一種基于svm分類模型的設(shè)備故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明主要涉及到設(shè)備故障診斷技術(shù)領(lǐng)域，更具體地說涉及到特指一種基于SVM 分類的設(shè)備故障診斷研究領(lǐng)域方法。
【背景技術(shù)】
[0002] 在一些諸如電廠、煉鐵廠、衛(wèi)星發(fā)射場(chǎng)等重要場(chǎng)合，工廠為確保其關(guān)鍵設(shè)備的安全 運(yùn)行，往往以投入大量的檢修人員來保證設(shè)備的安全運(yùn)行狀態(tài)。但是工作人員由于自身的 診斷技術(shù)或注意力等問題，不可避免忽略一些設(shè)備異常的征兆，一旦設(shè)備異常發(fā)展成為生 產(chǎn)故障，就會(huì)對(duì)企業(yè)帶來巨大的經(jīng)濟(jì)損失。因此相關(guān)方面的研究人員投入大量精力為生產(chǎn) 企業(yè)建立設(shè)備智能診斷系統(tǒng)，來確保廠內(nèi)重要設(shè)備的安全運(yùn)行。
[0003] -般情形下，設(shè)備故障狀態(tài)的特征很少是單一信號(hào)表現(xiàn)出來的，往往由很多特征 信號(hào)綜合體現(xiàn)出來的，譬如電廠汽輪機(jī)中的凝汽器出現(xiàn)掉真空的故障，不僅表現(xiàn)在凝汽器 真空值陡然下降的趨勢(shì)上，還在凝汽器絕對(duì)壓力值，排汽溫度，凝結(jié)水溫度等特征信號(hào)出現(xiàn) 連鎖反應(yīng)。傳統(tǒng)的故障檢測(cè)方法是針對(duì)不同的特征信號(hào)采取相應(yīng)的單信號(hào)故障檢測(cè)方法， 逐一進(jìn)行排查，但是這種方法效率低下，單一的故障信號(hào)在表現(xiàn)故障特性上有局限性，且無(wú) 法探究出與其他故障信號(hào)之間的關(guān)聯(lián)性。
[0004] 為綜合分析設(shè)備故障的全部有用信息，基于人工智能技術(shù)的故障綜合診斷技術(shù)成 為當(dāng)下探索設(shè)備故障診斷的研究熱點(diǎn)。人工智能技術(shù)通過數(shù)學(xué)挖掘方法構(gòu)造設(shè)備運(yùn)行狀 態(tài)跟故障類型的非線性映射模型，從而實(shí)現(xiàn)協(xié)同分析設(shè)備全部特征共同把脈設(shè)備故障的目 標(biāo)。但是這些非線性建模診斷技術(shù)依舊有需要改進(jìn)的地方：首先，其診斷效果跟設(shè)備數(shù)據(jù)樣 本處理有很大的關(guān)系，數(shù)據(jù)樣本越能體現(xiàn)相應(yīng)故障類型的特點(diǎn)越能提高診斷的效率。但是 現(xiàn)有的智能技術(shù)在處理設(shè)備數(shù)據(jù)方面過于粗糙，局限在單一的量綱歸一化與特征降維上， 造成數(shù)據(jù)樣本不精確不完備的狀態(tài)。其次，目前故障智能診斷技術(shù)構(gòu)建的分類模型基本都 是一成不變的，沒有考慮隨著設(shè)備運(yùn)行時(shí)間的持續(xù)，原先提取的故障特征會(huì)退化造成對(duì)識(shí) 別精度的下降，且設(shè)備運(yùn)行期間出現(xiàn)未見的新型故障是多數(shù)當(dāng)下診斷技術(shù)忽視的問題，如 何利用設(shè)備實(shí)時(shí)數(shù)據(jù)實(shí)現(xiàn)診斷模型的自我更新也是當(dāng)前設(shè)備故障診斷技術(shù)急需解決的問 題。最后，現(xiàn)有智能診斷技術(shù)的診斷結(jié)果對(duì)故障信息不完全，往往缺少故障頻率、故障部位 信息、故障維修指導(dǎo)等必要信息的補(bǔ)充。
[0005] 譬如，在論文《電力變壓器BP神經(jīng)網(wǎng)絡(luò)故障診斷法的比較研究》（高壓電器，第40 卷，第3期）中，將BP神經(jīng)網(wǎng)絡(luò)診斷法應(yīng)用于電力變壓器故障診斷當(dāng)中，并通過改進(jìn)變壓器 絕緣油常用的幾種溶解氣體分析標(biāo)準(zhǔn)來提升神經(jīng)網(wǎng)絡(luò)診斷的效率。注意到盡管神經(jīng)網(wǎng)絡(luò)具 有并行處理學(xué)習(xí)和記憶非線性映射自適應(yīng)能力和魯棒性等優(yōu)良性質(zhì)，但是隱含層節(jié)點(diǎn)數(shù)大 小、節(jié)點(diǎn)權(quán)值的初始值嚴(yán)重制約神經(jīng)網(wǎng)絡(luò)的收斂速度，以至于無(wú)法達(dá)到神經(jīng)網(wǎng)絡(luò)期望的故 障識(shí)別效率。
[0006] 為了避免神經(jīng)網(wǎng)絡(luò)收斂問題以及過學(xué)習(xí)問題，支持向量機(jī)算法在以結(jié)構(gòu)風(fēng)險(xiǎn)最小 化的理論基礎(chǔ)下，在解決小樣本局限情況下的分類問題上擁有自身的優(yōu)勢(shì)，且可獲取全局 最優(yōu)的分類結(jié)果。國(guó)家專利文獻(xiàn)《基于支持向量機(jī)的GIS局部放電故障類型模式識(shí)別方法》 (專利【申請(qǐng)?zhí)枴緾N201310025822. 0)提出了利用支持向量機(jī)分類算法進(jìn)行GIS局部放電故障 類型模式識(shí)別的技術(shù)。文獻(xiàn)講述在經(jīng)過線性歸一化、特征降維等數(shù)據(jù)處理方法后，使用構(gòu)造 多個(gè)SVM分類器，來實(shí)現(xiàn)對(duì)多種放電故障類型的識(shí)別。但是以上方法依舊有不足之處，通過 使用1VS 1的方法解決SVM兩種以上的分類，卻忽略了故障數(shù)據(jù)屬于不同故障類別票數(shù)相 同的情況。同時(shí)文獻(xiàn)通過故障信息過少，無(wú)法對(duì)下步消除故障工作通過指導(dǎo)性建議。
[0007] 針對(duì)以上現(xiàn)象，亟需有新的智能故障診斷技術(shù)來解決上述出現(xiàn)的問題，實(shí)現(xiàn)對(duì)設(shè) 備狀態(tài)快速辨別、故障類型的迅速定位和更具體故障信息的采集，這樣才可能最大幅度提 高了設(shè)備故障診斷的正確率和速度。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供了一種通過構(gòu)建準(zhǔn)確可靠的故障診 斷模型，改善當(dāng)前人工智能故障診斷方法對(duì)設(shè)備故障識(shí)別效率不高的狀況。本發(fā)明通過回 歸濾波的方式能最大程度地突顯設(shè)備的故障特征，減少設(shè)備數(shù)據(jù)不完備、不精確的狀況，為 構(gòu)建準(zhǔn)確可靠的故障診斷模型提供了可能；本發(fā)明在運(yùn)用支持向量機(jī)的基礎(chǔ)上，使用簡(jiǎn)單 便捷的方式實(shí)現(xiàn)模型增量學(xué)習(xí)的功能，以解決診斷模型隨著設(shè)備運(yùn)行時(shí)間老化的問題，降 低故障診斷模型的誤診率；本發(fā)明在運(yùn)用支持向量機(jī)的基礎(chǔ)下，通過識(shí)別新型故障，實(shí)現(xiàn)故 障知識(shí)庫(kù)的不斷完善；本發(fā)明實(shí)現(xiàn)的故障診斷模型能夠提供更詳細(xì)的故障診斷信息，不僅 只是簡(jiǎn)單的故障類型，而且包含本次故障屬于每種故障的可信度、故障部位以及從專家知 識(shí)庫(kù)里提取的故障維修指導(dǎo)建議，最大幅度提高了設(shè)備故障診斷的正確率和速度。
[0009] 基于SVM分類模型的設(shè)備故障診斷方法，其特征在于，依次包括以下步驟：
[0010] (1)為設(shè)備數(shù)據(jù)進(jìn)行預(yù)處理操作；
[0011] (2)構(gòu)建故障診斷案例知識(shí)庫(kù)：
[0012] (3)基于SVM分類模型，對(duì)支持向量機(jī)進(jìn)行故障診斷；
[0013] (4)獲取故障信息并進(jìn)行檢修指導(dǎo)；
[0014] 其中步驟⑶具體包括以下步驟：
[0015] 步驟3. 1:訓(xùn)練支持向量機(jī)的分類模型，利用故障數(shù)據(jù)進(jìn)行分類模型的訓(xùn)練，包括 初級(jí)分類模型的構(gòu)建以及具體分類模型的構(gòu)建；
[0016] 步驟3. 2 :利用交叉驗(yàn)證集優(yōu)化高斯核函數(shù)的帶寬0參數(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。參數(shù)因子和誤差懲罰因子C;
[0017] 步驟3. 3:利用SVM分類模型識(shí)別故障類型，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)的具體故障類型以及輸出故障信息；
[0018] 步驟3. 4 :SVM分類模型的增量學(xué)習(xí)，進(jìn)行新故障類型的訓(xùn)練和舊故障類型的再次 訓(xùn)練。
[0019] 優(yōu)選地，所述步驟3. 1具體為：
[0020] 尋求最優(yōu)分割面，使訓(xùn)練集中的點(diǎn)盡可能地遠(yuǎn)離平面的二分類問題，其中二次優(yōu) 化問題表述為 ：
[0021]
[0022] 轉(zhuǎn)化為對(duì)偶問題，形式如下：
[0023] L /-I
【主權(quán)項(xiàng)】
1. 一種基于SVM分類模型的設(shè)備故障診斷方法，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) 基于SVM分類模型，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)； 其中步驟（3)具體包括以下步驟： 步驟3. 1 :訓(xùn)練支持向量機(jī)的分類模型，利用故障數(shù)據(jù)進(jìn)行分類模型的訓(xùn)練，包括初級(jí) 分類模型的構(gòu)建