[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

本發明提供一種基于特征處理的復雜設備故障診斷方法，步驟如下：1、對動作電流信號進行實時采集；2、對動作電流曲線進行區段劃分；3、對動作曲線進行區段劃分；4、構建設備動作電流曲線的高維特征表示數據集；5、對高維特征表示數據集進行特征選擇；6、對高維特征表示數據集進行特征提取；7、對特征表示數據集進行劃分處理；8、對SVM的參數進行尋優求解；9、進行SVM監督學習，得到故障診斷模型；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，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。

技術領域

本發明提供一種基于特征處理的復雜設備故障診斷方法，它涉及一種基于特征處理的復雜設備故障診斷方法的實現，屬于復雜設備可靠性、復雜設備故障診斷領域。

背景技術

故障診斷是根據設備運行狀態信息查找故障源，并確定相應決策的一門綜合性新興科學。故障診斷技術始于20世紀60年代，經過50多年的發展，已經取得了長足的進步。其內涵從簡單設備的故障診斷發展到復雜系統的故障診斷，如今故障診斷技術已在各工業部門取得了廣泛應用。目前，針對復雜設備的故障診斷主要涉及到兩個難題：一是不同工作模式下復雜設備對應的特征描述，其難點在于如何對設備的工作狀態進行簡明且高效的特征組合；二是故障診斷模型的構建，其難點在于如何對診斷模型的適應性和容錯性進行設計，使模型可以根據復雜設備的不同工作狀態作出智能決策，對故障進行準確地判斷與識別。針對以上兩個問題，本發明提出一種基于特征處理的復雜設備故障診斷方法，該方法通過智能分區的融合特征表示、費希爾(Fisher)特征選擇、主成分分析(Principal ComponentAnalysis，簡稱PCA)等技術對復雜設備的電流信號進行特征表示、選擇和提取以構成特征數據，并使用支持向量機(Support Vector Machine，簡稱SVM)對特征數據進行監督學習，建立故障診斷模型，用于復雜設備的故障診斷。

該方法基于特征處理和支持向量機技術融合故障分析與故障處理等相關理論、方法和技術進行實現，在提高復雜設備維護性的同時，達到提高復雜設備可靠性、安全性、可用性的目的。

發明內容

(一)本發明目的

在復雜設備故障診斷的研究中，存在的問題有：

●故障診斷的輸入信息不明確。盡管針對故障診斷分類方法的研究較多，但對于故障有效特征表示的討論較少。雖然目前有一些特征表示方法，但依據不明確；

●機器學習方法訓練時間長、訓練繁瑣。雖然基于機器學習的優化算法多種多樣，但用于故障診斷的機器學習方法優化效果較差；

●對復雜設備進行故障判斷的研究居多。故障識別在故障診斷中處于忽視或者是輔助的地位，判斷與識別不能同時結合，進行完整的復雜設備故障診斷。

針對上述問題，本發明將克服現有技術的不足，提出一種基于特征處理的復雜設備故障診斷方法。該方法首先根據設備的動作電流數據進行智能分區的融合特征表示。然后使用Fisher特征選擇方法對然融合特征進行篩選，保留利于故障診斷的特征數據，并在此基礎上采用PCA方法對篩選的特征進一步提取，以最少、最有效的特征組合表示設備的運行數據。最后采用遺傳算法(Genetic Algorithm，簡稱GA)與粒子群優化方法(ParticleSwarm Optimization，簡稱PSO)相結合的優化算法(GA-PSO算法)和SVM方法構建故障診斷分類器模型，實現對設備特征數據的故障診斷。可以看出基于機器學習的復雜設備故障診斷方法不僅可以對故障的有效特征進行表示，還可以采用優化的診斷模型對故障進行判斷與識別，為故障診斷領域提供了一種新的解決方法，并對現有的故障診斷方法進行了創新。

(二)技術方案

本發明一種基于特征處理的復雜設備故障診斷方法，其步驟如下：