一种基于支持向量机的设备故障智能诊断方法
【专利摘要】一种基于支持向量机的设备故障智能诊断方法，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；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。
【专利说明】一种基于支持向量机的设备故障智能诊断方法
【技术领域】
[0001] 本发明主要涉及到设备故障诊断【技术领域】，更具体地说涉及到特指一种基于支持 向量机的诊断研究领域方法。
【背景技术】
[0002] 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。
[0003] -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。
[0004] 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。
[0005] 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。
[0006] 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IVS 1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。
[0007] 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。
【发明内容】
[0008] 本发明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。本发明通过回 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；本发明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；本发明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；本发明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。
[0009] 基于支持向量机的设备故障智能诊断方法，依次包括以下步骤：
[0010] (1)为设备数据进行预处理操作；
[0011] (2)构建故障诊断案例知识库：
[0012] (3)对支持向量机进行故障诊断；
[0013] (4)获取故障信息并进行检修指导；
[0014] 其中所述步骤（1)包括以下步骤：
[0015] 步骤I. 1 :对设备数据进行回归滤波处理：
[0016] 步骤1. 2 :对残差数据消除量纲，利用残差数据跟训练残差上下限的比值化作分 数形式，消除了各个设备测点之间的量纲影响，将故障测点特征突显出来，得到故障分数数 据；
[0017] 步骤1. 3 :对故障数据进行PCA降维处理，从而防止非线性建模过程中的过度拟合 的发生以及权重小的测点扰乱正常的映射关系，对设备分数数据进行特征降维处理。
[0018] 优选地，所述步骤I. 1包括以下步骤：
[0019] 步骤1. 1. 1 :从设备数据库中读取一定时间的历史运行数据，其中设备数据包括 一定数量的故障状态数据与正常工况数据；
[0020] 步骤I. 1. 2 :利用正常工况数据建立支持向量机的回归过滤模型；
[0021] 步骤I. 1. 3 :所有的设备历史运行数据经回归滤波处理得残差数据。
[0022] 优选地，所述步骤（2)包括以下步骤：
[0023] 步骤2. 1 :提取故障特征，以测点的故障贡献度的方式确定故障的主特征测点；
[0024] 步骤2. 2 :分析各类故障之间的关联度，以故障特征相似度作为辨别标准，获取各 类故障的关联度级数：
[0025] 步骤2.3 :为各类故障添加故障类型标签，关联度低的故障类型标识为单一故障 类型，关联度较高的故障类型可合并标识为一个综合故障类型，其中综合故障类型在下一 级的故障识别中继续进行具体类型的故障识别。
[0026] 优选地，所述步骤（3)包括以下步骤：
[0027] 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；
[0028] 步骤3. 2 :利用交叉验证集优化高斯核函数的带宽〇参数和误差惩罚因子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 ;
[0029] 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；
[0030] 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。
[0031] 优选地，所述步骤（4)包括以下步骤：
[0032] 步骤4. 1，获取故障类型以及识别可信度；
[0033] 步骤4. 2,获取故障的部位信息及与相应故障特征匹配度；
[0034] 步骤4. 3,根据专家知识库查询并为检修人员给予维修指导。
[0035] 优选地，所述步骤I. 1. 2具体步骤为：将形式为[mXn]的正常工况数据M进行等 距压缩处理，在确定好抽取数据间隔距离d后，将所有时刻的数据求取欧几里得范数得到 一个m维的向量，以距离d为抽取距离从m维的欧几里得向量中抽取1个状态时刻，其中 , m / = y，把工况数据缩减成压缩数据T ;
[0036] 然后，将压缩数据T进行线性归一化处理，消除各个测点数据量纲，得到标准训练 数据R，其中归一化公式如下所示：
[0037]
【权利要求】
1. 一种基于支持向量机的设备故障智能诊断方法，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) 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； 其中所述步骤（1)包括以下步骤： 步骤1. 1 :对设备数据进行回归滤波处理： 步骤1. 2 :对残差数据消除量纲，利用残差数据跟训练残差上下限的比值化作分数形 式，消除了各个设备测点之间的量纲影响，将故障测点特征突显出来，得到故障分数数据； 步骤1. 3 :对故障数据进行PCA降维处理，从而防止非线性建模过程中的过度拟合的发 生以及权重小的测点扰乱正常的映射关系，对设备分数数据进行特征降维处理。
2. 如权利要求1所述的基于支持向量机的设备故障智能诊断方法，其特征在于：所述 步骤1.1包括以下步骤： 步骤1. 1. 1 :从设备数据库中读取一定时间的历史运行数据，其中设备数据包括一定 数量的故障状态数据与正常工况数据； 步骤I. 1. 2 :利用正常工况数据建立支持向量机的回归过滤模型； 步骤I. 1. 3 :所有的设备历史运行数据经回归滤波处理得残差数据。
3. 如权利要求1或2所述的基于支持向量机的设备故障智能诊断方法，其特征在于： 所述步骤（2)包括以下步骤： 步骤2. 1 :提取故障特征，以测点的故障贡献度的方式确定故障的主特征测点； 步骤2. 2 :分析各类故障之间的关联度，以故障特征相似度作为辨别标准，获取各类故 障的关联度级数： 步骤2. 3 :为各类故障添加故障类型标签，关联度低的故障类型标识为单一故障类型， 关联度较高的故障类型可合并标识为一个综合故障类型，其中综合故障类型在下一级的故 障识别中继续进行具体类型的故障识别。
4. 如权利要求1所述的基于支持向量机的设备故障智能诊断方法，其特征在于：所述 步骤（3)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〇参数和误差惩罚因子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。
5. 如权利要求1所述的基于支持向量机的设备故障智能诊断方法，其特征在于：所述 步骤⑷包括以下步骤： 步骤4. 1，获取故障类型以及识别可信度； 步骤4. 2,获取故障的部位信息及与相应故障特征匹配度； 步骤4. 3,根据专家知识库查询并为检修人员给予维修指导。
6. 如权利要求2所述的基于支持向量机的设备故障智能诊断方法，其特征在于：所述 步骤1.1.2具体步骤为：将形式为[mXn]的正常工况数据M进行等距压缩处理，在确定好 抽取数据间隔距离d后，将所有时刻的数据求取欧几里得范数得到一个m维的向量，以距离 m d为抽取距离从m维的欧几里得向量中抽取1个状态时刻，其中/ =j，把工况数据缩减成 压缩数据T; 然后，将压缩数据T进行线性归一化处理，消除各个测点数据量纲，得到标准训练数据R，其中归一化公式如下所示：
其中X为设备某测点的数值，带下标为"标"的为归一化后的形式，带下标为"原"的为 原始数据形式，带下标为"max"的为该测点的最大值，带下标为"min"的为该测点的最小 值； 最后，将标准训练数据R作为建立SVM回归模型的训练数据，以所有测点参数作为输入 参数，并且测点参数依次作为输出目标参数的方式来构建一系列的多输入多输出SVM回归 模型，对测试数据向量参考历史数据拟合出一个评估值向量。
7. 如权利要求1所述的基于支持向量机的设备故障智能诊断方法，其特征在于：所述 步骤1. 2具体步骤为： 依据健康残差数据上下限T，对故障加窗数据W进行中心归一化处理，消除各个测点量 纲，具体为： 〈1>故障加窗数据按照测点的序号从小到大依次进行归一化处理； 〈2>在测点i中，大于等于O的残差数据按照以下方式处理：
其中，Sp为测点i的故障分数数据，T±为测点i的残差数据上限，ω为测点i的故障 加窗数据； 〈3>在测点i中，小于O的残差数据按照以下方式处理：
其中，Sp为测点i的故障分数数据，T±为测点i的残差数据上限，ω为测点i的故障 加窗数据； 〈4>重复上述〈2>-〈3>两步操作，直至完成所有测点的归一化处理。
8. 如权利要求1或7所述的基于支持向量机的设备故障智能诊断方法，其特征在于： 所述步骤1. 3具体步骤为： 利用PCA降维法将得到的故障分数数据S通过正交变换映射到低维子空间，变换成子 空间后的特征相关性降到最低点，具体为： 〈1>将故障分数数据S求解故障协方差矩阵Σ:
其中，Sij为协方差矩阵中第i行、第j列的数值，η为分数向量中数值的总个数，S分数向量中第i故障分数数据，§为分数向量中数值的均值； 〈2>根据故障协方差矩阵Σ求解相关系数矩阵；
其中，为相关系数矩阵邊中第i行、第j列的数值，为协方差矩阵中第i行、第j列的数值； 〈3>从故障协方差矩阵Σ求解故障矩阵主成分，求出特征值Ai与特征向量ti，则其η个主要成分计算方法为：
其中，X为第i测点的故障分数数据向量，i为第i测点的主成分数值； 〈4>求取前p个累积贡献率大于90%的主成分特征，达到降维效果，其中主成分yi的贡 P η 献率为前P个的累积贡献率如下所示：Ω=ΣνΣΛ其中P彡η，假若选 ，i=1/=1， 取的这P个特征的累积贡献率大于90%的话，就实现了故障分数数据S由η维转化成P维 的降维目的； 基于降维后的故障数据矩阵J来训练SVM故障分类器，进行故障诊断。
【文档编号】G06F19/00GK104462846SQ201410810452
【公开日】2015年3月25日 申请日期:2014年12月22日 优先权日:2014年12月22日
【发明者】丁书耕, 徐扬, 安佰京, 李海斌, 李洪海 申请人:山东鲁能软件技术有限公司