[發(fā)明專(zhuān)利]一種基于支持向量機(jī)的設(shè)備故障智能診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410810452.6
• 申請(qǐng)日: 2014-12-22
• 公開(kāi)（公告）號(hào): CN104462846B
• 公開(kāi)（公告）日: 2017-11-10
• 發(fā)明（設(shè)計(jì)）人: 丁書(shū)耕;徐揚(yáng);安佰京;李海斌;李洪海
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東魯能軟件技術(shù)有限公司
• 主分類(lèi)號(hào): G06F19/00
• 分類(lèi)號(hào): G06F19/00
• 代理公司: 北京元本知識(shí)產(chǎn)權(quán)代理事務(wù)所11308
• 代理人: 秦力軍

1.一種基于支持向量機(jī)的設(shè)備故障智能診斷方法，其特征在于，依次包括以下步驟：

(1)為設(shè)備數(shù)據(jù)進(jìn)行預(yù)處理操作；

(2)構(gòu)建故障診斷案例知識(shí)庫(kù)；

(3)對(duì)支持向量機(jī)進(jìn)行故障診斷；

(4)獲取故障信息并進(jìn)行檢修指導(dǎo)；

其中所述步驟(1)包括以下步驟：

步驟1.1：對(duì)設(shè)備數(shù)據(jù)進(jìn)行回歸濾波處理，包括：

步驟1.1.1：從設(shè)備數(shù)據(jù)庫(kù)中讀取一定時(shí)間的歷史運(yùn)行數(shù)據(jù)，其中設(shè)備數(shù)據(jù)包括一定數(shù)量的故障狀態(tài)數(shù)據(jù)與正常工況數(shù)據(jù)；

步驟1.1.2：利用正常工況數(shù)據(jù)建立支持向量機(jī)的回歸過(guò)濾模型，所述步驟1.1.2具體步驟為：將形式為[m×n]的正常工況數(shù)據(jù)M進(jìn)行等距壓縮處理，在確定好抽取數(shù)據(jù)間隔距離d后，將所有時(shí)刻的數(shù)據(jù)求取歐幾里得范數(shù)得到一個(gè)m維的向量，以距離d為抽取距離從m維的歐幾里得向量中抽取l個(gè)狀態(tài)時(shí)刻，其中把工況數(shù)據(jù)縮減成壓縮數(shù)據(jù)T；

然后，將壓縮數(shù)據(jù)T進(jìn)行線(xiàn)性歸一化處理，消除各個(gè)測(cè)點(diǎn)數(shù)據(jù)量綱，得到標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)R,其中歸一化公式如下所示：

其中x為設(shè)備某測(cè)點(diǎn)的數(shù)值，帶下標(biāo)為“標(biāo)”的為歸一化后的形式，帶下標(biāo)為“原”的為原始數(shù)據(jù)形式，帶下標(biāo)為“max”的為該測(cè)點(diǎn)的最大值，帶下標(biāo)為“min”的為該測(cè)點(diǎn)的最小值；

最后，將標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)R作為建立SVM回歸模型的訓(xùn)練數(shù)據(jù)，以所有測(cè)點(diǎn)參數(shù)作為輸入?yún)?shù)，并且測(cè)點(diǎn)參數(shù)依次作為輸出目標(biāo)參數(shù)的方式來(lái)構(gòu)建一系列的多輸入多輸出SVM回歸模型，對(duì)測(cè)試數(shù)據(jù)向量參考?xì)v史數(shù)據(jù)擬合出一個(gè)評(píng)估值向量；

步驟1.1.3：所有的設(shè)備歷史運(yùn)行數(shù)據(jù)經(jīng)回歸濾波處理得殘差數(shù)據(jù)；

步驟1.2：對(duì)殘差數(shù)據(jù)消除量綱，利用殘差數(shù)據(jù)跟訓(xùn)練殘差上下限的比值化作分?jǐn)?shù)形式，消除了各個(gè)設(shè)備測(cè)點(diǎn)之間的量綱影響，將故障測(cè)點(diǎn)特征突顯出來(lái)，得到故障分?jǐn)?shù)數(shù)據(jù)，所述步驟1.2具體步驟為:

依據(jù)健康殘差數(shù)據(jù)上下限T，對(duì)故障加窗數(shù)據(jù)W進(jìn)行中心歸一化處理，消除各個(gè)測(cè)點(diǎn)量綱，具體為：

<1>故障加窗數(shù)據(jù)按照測(cè)點(diǎn)的序號(hào)從小到大依次進(jìn)行歸一化處理；

<2>在測(cè)點(diǎn)i中，大于等于0的殘差數(shù)據(jù)按照以下方式處理：

其中，s_p為測(cè)點(diǎn)i的故障分?jǐn)?shù)數(shù)據(jù)，T_上為測(cè)點(diǎn)i的殘差數(shù)據(jù)上限，ω為測(cè)點(diǎn)i的故障加窗數(shù)據(jù)；

<3>在測(cè)點(diǎn)i中，小于0的殘差數(shù)據(jù)按照以下方式處理：

其中，s_p為測(cè)點(diǎn)i的故障分?jǐn)?shù)數(shù)據(jù)，T_上為測(cè)點(diǎn)i的殘差數(shù)據(jù)上限，ω為測(cè)點(diǎn)i的故障加窗數(shù)據(jù)；

<4>重復(fù)上述<2>-<3>兩步操作，直至完成所有測(cè)點(diǎn)的歸一化處理；

步驟1.3：對(duì)故障數(shù)據(jù)進(jìn)行PCA降維處理，從而防止非線(xiàn)性建模過(guò)程中的過(guò)度擬合的發(fā)生以及權(quán)重小的測(cè)點(diǎn)擾亂正常的映射關(guān)系，對(duì)設(shè)備分?jǐn)?shù)數(shù)據(jù)進(jìn)行特征降維處理，所述步驟1.3具體步驟為:

利用PCA降維法將得到的故障分?jǐn)?shù)數(shù)據(jù)S通過(guò)正交變換映射到低維子空間，變換成子空間后的特征相關(guān)性降到最低點(diǎn)，具體為：

<1>將故障分?jǐn)?shù)數(shù)據(jù)S求解故障協(xié)方差矩陣Σ：

Σ=1n-1Σi=1n(Si-S‾)(Si-S‾)*=(sij)]]>

其中，s_ij為協(xié)方差矩陣中第i行、第j列的數(shù)值，n為分?jǐn)?shù)向量中數(shù)值的總個(gè)數(shù)，S_i為分?jǐn)?shù)向量中第i故障分?jǐn)?shù)數(shù)據(jù)，為分?jǐn)?shù)向量中數(shù)值的均值；

<2>根據(jù)故障協(xié)方差矩陣∑求解相關(guān)系數(shù)矩陣R：

R^=(rij),rij=sijsiisjj]]>

其中，r_ij為相關(guān)系數(shù)矩陣中第i行、第j列的數(shù)值，s_ij為協(xié)方差矩陣中第i行、第j列的數(shù)值；

<3>從故障協(xié)方差矩陣∑求解故障矩陣主成分，求出特征值λ_i與特征向量t_i，則其n個(gè)主要成分計(jì)算方法為：

yj^=ti*^x,i=1,2,...,n]]>

其中，x為第i測(cè)點(diǎn)的故障分?jǐn)?shù)數(shù)據(jù)向量，為第i測(cè)點(diǎn)的主成分?jǐn)?shù)值；

<4>求取前p個(gè)累積貢獻(xiàn)率大于90％的主成分特征，達(dá)到降維效果，其中主成分y_i的貢獻(xiàn)率為：前p個(gè)的累積貢獻(xiàn)率如下所示：其中p≤n，假若選取的這P個(gè)特征的累積貢獻(xiàn)率大于90％的話(huà)，就實(shí)現(xiàn)了故障分?jǐn)?shù)數(shù)據(jù)S由n維轉(zhuǎn)化成P維的降維目的；

其中，所述步驟(2)包括以下步驟：

步驟2.1：提取故障特征，以測(cè)點(diǎn)的故障貢獻(xiàn)度的方式確定故障的主特征測(cè)點(diǎn)；

步驟2.2：分析各類(lèi)故障之間的關(guān)聯(lián)度，以故障特征相似度作為辨別標(biāo)準(zhǔn)，獲取各類(lèi)故障的關(guān)聯(lián)度級(jí)數(shù)：

步驟2.3：為各類(lèi)故障添加故障類(lèi)型標(biāo)簽，關(guān)聯(lián)度低的故障類(lèi)型標(biāo)識(shí)為單一故障類(lèi)型，關(guān)聯(lián)度較高的故障類(lèi)型可合并標(biāo)識(shí)為一個(gè)綜合故障類(lèi)型，其中綜合故障類(lèi)型在下一級(jí)的故障識(shí)別中繼續(xù)進(jìn)行具體類(lèi)型的故障識(shí)別；

所述步驟(3)包括以下步驟：

步驟3.1：訓(xùn)練支持向量機(jī)的分類(lèi)模型，利用故障數(shù)據(jù)進(jìn)行分類(lèi)模型的訓(xùn)練，包括初級(jí)分類(lèi)模型的構(gòu)建以及具體分類(lèi)模型的構(gòu)建；

步驟3.2：利用交叉驗(yàn)證集優(yōu)化高斯核函數(shù)的帶寬σ參數(shù)和誤差懲罰因子C，將訓(xùn)練數(shù)據(jù)隨機(jī)均分3等份，每次將其中的1份作為測(cè)試集，剩下的2份作為訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，識(shí)別率最高的一組參數(shù)值將作為最佳帶寬σ參數(shù)因子和誤差懲罰因子C；

步驟3.3：利用SVM分類(lèi)模型識(shí)別故障類(lèi)型，初級(jí)識(shí)別模型用于判定設(shè)備數(shù)據(jù)是否單一故障類(lèi)型，具體識(shí)別模型用于判定綜合故障數(shù)據(jù)的具體故障類(lèi)型以及輸出故障信息；

步驟3.4：SVM分類(lèi)模型的增量學(xué)習(xí)，進(jìn)行新故障類(lèi)型的訓(xùn)練和舊故障類(lèi)型的再次訓(xùn)練。

2.如權(quán)利要求1所述的基于支持向量機(jī)的設(shè)備故障智能診斷方法，其特征在于：所述步驟(4)包括以下步驟：

步驟4.1，獲取故障類(lèi)型以及識(shí)別可信度；

步驟4.2，獲取故障的部位信息及與相應(yīng)故障特征匹配度；

步驟4.3，根據(jù)專(zhuān)家知識(shí)庫(kù)查詢(xún)并為檢修人員給予維修指導(dǎo)。