一种基于svm分类模型的设备故障诊断方法
【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SVM 分类的设备故障诊断研究领域方法。
【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1VS 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：
[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)基于SVM分类模型，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] 其中步骤⑶具体包括以下步骤：
[0015] 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；
[0016] 步骤3. 2 :利用交叉验证集优化高斯核函数的带宽0参数和误差惩罚因子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。参数因子和误差惩罚因子C;
[0017] 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；
[0018] 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。
[0019] 优选地，所述步骤3. 1具体为：
[0020] 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 ：
[0021]
[0022] 转化为对偶问题，形式如下：
[0023] L /-I
【主权项】
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