[發(fā)明專利]一種基于廣義支持向量機的液壓部件健康狀態(tài)檢測方法

在審

• 申請?zhí)枺?/td>: 201910614733.7
• 申請日: 2019-07-09
• 公開（公告）號: CN110427974A
• 公開（公告）日: 2019-11-08
• 發(fā)明（設(shè)計）人: 吳軍;郭鵬飛;陳作懿;嚴喆;程一偉;鄧超;朱海平
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 孔娜;曹葆青

本發(fā)明屬于設(shè)備狀態(tài)監(jiān)測相關(guān)技術(shù)領(lǐng)域，其公開了一種基于廣義支持向量機的液壓部件健康狀態(tài)檢測方法，該方法包括以下步驟：(1)獲取多組樣本液壓部件處于不同健康狀態(tài)下的傳感器信號以作為樣本數(shù)據(jù)，且同時獲得對應(yīng)的的健康狀態(tài)數(shù)據(jù)；(2)計算所得到的特征數(shù)據(jù)與所述健康狀態(tài)數(shù)據(jù)之間的相關(guān)性，并選取訓(xùn)練特征；(3)采用堆疊集成學(xué)習(xí)方法構(gòu)建多個廣義支持向量機模型，并采用所述廣義支持向量機模型訓(xùn)練過程中所輸出的數(shù)據(jù)來訓(xùn)練得到隨機森林模型，由此得到了廣義支持向量機檢測模型；(4)將得到的待測液壓部件的實時傳感器信號數(shù)據(jù)輸入到所述廣義支持向量機檢測模型，以進行健康狀態(tài)檢測。本發(fā)明提高了檢測精度及靈活性，適用性較強。

技術(shù)領(lǐng)域

本發(fā)明屬于設(shè)備狀態(tài)監(jiān)測相關(guān)技術(shù)領(lǐng)域，更具體地，涉及一種基于廣義支持向量機的液壓部件健康狀態(tài)檢測方法。

背景技術(shù)

液壓系統(tǒng)是工業(yè)機電設(shè)備中的關(guān)鍵組成部分，其運行狀態(tài)直接影響整個機電設(shè)備的穩(wěn)定性與可靠性。若液壓系統(tǒng)出現(xiàn)突發(fā)故障，將會導(dǎo)致設(shè)備停機，影響企業(yè)生產(chǎn)效率，給企業(yè)帶來嚴重經(jīng)濟損失。因此，對液壓系統(tǒng)進行健康狀態(tài)感知是非常必要的。

液壓系統(tǒng)健康狀態(tài)并不能簡單地劃分為正常運行與故障損壞，其損壞過程是一個長期的、不斷加深的過程。健康狀態(tài)感知是對其損壞過程中的任意時間節(jié)點進行感知，得到的故障狀態(tài)可能會有多種，工作人員需要根據(jù)對液壓系統(tǒng)部件的健康狀態(tài)感知得到的不同的故障狀態(tài)做出相應(yīng)的維修處理措施，以防止事故的發(fā)生，避免經(jīng)濟損失及人員傷害。

支持向量機(Support vector machine，SVM)是一種有監(jiān)督的機器學(xué)習(xí)方法，可以實現(xiàn)對損壞與非損壞的特征值分類，具有樣本量需求小，診斷速度快等優(yōu)點。然而，經(jīng)典支持向量機只適用于二分類的診斷問題，常用的幫助支持向量機進行多分類的方法OVO、OVA等又會導(dǎo)致診斷效果下降，且其他分類方法的樣本需求量較大，診斷速度較慢。相應(yīng)地，本領(lǐng)域存在著發(fā)展一種精度較好的基于廣義支持向量機的液壓部件健康狀態(tài)檢測方法的技術(shù)需求，以實現(xiàn)機電設(shè)備液壓系統(tǒng)的健康狀態(tài)的準(zhǔn)確感知。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種基于廣義支持向量機的液壓部件健康狀態(tài)檢測方法，其基于現(xiàn)有液壓系統(tǒng)的健康狀態(tài)監(jiān)測特點，研究及設(shè)計了一種精度較好的基于廣義支持向量機的液壓部件健康狀態(tài)檢測方法。所述檢測方法采用了基于不同核函數(shù)的廣義支持向量機對液壓系統(tǒng)的各種液壓部件的多種健康狀態(tài)進行感知，并使用集成學(xué)習(xí)方法將基于廣義支持向量機的健康狀態(tài)感知結(jié)果進行集成以得到最終的健康狀態(tài)感知結(jié)果，由此實現(xiàn)了液壓部件的健康狀態(tài)的感知，提高了檢測精度及靈活性，適用性較強。

為實現(xiàn)上述目的，本發(fā)明提供了一種基于廣義支持向量機的液壓部件健康狀態(tài)檢測方法，所述檢測方法包括以下步驟：

(1)獲取多組樣本液壓部件處于不同健康狀態(tài)下的傳感器信號以作為樣本數(shù)據(jù)，且同時獲得每個樣本數(shù)據(jù)對應(yīng)的樣本液壓部件所處的健康狀態(tài)數(shù)據(jù)；

(2)對所述樣本數(shù)據(jù)進行數(shù)據(jù)清洗，并對清洗后的所述樣本數(shù)據(jù)提取統(tǒng)計特征；

(3)基于皮爾森相關(guān)系數(shù)計算所得到的特征數(shù)據(jù)與所述健康狀態(tài)數(shù)據(jù)之間的相關(guān)性，并將所述特征數(shù)據(jù)按照對應(yīng)的相關(guān)性自大到小進行排序，選取排在前預(yù)定個數(shù)的特征作為訓(xùn)練特征；

(4)基于所述訓(xùn)練特征及所述訓(xùn)練特征所對應(yīng)的健康狀態(tài)數(shù)據(jù)，采用堆疊集成學(xué)習(xí)方法構(gòu)建多個廣義支持向量機模型，并采用所述廣義支持向量機模型訓(xùn)練過程中所輸出的數(shù)據(jù)來訓(xùn)練得到隨機森林模型，由此得到了由堆疊集成學(xué)習(xí)方法集成的廣義支持向量機檢測模型；

(5)在線實時獲取待測液壓部件的傳感器信號數(shù)據(jù)，并將得到的傳感器信號數(shù)據(jù)進行處理后輸入到所述廣義支持向量機檢測模型，進而所述廣義支持向量機檢測模型對待測液壓部件進行健康狀態(tài)檢測。

進一步地，所述傳感器信號包括溫度、流量、壓力及功率。