一种基于SVM分类模型的设备故障诊断方法技术

一种基于SVM分类模型的设备故障诊断方法，包括为设备数据进行预处理操作；构建故障诊断案例知识库；基于SVM分类模型，对支持向量机进行故障诊断；获取故障信息并进行检修指导，基于支持向量机的设备故障智能诊断方法最大程度地突显设备的故障特征，减少设备数据不完备、不精确的状况，为构建准确可靠的故障诊断模型提供了可能，解决诊断模型随着设备运行时间老化的问题，降低故障诊断模型的误诊率，最大幅度提高了设备故障诊断的正确率和速度。

【技术实现步骤摘要】
一种基于SVM分类模型的设备故障诊断方法
本专利技术主要涉及到设备故障诊断
，更具体地说涉及到特指一种基于SVM分类的设备故障诊断研究领域方法。
技术介绍
在一些诸如电厂、炼铁厂、卫星发射场等重要场合，工厂为确保其关键设备的安全运行，往往以投入大量的检修人员来保证设备的安全运行状态。但是工作人员由于自身的诊断技术或注意力等问题，不可避免忽略一些设备异常的征兆，一旦设备异常发展成为生产故障，就会对企业带来巨大的经济损失。因此相关方面的研究人员投入大量精力为生产企业建立设备智能诊断系统，来确保厂内重要设备的安全运行。一般情形下，设备故障状态的特征很少是单一信号表现出来的，往往由很多特征信号综合体现出来的，譬如电厂汽轮机中的凝汽器出现掉真空的故障，不仅表现在凝汽器真空值陡然下降的趋势上，还在凝汽器绝对压力值，排汽温度，凝结水温度等特征信号出现连锁反应。传统的故障检测方法是针对不同的特征信号采取相应的单信号故障检测方法，逐一进行排查，但是这种方法效率低下，单一的故障信号在表现故障特性上有局限性，且无法探究出与其他故障信号之间的关联性。为综合分析设备故障的全部有用信息，基于人工智能技术的故障综合诊断技术成为当下探索设备故障诊断的研究热点。人工智能技术通过数学挖掘方法构造设备运行状态跟故障类型的非线性映射模型，从而实现协同分析设备全部特征共同把脉设备故障的目标。但是这些非线性建模诊断技术依旧有需要改进的地方：首先，其诊断效果跟设备数据样本处理有很大的关系，数据样本越能体现相应故障类型的特点越能提高诊断的效率。但是现有的智能技术在处理设备数据方面过于粗糙，局限在单一的量纲归一化与特征降维上，造成数据样本不精确不完备的状态。其次，目前故障智能诊断技术构建的分类模型基本都是一成不变的，没有考虑随着设备运行时间的持续，原先提取的故障特征会退化造成对识别精度的下降，且设备运行期间出现未见的新型故障是多数当下诊断技术忽视的问题，如何利用设备实时数据实现诊断模型的自我更新也是当前设备故障诊断技术急需解决的问题。最后，现有智能诊断技术的诊断结果对故障信息不完全，往往缺少故障频率、故障部位信息、故障维修指导等必要信息的补充。譬如，在论文《电力变压器BP神经网络故障诊断法的比较研究》(高压电器，第40卷，第3期)中，将BP神经网络诊断法应用于电力变压器故障诊断当中，并通过改进变压器绝缘油常用的几种溶解气体分析标准来提升神经网络诊断的效率。注意到尽管神经网络具有并行处理学习和记忆非线性映射自适应能力和鲁棒性等优良性质，但是隐含层节点数大小、节点权值的初始值严重制约神经网络的收敛速度，以至于无法达到神经网络期望的故障识别效率。为了避免神经网络收敛问题以及过学习问题，支持向量机算法在以结构风险最小化的理论基础下，在解决小样本局限情况下的分类问题上拥有自身的优势，且可获取全局最优的分类结果。国家专利文献《基于支持向量机的GIS局部放电故障类型模式识别方法》(专利申请号：CN201310025822.0)提出了利用支持向量机分类算法进行GIS局部放电故障类型模式识别的技术。文献讲述在经过线性归一化、特征降维等数据处理方法后，使用构造多个SVM分类器，来实现对多种放电故障类型的识别。但是以上方法依旧有不足之处，通过使用1VS1的方法解决SVM两种以上的分类，却忽略了故障数据属于不同故障类别票数相同的情况。同时文献通过故障信息过少，无法对下步消除故障工作通过指导性建议。针对以上现象，亟需有新的智能故障诊断技术来解决上述出现的问题，实现对设备状态快速辨别、故障类型的迅速定位和更具体故障信息的采集，这样才可能最大幅度提高了设备故障诊断的正确率和速度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供了一种通过构建准确可靠的故障诊断模型，改善当前人工智能故障诊断方法对设备故障识别效率不高的状况。本专利技术通过回归滤波的方式能最大程度地突显设备的故障特征，减少设备数据不完备、不精确的状况，为构建准确可靠的故障诊断模型提供了可能；本专利技术在运用支持向量机的基础上，使用简单便捷的方式实现模型增量学习的功能，以解决诊断模型随着设备运行时间老化的问题，降低故障诊断模型的误诊率；本专利技术在运用支持向量机的基础下，通过识别新型故障，实现故障知识库的不断完善；本专利技术实现的故障诊断模型能够提供更详细的故障诊断信息，不仅只是简单的故障类型，而且包含本次故障属于每种故障的可信度、故障部位以及从专家知识库里提取的故障维修指导建议，最大幅度提高了设备故障诊断的正确率和速度。基于SVM分类模型的设备故障诊断方法，其特征在于，依次包括以下步骤：(1)为设备数据进行预处理操作；(2)构建故障诊断案例知识库：(3)基于SVM分类模型，对支持向量机进行故障诊断；(4)获取故障信息并进行检修指导；其中步骤(3)具体包括以下步骤：步骤3.1：训练支持向量机的分类模型，利用故障数据进行分类模型的训练，包括初级分类模型的构建以及具体分类模型的构建；步骤3.2：利用交叉验证集优化高斯核函数的带宽σ参数和误差惩罚因子C，将训练数据随机均分3等份，每次将其中的1份作为测试集，剩下的2份作为训练数据进行训练，识别率最高的一组参数值将作为最佳带宽σ参数因子和误差惩罚因子C；步骤3.3：利用SVM分类模型识别故障类型，初级识别模型用于判定设备数据是否单一故障类型，具体识别模型用于判定综合故障数据的具体故障类型以及输出故障信息；步骤3.4：SVM分类模型的增量学习，进行新故障类型的训练和旧故障类型的再次训练。优选地，所述步骤3.1具体为：寻求最优分割面，使训练集中的点尽可能地远离平面的二分类问题，其中二次优化问题表述为：转化为对偶问题，形式如下：最终将分类函数定义为：其中，x为自变量测点的数据向量，y为目标测点的数据向量,w为两类之间的分割面的距离值，b为常数向量，ai为支持向量机。建立1vs1分类投票决策机制，解决SVM多分类的问题，具体为将k种故障类型两两配对，构建k(k+1)/2个支持向量分类模型。优选地，所述步骤3.2具体步骤为：采用交叉验证集来优化高斯核函数的带宽σ参数与惩罚因子C，具体为：a.按照先母分类模型，后子分类模型的顺序依次进行两个重要参数优化；b.对于分类模型i来说，将每一类故障训练数据随机均分3等份，每次将其中的1份作为测试集，剩下的2份作为训练数据进行训练，使用网格搜索法在规定的范围内，对SVM的带宽参数σ以及惩罚因子C进行寻优操作，识别率最高的一对参数值作为最佳带宽σ参数与惩罚因子C；c.按照顺序优化完所有的母子分类模型，保存到相应参数向量P中。优选地，所述步骤3.3具体步骤为：a.将实时数据rt进入过程1建立的SVM回归模型中，依次进行回归滤波处理、归一化处理、PCA降维数据处理转化为实时分数数据J；b.实时分数数据J若存在负值的话化为故障分数数据J，若不存在负值的话即判为无故障的正常工况；c.故障分数数据J依次进入构建的参数优化后的母分类模型集进行分类，之后进行投票统计，判断初步识别的类型是否为综合故障类型，若是，将故障分数数据J依次进入构建对应的参数优化后的子分类模型集进行投票统计，识别出具体故障类型，若否，初步识别的类型就是具体故障类型。优选地，在实时故障分数数据本文档来自技高网...

【技术保护点】
一种基于SVM分类模型的设备故障诊断方法，其特征在于，依次包括以下步骤：(1)为设备数据进行预处理操作；(2)构建故障诊断案例知识库：(3)基于SVM分类模型，对支持向量机进行故障诊断；(4)获取故障信息并进行检修指导；其中步骤(3)具体包括以下步骤：步骤3.1：训练支持向量机的分类模型，利用故障数据进行分类模型的训练，包括初级分类模型的构建以及具体分类模型的构建；步骤3.2：利用交叉验证集优化高斯核函数的带宽σ参数和误差惩罚因子C，将训练数据随机均分3等份，每次将其中的1份作为测试集，剩下的2份作为训练数据进行训练，识别率最高的一组参数值将作为最佳带宽σ参数因子和误差惩罚因子C；步骤3.3：利用SVM分类模型识别故障类型，初级识别模型用于判定设备数据是否单一故障类型，具体识别模型用于判定综合故障数据的具体故障类型以及输出故障信息；步骤3.4：SVM分类模型的增量学习，进行新故障类型的训练和旧故障类型的再次训练。

【技术特征摘要】
1.一种基于SVM分类模型的设备故障诊断方法，其特征在于，依次包括以下步骤：(1)为设备数据进行预处理操作；(2)构建故障诊断案例知识库：(3)基于SVM分类模型，对支持向量机进行故障诊断；(4)获取故障信息并进行检修指导；其中步骤(3)具体包括以下步骤：步骤3.1：训练支持向量机的分类模型，利用故障数据进行分类模型的训练，包括初级分类模型的构建以及具体分类模型的构建；步骤3.2：利用交叉验证集优化高斯核函数的带宽σ参数和误差惩罚因子C，将训练数据随机均分3等份，每次将其中的1份作为测试集，剩下的2份作为训练数据进行训练，识别率最高的一组参数值将作为最佳带宽σ参数因子和误差惩罚因子C；步骤3.3：利用SVM分类模型识别故障类型，初级识别模型用于判定设备数据是否单一故障类型，具体识别模型用于判定综合故障数据的具体故障类型以及输出故障信息；步骤3.4：SVM分类模型的增量学习，进行新故障类型的训练和旧故障类型的再次训练；所述步骤3.1具体为：寻求最优分割面，使训练集中的点尽可能地远离平面的二分类问题，其中二次优化问题表述为：转化为对偶问题，形式如下：最终将分类函数定义为：其中，x为自变量测点的数据向量，y为目标测点的数据向量,w为两类之间的分割面的距离值，b为常数向量，ai为支持向量机；建立1vs1分类投票决策机制，解决SVM多分类的问题，具体为将k种故障类型两两配对，构建k(k+1)/2个支持向量分类模型；所述步骤3.2具体步骤为：采用交叉验证集来优化高斯核函数的带宽σ参数与惩罚因子C，具体为：a.按照先母分类模型，后子分类模型的顺序依次进行两个重要参数优化；b.对于分类模型i来说，将每一类故障训练数据随机均分3等份，每次将其中的1份作为测试集，剩下的2份作为训练数据进行训练，使用网格搜索法在规定的范围内，对SVM的带宽参数σ以及惩罚因子C进行寻优操作，识别率最高的一对参数值作为最佳带宽σ参数与惩罚因子C；c.按照顺序优化完所有的母子分类模型，保存到相应参数向量P中；所述步骤3.3具体步骤为：a.将实时数据rt进入过程1建立的SVM回归模型中，依次进行回归滤波处理、归一化处理、PCA降维数据处理转化为实时分数数据J；b.实时分数数据J若存在负值的话化为故障分数数据J，若不存在负值的话即判为无故障的正常工况；c.故障分数数据J依次进入构建的参数优化后的母分类模型集进行分类，之后进行投票统计，判断初步识别的类型是否为综合故障类型，若是，将故障分数数据J依次进入构建对应的参数优化后的子分类模型集进行投票统计，识别出具体故障类型，若否，初步识别的类...

【专利技术属性】
技术研发人员：张建辉，张华伟，徐扬，安佰京，
申请(专利权)人：山东鲁能软件技术有限公司，
类型：发明
国别省市：山东;37