻都是相等。然而當(dāng)模糊支持向量機應(yīng)用于設(shè)備的故障診斷領(lǐng)域時，訓(xùn)練樣本中的各個數(shù)據(jù)樣本的特征屬性種類較多，數(shù)據(jù)樣本的某些特征指標在故障分類中占據(jù)主要地位，而某些特征指標可能是冗余指標，如果將各個數(shù)據(jù)樣本的各種特征屬性的重要程度視為相同，那么在故障診斷過程中，故障的分類準確度將會降低，從而對故障診斷的精度造成不良影響。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種分類準確度高，診斷精度高的設(shè)備的故障分類診斷方法。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種設(shè)備的故障分類診斷方法，包

括以下步驟：

（1）構(gòu)建特征加權(quán)最小二乘支持向量機的分類器模型；

（2）構(gòu)建復(fù)合型特征加權(quán)最小二乘支持向量機的分類器模型；

（3）構(gòu)建復(fù)合型特征加權(quán)最小二乘支持向量機的分類器模型的模型參數(shù)；

（4）將設(shè)備的故障訓(xùn)練樣本輸入，對復(fù)合型特征加權(quán)最小二乘支持向量機的分類

器模型進行訓(xùn)練；

（5）將設(shè)備的待測故障樣本輸入訓(xùn)練后的復(fù)合型特征加權(quán)最小二乘支持向量機的

分類器模型中進行故障分類診斷。

所述的步驟（1）中的特征加權(quán)最小二乘支持向量機的分類器模型的構(gòu)建過程為：

（1）構(gòu)建最小二乘支持向量機的分類器模型：首先設(shè)定????????????????????????????????????????????????個訓(xùn)練樣本?，

x_i為第i個輸入數(shù)據(jù)，，表示x_i所在的輸入空間，d表示空間維數(shù),表示輸入數(shù)據(jù)x_i相對應(yīng)的類別，，表示訓(xùn)練樣本從輸入空間到高維特征空間的非線性映射，通過將訓(xùn)練樣本從輸入空間映射到高維特征空間，在高維特征空間最小二乘支持向量機的分類問題表述的函數(shù)式為:

?????????????

?????????????s.t.

其中min表示求最小值，w表示高維特征空間的權(quán)值向量，b表示偏置系數(shù)，c?表示懲罰系數(shù)，表示松弛變量，表示錯分的程度，上標T表示轉(zhuǎn)制運算，s.t.表示約束條件；然后引入拉格朗日函數(shù)，得到拉格朗日函數(shù)的最小值的表達函數(shù)式為：

其中是拉格朗日乘子，對應(yīng)的為支持向量，使L對w、b、、的偏導(dǎo)數(shù)等于零，同時引入核函數(shù)（i?=1，2，3，…n；j=1，2，3，…n），計算出和的具體結(jié)果，根據(jù)和的結(jié)果，得到最小二乘支持向量機的分類決策函數(shù)為，即構(gòu)建了最小二乘支持向量機的分類器模型；

（2）在最小二乘支持向量機的分類器模型的基礎(chǔ)上構(gòu)建特征加權(quán)最小二乘支持向量機的分類器模型：首先設(shè)置樣本特征權(quán)值參數(shù)為，p=1，2，3，…，m，，為特征序號，在此基礎(chǔ)上構(gòu)造特征權(quán)值矩陣，利用特征權(quán)值矩陣改進最小二乘支持向量機，使權(quán)值越小的特征對非線性映射函數(shù)和核函數(shù)的計算影響越小，改進后的最小二乘支持向量機的分類問題可表述為函數(shù)式：

????????

s.t.???