[發明專利]一種基于特征處理的復雜設備故障診斷方法

有效

• 申請號: 201710706030.8
• 申請日: 2017-08-17
• 公開（公告）號: CN107590506B
• 公開（公告）日: 2018-06-15
• 發明（設計）人: 楊順昆;邊沖;程宇佳;許慶陽;林歐雅;陶飛
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于特征處理的復雜設備故障診斷方法，其特征在于：其步驟如下：

步驟1、按照合適的采樣間隔對復雜設備的動作電流信號進行實時采集，獲得設備的動作曲線數據，并分析動作電流曲線形態與設備故障類型對應的關系；

步驟2、從時域角度對設備的動作電流曲線進行區段劃分，并提取各區段動作曲線數據的時間特征信息；

步驟3、從值域角度對設備的動作曲線進行區段劃分，并提取各區段動作曲線數據的電流值特征信息；

步驟4、將設備動作的時間特征信息和電流值特征信息融合，構建設備動作電流曲線的高維特征表示數據集；

步驟5、使用Fisher方法對高維特征表示數據集進行特征選擇，篩選出最具代表性、可分性能最好的特征，并剔除模棱兩可、不易判別的特征，從而降低特征表示集的維數；

步驟6、使用PCA方法對高維特征表示數據集進行特征提取，消除冗余信息，進一步降低特征表示集的維數；

步驟7、對特征表示數據集進行劃分處理，得到SVM訓練樣本集數據和測試樣本集數據；

步驟8、在訓練樣本集的基礎上，采用GA-PSO優化算法對SVM的參數進行尋優求解；

步驟9、使用優化的參數和訓練集樣本數據進行SVM監督學習，得到故障診斷模型；

步驟10、使用測試集數據對故障診斷模型的診斷準確率進行驗證；

通過上述步驟，能實現基于特征處理的復雜設備故障診斷方法，該方法以復雜設備為對象，首先，根據設備不同故障模式的故障特點，對工作電流信號進行智能分區的融合特征表示；然后，使用Fisher特征選擇方法對融合特征進行篩選，保留利于進行故障診斷的特征，并結合PCA方法對篩選的特征進一步提取；最后，使用GA與PSO結合的GA-PSO優化算法得到SVM優化參數，并通過參數優化的SVM方法實現故障診斷分類器，完成對設備工作電流曲線的特征數的故障識別與分析。

2.根據權利要求1所述的一種基于特征處理的復雜設備故障診斷方法，其特征在于：

在步驟1中所述的分析動作電流曲線形態與設備故障類型對應的關系，其作法如下：對設備的正常模式和典型故障模式進行分析，總結各故障模式的故障類型、發生現象以及產生原因，查找設備動作電流曲線形態與故障類型的對應關系，用于后續的故障診斷步驟。

3.根據權利要求1所述的一種基于特征處理的復雜設備故障診斷方法，其特征在于：

在步驟2中所述的從時域角度對設備的動作電流曲線進行區段劃分，并提取各區段動作曲線數據的時間特征信息，其作法如下：

所述的從時域角度對設備的動作曲線進行區段劃分，其具體作法如下：分析設備進行不同動作的電流信號數據，得到動作的電流值域信息，根據電流域值信息對動作曲線的時域即x軸對應設置時間分割點，這樣將動作曲線的時域劃分為不同區段，每個時域區段代表設備發生不同動作所持續的時間；

所述的提取各區段動作曲線數據的時間特征信息，其具體作法如下：使用時間作為自變量描述動作曲線數據的物理量，以最基本、最直觀的表達方式反應設備各動作區段的工作狀態；將最大值、最小值、平均值、方差值、有效值、均方差、峰峰值、峭度值、峰值因子、波形因子、脈沖因子和裕度因子作為時域特征參數，將時間域所劃分的各個區段都進行最大值、最小值、平均值、方差值、有效值、均方差、峰峰值、峭度值、峰值因子、波形因子、脈沖因子和裕度因子特征參數的采集。

4.根據權利要求1所述的一種基于特征處理的復雜設備故障診斷方法，其特征在于：

在步驟3中所述的從值域角度對設備的動作曲線進行區段劃分，其作法如下：首先，將動作電流曲線向電流值域即y軸進行投影，根據設備動作電流信號的采集精度對投影區間精度進行設定，這里為避免投影區間對分割電流值區域的影響，設定投影區間精度值與采集精度值一致；然后，對投影區間點數少于5點的零散電流值點置零，不計入統計；最后，根據設備的動作的電流信息對電流值域進行分段；

在步驟3中所述的提取各區段動作曲線數據的電流值特征信息，其作法如下：按照電流值域分段分析，提取各個區段的非零電流區域，并對這些區域以統計特征進行參數表示；將總數、均值、極差、眾數、方差、標準差、中值、平均絕對誤差作為統計特征參數，對每個區段進行總數、均值、極差、眾數、方差、標準差、中值、平均絕對誤差特征參數的采集，以表示設備的動作電流特征。