一種基于支持向量機的設備故障智能診斷方法

一種基于支持向量機的設備故障智能診斷方法
【專利摘要】一種基于支持向量機的設備故障智能診斷方法，包括為設備數據進行預處理操作；構建故障診斷案例知識庫；對支持向量機進行故障診斷；獲取故障信息并進行檢修指導，基于支持向量機的設備故障智能診斷方法最大程度地突顯設備的故障特征，減少設備數據不完備、不精確的狀況，為構建準確可靠的故障診斷模型提供了可能，解決診斷模型隨著設備運行時間老化的問題，降低故障診斷模型的誤診率，最大幅度提高了設備故障診斷的正確率和速度。
【專利說明】一種基于支持向量機的設備故障智能診斷方法

【技術領域】
[0001] 本發明主要涉及到設備故障診斷【技術領域】，更具體地說涉及到特指一種基于支持 向量機的診斷研究領域方法。

【背景技術】
[0002] 在一些諸如電廠、煉鐵廠、衛星發射場等重要場合，工廠為確保其關鍵設備的安全 運行，往往以投入大量的檢修人員來保證設備的安全運行狀態。但是工作人員由于自身的 診斷技術或注意力等問題，不可避免忽略一些設備異常的征兆，一旦設備異常發展成為生 產故障，就會對企業帶來巨大的經濟損失。因此相關方面的研究人員投入大量精力為生產 企業建立設備智能診斷系統，來確保廠內重要設備的安全運行。
[0003] -般情形下，設備故障狀態的特征很少是單一信號表現出來的，往往由很多特征 信號綜合體現出來的，譬如電廠汽輪機中的凝汽器出現掉真空的故障，不僅表現在凝汽器 真空值陡然下降的趨勢上，還在凝汽器絕對壓力值，排汽溫度，凝結水溫度等特征信號出現 連鎖反應。傳統的故障檢測方法是針對不同的特征信號采取相應的單信號故障檢測方法， 逐一進行排查，但是這種方法效率低下，單一的故障信號在表現故障特性上有局限性，且無 法探究出與其他故障信號之間的關聯性。
[0004] 為綜合分析設備故障的全部有用信息，基于人工智能技術的故障綜合診斷技術成 為當下探索設備故障診斷的研究熱點。人工智能技術通過數學挖掘方法構造設備運行狀 態跟故障類型的非線性映射模型，從而實現協同分析設備全部特征共同把脈設備故障的目 標。但是這些非線性建模診斷技術依舊有需要改進的地方：首先，其診斷效果跟設備數據樣 本處理有很大的關系，數據樣本越能體現相應故障類型的特點越能提高診斷的效率。但是 現有的智能技術在處理設備數據方面過于粗糙，局限在單一的量綱歸一化與特征降維上， 造成數據樣本不精確不完備的狀態。其次，目前故障智能診斷技術構建的分類模型基本都 是一成不變的，沒有考慮隨著設備運行時間的持續，原先提取的故障特征會退化造成對識 別精度的下降，且設備運行期間出現未見的新型故障是多數當下診斷技術忽視的問題，如 何利用設備實時數據實現診斷模型的自我更新也是當前設備故障診斷技術急需解決的問 題。最后，現有智能診斷技術的診斷結果對故障信息不完全，往往缺少故障頻率、故障部位 信息、故障維修指導等必要信息的補充。
[0005] 譬如，在論文《電力變壓器BP神經網絡故障診斷法的比較研究》（高壓電器，第40 卷，第3期）中，將BP神經網絡診斷法應用于電力變壓器故障診斷當中，并通過改進變壓器 絕緣油常用的幾種溶解氣體分析標準來提升神經網絡診斷的效率。注意到盡管神經網絡具 有并行處理學習和記憶非線性映射自適應能力和魯棒性等優良性質，但是隱含層節點數大 小、節點權值的初始值嚴重制約神經網絡的收斂速度，以至于無法達到神經網絡期望的故 障識別效率。
[0006] 為了避免神經網絡收斂問題以及過學習問題，支持向量機算法在以結構風險最小 化的理論基礎下，在解決小樣本局限情況下的分類問題上擁有自身的優勢，且可獲取全局 最優的分類結果。國家專利文獻《基于支持向量機的GIS局部放電故障類型模式識別方法》 (專利申請號：CN201310025822. 0)提出了利用支持向量機分類算法進行GIS局部放電故障 類型模式識別的技術。文獻講述在經過線性歸一化、特征降維等數據處理方法后，使用構造 多個SVM分類器，來實現對多種放電故障類型的識別。但是以上方法依舊有不足之處，通過 使用IVS 1的方法解決SVM兩種以上的分類，卻忽略了故障數據屬于不同故障類別票數相 同的情況。同時文獻通過故障信息過少，無法對下步消除故障工作通過指導性建議。
[0007] 針對以上現象，亟需有新的智能故障診斷技術來解決上述出現的問題，實現對設 備狀態快速辨別、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 高了設備故障診斷的正確率和速度。


【發明內容】

[0008] 本發明的目的在于克服現有技術的不足，提供了一種通過構建準確可靠的故障診 斷模型，改善當前人工智能故障診斷方法對設備故障識別效率不高的狀況。本發明通過回 歸濾波的方式能最大程度地突顯設備的故障特征，減少設備數據不完備、不精確的狀況，為 構建準確可靠的故障診斷模型提供了可能；本發明在運用支持向量機的基礎上，使用簡單 便捷的方式實現模型增量學習的功能，以解決診斷模型隨著設備運行時間老化的問題，降 低故障診斷模型的誤診率；本發明在運用支持向量機的基礎下，通過識別新型故障，實現故 障知識庫的不斷完善；本發明實現的故障診斷模型能夠提供更詳細的故障診斷信息，不僅 只是簡單的故障類型，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 識庫里提取的故障維修指導建議，最大幅度提高了設備故障診斷的正確率和速度。
[0009] 基于支持向量機的設備故障智能診斷方法，依次包括以下步驟：
[0010] (1)為設備數據進行預處理操作；
[0011] (2)構建故障診斷案例知識庫：
[0012] (3)對支持向量機進行故障診斷；
[0013] (4)獲取故障信息并進行檢修指導；
[0014] 其中所述步驟（1)包括以下步驟：
[0015] 步驟I. 1 :對設備數據進行回歸濾波處理：
[0016] 步驟1. 2 :對殘差數據消除量綱，利用殘差數據跟訓練殘差上下限的比值化作分 數形式，消除了各個設備測點之間的量綱影響，將故障測點特征突顯出來，得到故障分數數 據；
[0017] 步驟1. 3 :對故障數據進行PCA降維處理，從而防止非線性建模過程中的過度擬合 的發生以及權重小的測點擾亂正常的映射關系，對設備分數數據進行特征降維處理。
[0018] 優選地，所述步驟I. 1包括以下步驟：
[0019] 步驟1. 1. 1 :從設備數據庫中讀取一定時間的歷史運行數據，其中設備數據包括 一定數量的故障狀態數據與正常工況數據；
[0020] 步驟I. 1. 2 :利用正常工況數據建立支持向量機的回歸過濾模型；
[0021] 步驟I. 1. 3 :所有的設備歷史運行數據經回歸濾波處理得殘差數據。
[0022] 優選地，所述步驟（2)包括以下步驟：
[0023] 步驟2. 1 :提取故障特征，以測點的故障貢獻度的方式確定故障的主特征測點；
[0024] 步驟2. 2 :分析各類故障之間的關聯度，以故障特征相似度作為辨別標準，獲取各 類故障的關聯度級數：
[0025] 步驟2.3 :為各類故障添加故障類型標簽，關聯度低的故障類型標識為單一故障 類型，關聯度較高的故障類型可合并標識為一個綜合故障類型，其中綜合故障類型在下一 級的故障識別中繼續進行具體類型的故障識別。
[0026] 優選地，所述步驟（3)包括以下步驟：
[0027] 步驟3. 1 :訓練支持向量機的分類模型，利用故障數據進行分類模型的訓練，包括 初級分類模型的構建以及具體分類模型的構建；
[0028] 步驟3. 2 :利用交叉驗證集優化高斯核函數的帶寬〇參數和誤差懲罰因子C，將 訓練數據隨機均分3等份，每次將其中的1份作為測試集，剩下的2份作為訓練數據進行訓 練，識別率最高的一組參數值將作為最佳帶寬σ參數因子和誤差懲罰因子C ;
[0029] 步驟3. 3 :利用SVM分類模型識別故障類型，初級識別模型用于判定設備數據是否 單一故障類型，具體識別模型用于判定綜合故障數據的具體故障類型以及輸出故障信息；
[0030] 步驟3. 4 :SVM分類模型的增量學習，進行新故障類型的訓練和舊故障類型的再次 訓練。
[0031] 優選地，所述步驟（4)包括以下步驟：
[0032] 步驟4. 1，獲取故障類型以及識別可信度；
[0033] 步驟4. 2,獲取故障的部位信息及與相應故障特征匹配度；
[0034] 步驟4. 3,根據專家知識庫查詢并為檢修人員給予維修指導。
[0035] 優選地，所述步驟I. 1. 2具體步驟為：將形式為[mXn]的正常工況數據M進行等 距壓縮處理，在確定好抽取數據間隔距離d后，將所有時刻的數據求取歐幾里得范數得到 一個m維的向量，以距離d為抽取距離從m維的歐幾里得向量中抽取1個狀態時刻，其中 , m / = y，把工況數據縮減成壓縮數據T ;
[0036] 然后，將壓縮數據T進行線性歸一化處理，消除各個測點數據量綱，得到標準訓練 數據R，其中歸一化公式如下所示：
[0037]

【權利要求】
1. 一種基于支持向量機的設備故障智能診斷方法，其特征在于，依次包括以下步驟： (1) 為設備數據進行預處理操作； (2) 構建故障診斷案例知識庫： (3) 對支持向量機進行故障診斷； (4) 獲取故障信息并進行檢修指導； 其中所述步驟（1)包括以下步驟： 步驟1. 1 :對設備數據進行回歸濾波處理： 步驟1. 2 :對殘差數據消除量綱，利用殘差數據跟訓練殘差上下限的比值化作分數形 式，消除了各個設備測點之間的量綱影響，將故障測點特征突顯出來，得到故障分數數據； 步驟1. 3 :對故障數據進行PCA降維處理，從而防止非線性建模過程中的過度擬合的發 生以及權重小的測點擾亂正常的映射關系，對設備分數數據進行特征降維處理。
2. 如權利要求1所述的基于支持向量機的設備故障智能診斷方法，其特征在于：所述 步驟1.1包括以下步驟： 步驟1. 1. 1 :從設備數據庫中讀取一定時間的歷史運行數據，其中設備數據包括一定 數量的故障狀態數據與正常工況數據； 步驟I. 1. 2 :利用正常工況數據建立支持向量機的回歸過濾模型； 步驟I. 1. 3 :所有的設備歷史運行數據經回歸濾波處理得殘差數據。
3. 如權利要求1或2所述的基于支持向量機的設備故障智能診斷方法，其特征在于： 所述步驟（2)包括以下步驟： 步驟2. 1 :提取故障特征，以測點的故障貢獻度的方式確定故障的主特征測點； 步驟2. 2 :分析各類故障之間的關聯度，以故障特征相似度作為辨別標準，獲取各類故 障的關聯度級數： 步驟2. 3 :為各類故障添加故障類型標簽，關聯度低的故障類型標識為單一故障類型， 關聯度較高的故障類型可合并標識為一個綜合故障類型，其中綜合故障類型在下一級的故 障識別中繼續進行具體類型的故障識別。
4. 如權利要求1所述的基于支持向量機的設備故障智能診斷方法，其特征在于：所述 步驟（3)包括以下步驟： 步驟3. 1 :訓練支持向量機的分類模型，利用故障數據進行分類模型的訓練，包括初級 分類模型的構建以及具體分類模型的構建； 步驟3. 2:利用交叉驗證集優化高斯核函數的帶寬〇參數和誤差懲罰因子C，將訓練數 據隨機均分3等份，每次將其中的1份作為測試集，剩下的2份作為訓練數據進行訓練，識 別率最高的一組參數值將作為最佳帶寬σ參數因子和誤差懲罰因子C; 步驟3. 3 :利用SVM分類模型識別故障類型，初級識別模型用于判定設備數據是否單一 故障類型，具體識別模型用于判定綜合故障數據的具體故障類型以及輸出故障信息； 步驟3.4 :SVM分類模型的增量學習，進行新故障類型的訓練和舊故障類型的再次訓 練。
5. 如權利要求1所述的基于支持向量機的設備故障智能診斷方法，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別可信度； 步驟4. 2,獲取故障的部位信息及與相應故障特征匹配度； 步驟4. 3,根據專家知識庫查詢并為檢修人員給予維修指導。
6. 如權利要求2所述的基于支持向量機的設備故障智能診斷方法，其特征在于：所述 步驟1.1.2具體步驟為：將形式為[mXn]的正常工況數據M進行等距壓縮處理，在確定好 抽取數據間隔距離d后，將所有時刻的數據求取歐幾里得范數得到一個m維的向量，以距離 m d為抽取距離從m維的歐幾里得向量中抽取1個狀態時刻，其中/ =j，把工況數據縮減成 壓縮數據T; 然后，將壓縮數據T進行線性歸一化處理，消除各個測點數據量綱，得到標準訓練數據R，其中歸一化公式如下所示：
其中X為設備某測點的數值，帶下標為"標"的為歸一化后的形式，帶下標為"原"的為 原始數據形式，帶下標為"max"的為該測點的最大值，帶下標為"min"的為該測點的最小 值； 最后，將標準訓練數據R作為建立SVM回歸模型的訓練數據，以所有測點參數作為輸入 參數，并且測點參數依次作為輸出目標參數的方式來構建一系列的多輸入多輸出SVM回歸 模型，對測試數據向量參考歷史數據擬合出一個評估值向量。
7. 如權利要求1所述的基于支持向量機的設備故障智能診斷方法，其特征在于：所述 步驟1. 2具體步驟為： 依據健康殘差數據上下限T，對故障加窗數據W進行中心歸一化處理，消除各個測點量 綱，具體為： 〈1>故障加窗數據按照測點的序號從小到大依次進行歸一化處理； 〈2>在測點i中，大于等于O的殘差數據按照以下方式處理：
其中，Sp為測點i的故障分數數據，T±為測點i的殘差數據上限，ω為測點i的故障 加窗數據； 〈3>在測點i中，小于O的殘差數據按照以下方式處理：
其中，Sp為測點i的故障分數數據，T±為測點i的殘差數據上限，ω為測點i的故障 加窗數據； 〈4>重復上述〈2>-〈3>兩步操作，直至完成所有測點的歸一化處理。
8. 如權利要求1或7所述的基于支持向量機的設備故障智能診斷方法，其特征在于： 所述步驟1. 3具體步驟為： 利用PCA降維法將得到的故障分數數據S通過正交變換映射到低維子空間，變換成子 空間后的特征相關性降到最低點，具體為： 〈1>將故障分數數據S求解故障協方差矩陣Σ:
其中，Sij為協方差矩陣中第i行、第j列的數值，η為分數向量中數值的總個數，S分數向量中第i故障分數數據，§為分數向量中數值的均值； 〈2>根據故障協方差矩陣Σ求解相關系數矩陣；
其中，為相關系數矩陣邊中第i行、第j列的數值，為協方差矩陣中第i行、第j列的數值； 〈3>從故障協方差矩陣Σ求解故障矩陣主成分，求出特征值Ai與特征向量ti，則其η個主要成分計算方法為：
其中，X為第i測點的故障分數數據向量，i為第i測點的主成分數值； 〈4>求取前p個累積貢獻率大于90%的主成分特征，達到降維效果，其中主成分yi的貢 P η 獻率為前P個的累積貢獻率如下所示：Ω=ΣνΣΛ其中P彡η，假若選 ，i=1/=1， 取的這P個特征的累積貢獻率大于90%的話，就實現了故障分數數據S由η維轉化成P維 的降維目的； 基于降維后的故障數據矩陣J來訓練SVM故障分類器，進行故障診斷。
【文檔編號】G06F19/00GK104462846SQ201410810452
【公開日】2015年3月25日 申請日期:2014年12月22日 優先權日:2014年12月22日
【發明者】丁書耕, 徐揚, 安佰京, 李海斌, 李洪海 申請人:山東魯能軟件技術有限公司