以及具體分類模型的構(gòu)建； 步驟3. 2:利用交叉驗(yàn)證集優(yōu)化高斯核函數(shù)的帶寬〇參數(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)值將作為最佳帶寬〇參數(shù)因子和誤差懲罰因子C; 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； 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。
2. 如權(quán)利要求1所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所述步 驟3. 1具體為： 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(wèn)題，其中二次優(yōu)化問(wèn) 題表述為：
轉(zhuǎn)化為對(duì)偶問(wèn)題，形式如下：
最終將分類函數(shù)定義為：
其中，x為自變量測(cè)點(diǎn)的數(shù)據(jù)向量，y為目標(biāo)測(cè)點(diǎn)的數(shù)據(jù)向量，w為兩類之間的分割面的 距離值，b為常數(shù)向量，叫為支持向量機(jī)； 建立lvsl分類投票決策機(jī)制，解決SVM多分類的問(wèn)題，具體為將k種故障類型兩兩配 對(duì)，構(gòu)建k(k+1) /2個(gè)支持向量分類模型。
3. 如權(quán)利要求1所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所述步 驟3.2具體步驟為：采用交叉驗(yàn)證集來(lái)優(yōu)化高斯核函數(shù)的帶寬〇參數(shù)與懲罰因子C，具體 為： a. 按照先母分類模型，后子分類模型的順序依次進(jìn)行兩個(gè)重要參數(shù)優(yōu)化； b. 對(duì)于分類模型i來(lái)說(shuō)，將每一類故障訓(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，使用網(wǎng)格搜索法在規(guī)定的范圍內(nèi)，對(duì)SVM的 帶寬參數(shù)〇以及懲罰因子C進(jìn)行尋優(yōu)操作，識(shí)別率最高的一對(duì)參數(shù)值作為最佳帶寬〇參 數(shù)與懲罰因子C; c. 按照順序優(yōu)化完所有的母子分類模型，保存到相應(yīng)參數(shù)向量P中。
4. 如權(quán)利要求1或3所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所 述步驟3. 3具體步驟為： a. 將實(shí)時(shí)數(shù)據(jù)rt進(jìn)入過(guò)程1建立的SVM回歸模型中，依次進(jìn)行回歸濾波處理、歸一化 處理、PCA降維數(shù)據(jù)處理轉(zhuǎn)化為實(shí)時(shí)分?jǐn)?shù)數(shù)據(jù)J; b. 實(shí)時(shí)分?jǐn)?shù)數(shù)據(jù)J若存在負(fù)值的話化為故障分?jǐn)?shù)數(shù)據(jù)J，若不存在負(fù)值的話即判為無(wú) 故障的正常工況； c. 故障分?jǐn)?shù)數(shù)據(jù)J依次進(jìn)入構(gòu)建的參數(shù)優(yōu)化后的母分類模型集進(jìn)行分類，之后進(jìn)行投 票統(tǒng)計(jì)，判斷初步識(shí)別的類型是否為綜合故障類型，若是，將故障分?jǐn)?shù)數(shù)據(jù)J依次進(jìn)入構(gòu)建 對(duì)應(yīng)的參數(shù)優(yōu)化后的子分類模型集進(jìn)行投票統(tǒng)計(jì)，識(shí)別出具體故障類型，若否，初步識(shí)別的 類型就是具體故障類型。
5. 如權(quán)利要求4所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：在實(shí)時(shí) 故障分?jǐn)?shù)數(shù)據(jù)J依次進(jìn)入全部母或子分類模型后，統(tǒng)計(jì)每種故障類型的票數(shù)，得票數(shù)最多 的故障類型即為最終確定的故障類型，若出現(xiàn)最多票數(shù)的故障類型為多個(gè)時(shí)，則判定為新 故障類型，標(biāo)簽定為0。
6. 如權(quán)利要求1或5所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所 述步驟3. 4具體步驟為： a. 在實(shí)時(shí)故障診斷過(guò)程中，若出現(xiàn)判斷為故障類型標(biāo)簽0的話，即出現(xiàn)新故障類型，將 實(shí)時(shí)數(shù)據(jù)保存為一個(gè)標(biāo)簽為new的數(shù)據(jù)框中，數(shù)據(jù)框大小為[lOOOXp];若出現(xiàn)判斷為故障 類型標(biāo)簽非〇的話，即出現(xiàn)舊故障類型，將該實(shí)時(shí)數(shù)據(jù)保存對(duì)應(yīng)的標(biāo)簽為〇ld_n的數(shù)據(jù)框 中，數(shù)據(jù)框的大小為[1000Xp]，其中n是故障類型標(biāo)簽； b. 假若new的數(shù)據(jù)框存滿數(shù)據(jù)后，將新故障類型數(shù)據(jù)加入原有的故障訓(xùn)練數(shù)據(jù)中，開 始按照步驟3. 1的方法進(jìn)行SVM分類的增量學(xué)習(xí)，同時(shí)new的數(shù)據(jù)框被清空；假若old_n的 數(shù)據(jù)框存滿數(shù)據(jù)后，將舊故障類型數(shù)據(jù)加入原有的故障訓(xùn)練數(shù)據(jù)中，開始按照步驟3. 1的 方法進(jìn)行SVM分類的增量學(xué)習(xí)，同時(shí)old_n的數(shù)據(jù)框被清空； c. 最后，將按照步驟3. 2的方法對(duì)更新完成的SVM分類模型的參數(shù)進(jìn)行優(yōu)化，更新參數(shù) 向量P。
7. 如權(quán)利要求1所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所述步 驟⑷包括以下步驟： 步驟4. 1，獲取故障類型以及識(shí)別可信度； 步驟4. 2,獲取故障的部位信息及與相應(yīng)故障特征匹配度； 步驟4. 3,根據(jù)專家知識(shí)庫(kù)查詢并為檢修人員給予維修指導(dǎo)。
8. 如權(quán)利要求7所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所述步 驟4. 1具體步驟為： 依據(jù)以下公式對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行識(shí)別可信度ep的求取：
其中的maxD表示該故障類型的訓(xùn)練數(shù)據(jù)中絕對(duì)值最大的決策值，minD表示該故障類 型的訓(xùn)練數(shù)據(jù)中絕對(duì)值最小的決策值，rtD表示實(shí)時(shí)數(shù)據(jù)的分類決策值； 對(duì)實(shí)時(shí)數(shù)據(jù)rt依次經(jīng)過(guò)所有的SVM分類模型，得到所有故障類型的可信度，具體算法 如下公式所示：
i= 1， ? ? ? ，N 其中，n為故障類型，N為類型為n的故障訓(xùn)練數(shù)據(jù)構(gòu)建SVM分類模型的個(gè)數(shù)，印i為實(shí) 時(shí)數(shù)據(jù)對(duì)故障類型i的可信度數(shù)值。
9. 如權(quán)利要求7或8所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所 述步驟4. 2具體步驟為： 在確定實(shí)時(shí)數(shù)據(jù)rt的故障類型后，將實(shí)時(shí)數(shù)據(jù)rt轉(zhuǎn)化為故障分?jǐn)?shù)數(shù)據(jù)J向量形式，其 中向量J里數(shù)值為負(fù)的測(cè)點(diǎn)即為疑似發(fā)生故障的部位M; 假若實(shí)時(shí)數(shù)據(jù)rt的故障類型為n類型故障時(shí)，從故障特征數(shù)據(jù)框n中查閱對(duì)應(yīng)類型n對(duì)應(yīng)的故障特征n_n，故障特征匹配度依據(jù)下面的公式進(jìn)行：
x=mnn_n 其中，函數(shù)len〇為求取長(zhǎng)度函數(shù)，X為實(shí)時(shí)故障測(cè)點(diǎn)與故障特征的交集，n_n為故障 類型n的故障特征。
10. 如權(quán)利要求9所述的基于SVM分類模型的設(shè)備故障診斷方法，其特征在于：所述步 驟4. 3具體步驟為： 當(dāng)設(shè)備確診出現(xiàn)某種已知故障時(shí)，設(shè)備故障智能診斷系統(tǒng)開始讀取專家知識(shí)庫(kù)里相應(yīng) 故障目錄下的維修建議，按照建議的權(quán)重大小依次展示給檢修人員，同時(shí)依據(jù)步驟4. 2求 出的matchDG值的大小推算維修時(shí)間。
【專利摘要】一種基于SVM分類模型的設(shè)備故障診斷方法，包括為設(shè)備數(shù)據(jù)進(jìn)行預(yù)處理操作；構(gòu)建故障診斷案例知識(shí)庫(kù)；基于SVM分類模型，對(duì)支持向量機(jī)進(jìn)行故障診斷；獲取故障信息并進(jìn)行檢修指導(dǎo)，基于支持向量機(jī)的設(shè)備故障智能診斷方法最大程度地突顯設(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，解決診斷模型隨著設(shè)備運(yùn)行時(shí)間老化的問(wèn)題，降低故障診斷模型的誤診率，最大幅度提高了設(shè)備故障診斷的正確率和速度。
【IPC分類】G06F11-22, G06K9-66, G06F17-30
【公開號(hào)】CN104573740
【申請(qǐng)?zhí)枴緾N201410810454
【發(fā)明人】張建輝, 張華偉, 徐揚(yáng), 安佰京
【申請(qǐng)人】山東魯能軟件技術(shù)有限公司
【公開日】2015年4月29日
【申請(qǐng)日】2014年12月22日