[發明專利]一種基于遺傳退火優化多核支持向量機的旋轉機械早期故障診斷方法

在審

• 申請號: 201610002290.2
• 申請日: 2016-01-01
• 公開（公告）號: CN105628425A
• 公開（公告）日: 2016-06-01
• 發明（設計）人: 陳法法;陳從平;陳保家;肖文榮;鐘先友
• 申請（專利權）人: 三峽大學
• 主分類號: G01M99/00
• 分類號: G01M99/00
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 成鋼

技術領域

本發明涉及一種旋轉機械早期故障診斷的一體化智能診斷方法，特別是涉及一種基于遺 傳退火優化多核支持向量機的旋轉機械早期故障一體化智能診斷方法。

背景技術

旋轉機械的早期故障是威脅旋轉機械安全可靠運行的主要問題，如果能夠對旋轉機械的 早期故障進行可靠診斷，提前掌握旋轉機械的運行狀態，即可避免旋轉機械的早期故障逐漸 漸變發展成典型故障，最終導致旋轉機械突然停機等惡性事件發生。廣義上講，旋轉機械設 備早期故障診斷是針對目前正在運行的旋轉機械設備，辨識旋轉機械設備當前的運行狀態， 找出其故障源和故障部位，分析其故障成因，并提出合理的解決方案。其研究內容主要涉及 機械動力學、材料學、機械設備測試技術、工程信號處理技術、計算機技術等，其主要方法 是依據機械動力學和材料學的理論，分析旋轉機械的故障機理，采用傳感器測出旋轉機械當 前的運行狀態信號，對信號進行分析處理，并構造智能化算法對旋轉機械設備當前的運行狀 態進行診斷辨識。

傳統在旋轉機械設備早期故障診斷過程中，技術人員首先利用機械動力學和材料學的知 識分析旋轉機械的故障機理，并利用各類傳感器采集旋轉機械的運行狀態信號；隨后對獲取 的各類運行狀態信號進行分析處理，提取狀態信號的主要特征指標；最后利用人工智能、計 算機技術建立故障診斷模型，根據特征指標的量值大小，推理出旋轉機械設備當前的運行狀 態。對于旋轉機械而言，振動信號對其運行狀態的反映最為直接，因此，對旋轉機械而言一 般是采用振動信號進行分析，但是反映旋轉機械早期故障的振動信號強度相對較小，雖然通 過現代高精度的傳感器能夠采集到早期故障特征信息，但是受到信號傳播途徑、傳播介質等 環境因素的干擾，很難精確提取出旋轉機械早期故障的振動特征。在故障診斷模型的構建過 程中，目前應用最多的是二類分類法、K近鄰分類算法、人工神經網絡(ArtificialNeural Network，ANN)和支持向量機(SupportVectorMachine，SVM)等，二類分類法、K近鄰 分類算法簡單，但是可靠性低，ANN的可靠性有所改善，但是容易出現過學習或欠學習而陷 入局部極小，SVM在這之中性能相對最優，但是參數選擇以及核函數的構造也具有一定的隨 機性，因此要建立合理可靠的早期故障智能診斷模型也并非易事。

本發明主要針對旋轉機械基于支持向量機的智能診斷算法進行的更新改進。在傳統采用 支持向量機進行故障診斷過程中，一般是直接將獲取的早期故障特征指標輸入到支持向量機 進行分類辨識，對于支持向量機的結構，通常采用的是單核支持向量機，對于支持向量機的 參數通常采用試湊法或者是簡單的優化算法獲取。本發明中，對于支持向量機的結構，在傳 統單核SVM的基礎上，通過對各類獨立核進行加權融合而形成的一種新型機器學習模型，即 多核混合支持向量機(Multi-kernelSupportVectorMachine，MSVM)，MSVM繼承了傳統單 核SVM的泛化推廣能力和自學習能力。在利用MSVM進行旋轉機械早期故障的診斷過程中， 各個獨立核的核函數參數及其權重因子的合理選擇將直接影響MSVM的辨識性能，通過綜合 遺傳算法(GeneticAlgorithm,簡稱GA)和模擬退火算法(SimulatedAnnealing,簡稱SA)各 自的優勢，構造了遺傳退火算法(GeneticSimulatedAnnealingAlgorithm,簡稱GA-SA)，進而 實現了對MSVM控制參數的最佳擇優。由此形成的基于遺傳退火優化多核支持向量機的旋轉 機械早期故障診斷方法，該方法具有較好的抗干擾能力，泛化推廣能力強，為旋轉機械的早 期故障智能診斷提供了一種新的途徑。

發明內容