CN104573740A - 一种基于svm分类模型的设备故障诊断方法 - Google Patents

Abstract

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。

Description

一种基于SVM分类模型的设备故障诊断方法

技术领域

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

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。

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

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。

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：

$\left\{\begin{array}{c}\min \mathrm{\φ}\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2\\ s.t.y_i(w\·x_i+b)\≥1,i=\mathrm{1,2,3},...,n\end{array}\right.$

转化为对偶问题，形式如下：

$\left\{\begin{array}{c}\max W\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j(x_i\·x_j)\\ w^{*}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{y}_i{x}_i\\ b^{*}=y_i-w\·x_i\\ s.t.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_i=0,a_i\≥0,i=\mathrm{1,2,3},...,n\end{array}\right.$

最终将分类函数定义为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_{i}K(x,y)+b^{*})$

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，a_i为支持向量机。

建立1vs 1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J依次进入全部母或子分类模型后，统计每种故障类型的票数，得票数最多的故障类型即为最终确定的故障类型，若出现最多票数的故障类型为多个时，则判定为新故障类型，标签定为0。

优选地，所述步骤3.4具体步骤为： 

a.在实时故障诊断过程中，若出现判断为故障类型标签0的话，即出现新故障类型，将实时数据保存为一个标签为new的数据框中，数据框大小为[1000×p]；若出现判断为故障类型标签非0的话，即出现旧故障类型，将该实时数据保存对应的标签为old_n的数据框中，数据框的大小为[1000×p]，其中n是故障类型标签；

b.假若new的数据框存满数据后，将新故障类型数据加入原有的故障训练数据中，开始按照步骤3.1的方法进行SVM分类的增量学习，同时new的数据框被清空；假若old_n的数据框存满数据后，将旧故障类型数据加入原有的故障训练数据中，开始按照步骤3.1的方法进行SVM分类的增量学习，同时old_n的数据框被清空；

c.最后，将按照步骤3.2的方法对更新完成的SVM分类模型的参数进行优化，更新参数向量P。

优选地，所述步骤(4)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。

优选地，所述步骤4.1具体步骤为： 

依据以下公式对实时数据进行识别可信度ep的求取：

$\mathrm{ep}=100-|\mathrm{rtd}-\max D|*\frac{40}{|\max D-\min D|}$

其中的maxD表示该故障类型的训练数据中绝对值最大的决策值，minD表示该故障类型的训练数据中绝对值最小的决策值，rtD表示实时数据的分类决策值；

对实时数据rt依次经过所有的SVM分类模型，得到所有故障类型的可信度，具体算法如下公式所示：

$\mathrm{ep}\_n=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{ep}}_i}{N}*100\%$

i＝1,...,N

其中，n为故障类型，N为类型为n的故障训练数据构建SVM分类模型的个数，epi为实时数据对故障类型i的可信度数值。

优选地，所述步骤4.2具体步骤为： 

在确定实时数据rt的故障类型后，将实时数据rt转化为故障分数数据J向量形式，其中向量J里数值为负的测点即为疑似发生故障的部位M；

假若实时数据rt的故障类型为n类型故障时，从故障特征数据框Π中查阅对应类型n对应的故障特征Π_n，故障特征匹配度依据下面的公式进行：

$\mathrm{matchDG}=\frac{\mathrm{len}\left(x\right)}{\mathrm{len}(\mathrm{\Π}\_n)}*100\%$

x＝M∩Π_n

其中，函数len()为求取长度函数,x为实时故障测点与故障特征的交集，Π_n为故障类型n的故障特征。 

优选地，所述步骤4.3具体步骤为： 

当设备确诊出现某种已知故障时，设备故障智能诊断系统开始读取专家知识库里相应故障目录下的维修建议，按照建议的权重大小依次展示给检修人员，同时依据步骤4.2求出的matchDG值的大小推算维修时间。

本发明的有益效果是：

(1)在处理设备数据的方面采用回归滤波的方式并配合中心归一化的方法，在消除数据量纲的同时，极大突显了故障数据的特点，比单纯采用线性归一化的方式更能利于从数据方面提升模型训练的速度和精度；

(2)在设备数据的时间段处理方式采用加汉明时间窗的方法，且两个时间窗之间有一半的重叠率可尽量防止一些突兀的信号扰乱被孤立的剥离开来，利于后面分类模型对于故障发展过程的充分学习与训练；

(3)在解决SVM多分类的问题上采用1VS 1的分类投票形式，避免了一对多方式下的训练数据比例不均衡问题，同时又可消除有向无环方式下错误累积的缺陷，提升了模型分类的可靠性；

(4)为避免在1VS 1的分类形式下出现票数相同无法得出故障类型的问题，采用双层诊断的模式，将故障关联度高的故障集合看作综合故障，综合故障将经过初级分类模型的初步区分后，再经具体分类模型的细致识别，成功避免无法得出故障类型的问题，有效提高了故障诊断系统的精确度；

(5)实现分类模型横向与纵向的增量学习，新故障类型数据能及时添加到故障知识库里，扩展了分类模型的诊断范围，同时又对旧故障类型进行再次训练，加强了分类模型对旧故障类型的记忆，防止了分类模型识别性能的退化；

(6)获取更多有用的故障信息，比如说属于各类故障的可靠性、故障发生位置、专家给予检修指导等等，比单纯提供故障类型方式信息量更丰富，有助于维修人员合理下一步的故障排除工作的安排与展开。

附图说明

图1设备故障诊断方法流程图

图2支持向量机诊断模型结构图

图3SVM一对一多分类投票决策机示意图。

图4故障诊断系统对测试数据的识别效果图

图5#1汽轮机设备各类故障的特征主测点趋势图

具体实施方式

下面详细说明本发明的具体实施，有必要在此指出的是，以下实施只是用于本发明的进一步说明，不能理解为对本发明保护范围的限制，该领域技术熟练人员根据上述本发明内容对本发明做出的一些非本质的改进和调整，仍然属于本发明的保护范围。

本发明包括四个主要过程，分别是设备数据的预处理过程、故障诊断案例知识库的构建过程、支持向量机故障诊断过程、故障信息获取及检修指导过程。其中的第一二部分属于设备数据处理范畴；第三部分属于故障识别范畴；第四部分属于故障信息获取范畴。

基于SVM分类的支持向量机的设备故障智能诊断方法，如附图1所示，本发明整个设计包括以下几个过程：

步骤1为设备历史数据的预处理操作，主要目的是通过数据预处理过程将设备故障数据的故障特征尽可能地表现出来，本过程主要包括三个主要步骤。

步骤1.1设备数据的回归滤波处理

步骤1.1.1获取设备历史运行数据

所选的设备数据应为多故障类型多测点典型设备的历史数据，大致操作过程为：从PI数据库获取选定的测点后，使用ACS软件从电厂数据库中读取该相关设备足够时间的历史运行状态数据；然后利用一定的筛选规则对所有数据进行故障数据G与工况数据M的划分，若数据趋势中出现数 值超限、波动剧烈、无波动等现象均可将其划分到故障数据；最后利用专家经验知识以及设备故障历史记录匹配所有的历史故障数据，将故障数据细致划分成不同类型的故障。

一个具有n个测点的设备数据库导入经nan数据筛选后的设备数据包含了m个时刻，则在j时刻的各个观察点的数据条可看成一个n维的向量，可表示为：

ω(t_j)＝[ω_j1,ω_j2,ω_j3,...ω_jn]^T

则该设备数据文件应当为m×n的矩阵形式。具体形式如下：

$\left[\begin{array}{c}{\mathrm{\ω}}_{11},{\mathrm{\ω}}_{12},...{\mathrm{\ω}}_{1n}\\ {\mathrm{\ω}}_{21},{\mathrm{\ω}}_{22},...{\mathrm{\ω}}_{2n}\\ ...\\ ...\\ ...\\ {\mathrm{\ω}}_{m1},{\mathrm{\ω}}_{m2},...{\mathrm{\ω}}_{\mathrm{mn}}\end{array}\right]$

步骤1.1.2建立SVM回归过滤模型 

首先，将形式为[m×n]的正常工况数据M进行等距压缩处理。具体方法为：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会得到一个m维的向量，然后以距离d为抽取距离从m维的欧几里得向量中抽取l个状态时刻，其中这样就能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，以消除各个测点数据量纲不统一的影响，得标准训练数据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，标准训练数据R会作为建立SVM回归模型的训练数据。SVM回归原理是将多个测点参数映射到高维的特征空间中，然后以目标参数为输出来构造强凸问题，通过捕捉的特征空间边界向量(即支持向量机)不断调整函数系统去逼近一个可以解决上述问题同时又包含输入参数与输出参数复杂非线性映射关系的完整函数表达式。为实现多测点参数的输出，本发明将以所有测点参数均作为输入参数的同时这些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。

SVM回归建模原理就是将非线性问题f(X)＝W·ψ(X)+b转化成以下引入拉格朗日因子的二次规划问题：

$\left\{\begin{array}{c}\min \frac{{\left|\right|W\left|\right|}^2}{2}+C\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i,C\≥0\\ s,t.W.\mathrm{\ψ}\left(X\right)+b\≥y_i-\mathrm{\ϵ}-{\mathrm{\ξ}}_i\\ W.\mathrm{\ψ}\left(X\right)+b\≤y_i+\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ {\mathrm{\ξ}}_i\≥0,i=1....l\end{array}\right.---\left(2\right)$

$\left\{\begin{array}{c}\min \frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{y}_i{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(X_i,X_j)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i\\ s.t.\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_j=\mathrm{0,0}\≤{\mathrm{\α}}_j\≤C(j=\mathrm{1,2}...,n)\end{array}\right.---\left(3\right)$

其中最优化的拉格朗日因子α_j≠0，l为支持向量机的个数，SVM模型保存着拉格朗日因子α^*、支持向量机l、松弛变量ξ、误差惩罚因子C等重要参数。

利用标准训练数据R可构建n个SVM回归模型，便可以实时地对测试数据向量参考历史数据拟合出一个评估值向量。

步骤1.1.3故障数据化成残差数据

残差的定义为实时值与评估值的差值，其公式如下：

residual＝realTimeValue-forecastValue   (4)

其中，realTimeValue为实时值，forecastValue为预测值，residual为残差值。 

此步骤主要包括两部分，一是获取健康残差上下限及故障残差数据，二是为残差数据段进行加窗处理。

首先，在n个SVM回归模型构建完成之后，将形如[m×n]的正常训练数据M依次输入SVM回归模型中全部进行回归评估会获取一个[m×n]的残差矩阵，残差矩阵的每个测点最值可作为健康残差上下限T。

然后，按照上面相同的方式，将各类故障数据G分别依次输入SVM回归模型，得到故障数据的评估值后，化为各类故障残差数据U。

最后，分别对各类残差数据U进行加载时间窗处理，原因在于每个故障都有必要的发展周期，单个时间点的数据无法全面的体现故障的特征属性。

时间窗的大小规定为该设备所有故障类型中发展周期最长的周期时间，这样就可保证经过时间窗处理后的残差数据能覆盖所有故障的发展时间，时间窗大小确定方法为：

t_w＝max[t₁，t₂，...，t_i，...t_n］

i∈[1，n]

                         (5) 

其中，t_i为第i个故障类型的发展周期，n为故障类型数目。

时间窗的形式选择为汉明窗(Hamming)。汉明窗(Hamming)能够尽可能保留故障发展中期的特征，消弱故障早晚期的不稳定特征，使用故障数据能够具备周期性特征，利于完整表达故障特征属性。同时移窗的速度大小定位时间窗口大小的1/2，这样前后相接的两个窗口就会有50％的重叠率，可以保证同类故障数据特征的平稳性，避免了突兀的数据状态被提取出来。下面是汉明窗在时域上的表达式：

$w\left(n\right)=0.54-0.46\cos \left(\frac{2\mathrm{n\π}}{N-1}\right)$

n＝0,1,2,...,N-1   (6)

其中，w(n)为窗内第n个数据的窗系数，而N为时间窗的大小。

故障数据经汉明窗处理的具体方法是，每次加窗后，经加窗处理后的数据求均值代表整个时间窗的故障特征的整体特征水平，这样故障残差数据U转成故障加窗数据W，每个测点的数据量m减少为故障加窗数据形式如下：

$\left[\begin{array}{c}{\mathrm{\ω}}_{11},{\mathrm{\ω}}_{12},...{\mathrm{\ω}}_{1n}\\ {\mathrm{\ω}}_{21},{\mathrm{\ω}}_{22},...{\mathrm{\ω}}_{2n}\\ ...\\ ...\\ ...\\ {\mathrm{\ω}}_{\stackrel{\‾}{m}1},{\mathrm{\ω}}_{\stackrel{\‾}{m}2},...{\mathrm{\ω}}_{\stackrel{\‾}{m}n}\end{array}\right]$

${\mathrm{\ω}}_{\mathrm{ij}}=\frac{1}{t_w}\underset{i=1}{\overset{t_w}{\mathrm{\Σ}}}D\left(i\right)*w\left(i\right)---\left(7\right)$

其中，w^ij为第i行、第j列的数值，D(i)为窗内第i个故障数据，w(i)为第i个故障数据的窗系数。

步骤1.2，残差数据消除量纲处理

依据健康残差数据上下限T，将步骤1.1.3所得的故障加窗数据W进行中心归一化处理，消除各个测点量纲不统一的问题。具体步骤如下所示：

(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0的残差数据按照以下方式处理：

其中，s_p为测点i的故障分数数据，T_上为测点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0的残差数据按照以下方式处理：

其中，s_p为测点i的故障分数数据，T_下为测点i的残差数据上限，ω为测点i的故障加窗数据。

(4)重复上述两步操作，直至完成所有测点的归一化处理。

这样故障加窗数据W将归一化为故障分数数据S。这样做的优点就是如果本时刻发生设备状态出现异常报警的话，本时刻的故障分数数据向量中会至少一个测点的分数为负，反之，全部测点将无负分数值出现。

步骤1.3，故障数据PCA降维处理

主成分分析(PCA)降维法可将步骤1.2求出的故障分数数据S通过正交变换映射到低维子空间的过程。在映射过程中最优考虑到数据的相关性，故而变换成子空间后的特征相关性降到最低点。

主成分分析(PCA)的具体步骤如下所示：

(1)将故障分数数据S求解故障协方差矩阵Σ：

$\mathrm{\Σ}=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(S_i-\stackrel{\‾}{S}){(S_i-\stackrel{\‾}{S})}^{*}=\left(s_{\mathrm{ij}}\right)---\left(10\right)$

其中，s_ij为协方差矩阵中第i行、第j列的数值，n为分数向量中数值的总个数，S_i为分数向量中第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

$\hat{R}=\left(r_{\mathrm{ij}}\right),r_{\mathrm{ij}}\frac{s_{\mathrm{ij}}}{\sqrt{s_{\mathrm{ii}}}\sqrt{s_{\mathrm{jj}}}}---\left(11\right)$

其中，r^ij为相关系数矩阵中第i行、第j列的数值，s^ij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，

主要是求出特征值λ_i与特征向量t_i，则其n个主要成分计算方法为：

$\widehat{y_i}=\widehat{t_i^{*}}x,i=\mathrm{1,2},...,n---\left(12\right)$

其中，x为第i测点的故障分数数据向量，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

方法为：主成分y_i的贡献率为：p(p≤n)的累积贡献率如下所示： 假若选取的这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n维转化成P维的降维目的。

最终降维后的故障数据矩阵J将会用来训练SVM故障分类器进行故障诊断。

步骤2为故障诊断案例知识库的构建过程，此部分包括三个必要的步骤：

步骤2.1，提取故障特征

此步骤的目的是确定故障的表现特征，一类故障不同于另一类故障肯定会在设备测点的异常程度上表现出来。本发明以测点的故障贡献度的方式确定故障的主特征测点，

(1)所有的故障分数数据将按照排列序号从小到大进行故障主特征测点的确定；

(2)假设第i类的故障分数矩阵J_i大小为则每个时刻的故障分数向量形式如下：

J_ij＝[j_ij1,j_ij2,...,j_ijt，...,j_ijp]   (15) 

其中，j_ijt为第i类故障分数矩阵第j时刻、第t测点的故障分数数值。

对于每时刻的分数向量按照下面公式依次求每个测点贡献度与累积贡献度。选取累积贡献度大于70％的前K个测点作为此时刻的故障特征主测点。

当所有测点求出相应时刻的故障特征主测点时，统计每个测点被选作故障特征主测点的概率， 将选中概率大于70％的测点挑出来作为最终的第i类故障特征主测点。

测点t故障贡献率的公式如下：

$G_{\mathrm{ijt}}=j_{\mathrm{ijt}}/\underset{t=1}{\overset{P}{\mathrm{\Σ}}}{j}_{\mathrm{ijt}}---\left(16\right)$

其中，j_ijt为第i类故障分数矩阵第j时刻、第t测点的故障分数数值，G_ijt为第i类故障分数矩阵第j时刻、第t测点的故障贡献数值。

前k个测点累积故障贡献率的公式如下：

$\mathrm{\Ω}=\underset{t=1}{\overset{k}{\mathrm{\Σ}}}{j}_{\mathrm{ijt}}/\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{j}_{\mathrm{ijt}}---\left(17\right)$

其中，j_ijt为第i类故障分数矩阵第j时刻、第t测点的故障分数数值，G_ijt为前K个测点累积故障贡献数值

(3)重复上述两步操作，直至完成所有故障类型的故障特征确定下来。

最后，将所有故障类型的故障特征主测点提取出来，保存在故障特征数据框Π中。

步骤2.2，分析故障关联度

此步骤以故障特征相似度作为辨别标准，确定各类故障两两之间的关联度级别；假若有k种故障类型的话，则需要匹配k(k+1)/2组故障类型对。

关联度级别共分为2级：低级和高级。具体匹配方法如下：

首先，当故障类型i与故障类型j进行求取故障关联度时，从故障特征数据框Π提取各自的故障特征主测点Π_i和Π_j

然后，以上求取交集H，当交集H的测点个数均占Π_i和Π_j个数的50％时，就认为故障类型i与故障类型j的关联度级别为高，否则为低。

最后，将k(k+1)/2组故障类型对的关联度级别全部求取出来，存放在故障类型关联度矩阵K中备用。

步骤2.3，添加故障类型标签

此步骤将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，它将在下一级的故障识别中继续进行具体类型的故障识别。

对于已经存在的k种故障类型，首先使用整数1开始依次所有的单一故障类型作为其故障类型标签，然后再依次对剩余的综合故障类型进行标识，标识方式为综合故障类型的子故障类型全 部标识为同一整数类型标签，保存在故障类型标签向量中，形式如下所示：

MT＝[1,2,3,...,K-1,K-1,K-1,K,K]   (18)

其中，标签数字0代表着新出现的故障类型，在训练数据中不会出现标签0。

步骤3为SVM分类模型的训练与故障诊断过程，属于故障诊断的故障类型识别部分，主要包括四个步骤：

步骤3.1，训练SVM分类模型

此部分利用故障数据进行分类模型的训练，包括初级分类模型的训练以及具体分类模型的训练；

SVM的分类原理简述：SVM最初是为寻求最优分割面能使训练集中的点尽可能地远离该平面的二分类问题。

该二次优化问题可表述为：

$\left\{\begin{array}{c}\min \mathrm{\φ}\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2\\ s.t.y_i(w\·x_i+b)\≥1,i=\mathrm{1,2,3},...,n\end{array}\right.---\left(19\right)$

再将其转化为对偶问题，形式如下：

$\left\{\begin{array}{c}\max W\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j(x_i\·x_j)\\ w^{*}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{y}_i{x}_i\\ b^{*}=y_i-w\·x_i\\ s.t.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_i=0,a_i\≥0,i=\mathrm{1,2,3},...,n\end{array}\right.---\left(20\right)$

最终将分类函数定位为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_{i}K(x,x_i)+b^{*})---\left(21\right)$

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，a_i为支持向量机。

本发明在SVM分类原理的基础上，建立1vs 1分类投票决策机制(如附图3所示)。以解决SVM多分类的问题。

1vs 1分类投票决策机制的构建方法是：k种故障类型两两配对，将构建k(k+1)/2个支持向量分类模型。举例有A、B、C、D四种故障类型，那么本发明将建立[AB]、[AC]、[AD]、[BC]、[BD]、[CD]共计六个SVM分类模型。同时假设以上的四种故障类型中，A、B、C均是单一故障类型， 而D为综合故障类型包含子故障类型E、F、G的话，在母分类模型[AD]、[BD]、[CD]的D根下会衍生出[EF]、[FG]、[EG]三个子分类模型。步骤1.3中的故障数据矩阵J作为训练数据按照SVM分类原理，首先以四大类故障方式来训练了六个母分类模型，然后再拿三个小类的故障数据训练三个子分类模型，最终SVM分类模型的情况如下所示：

单一故障	【AB】
					单一故障	【AC】
综合故障	【AD】	[EF]	[FG]	[EG]
					单一故障	【BC】
综合故障	【BD】	[EF]	[FG]	[EG]
					综合故障	【CD】	[EF]	[FG]	[EG]

表1  SVM分类模型的分布情况

步骤3.2优化高斯核函数的带宽σ参数

SVM为实现在任意维数下都能寻找到一个最优分割面的途径是通过核函数求内积的方法将特征空间映射到更高维度的空度去寻找最优分割面(即支持向量机)，而高斯核函数的带宽σ与误差惩罚因子C对于SVM的分类效果起到至关重要的作用。因此本发明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。

本发明按照以下的方法运行交叉验证集法：

首先，确定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；

然后，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将作为最佳带宽σ参数与惩罚因子C；

最后，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。

步骤3.3，SVM分类模型进行故障诊断

本发明可适用于为在线实时数据进行故障诊断，故障诊断的具体流程如下：

(1)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；

(2)首先，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；然后，故障分数数据J依次进入步骤3.1中构建的参数优化后的母分类模型集进行分类；其次进行投票统计，判断初步识别的类型是否为综合故障类型，若是，故障分数数据J还需依次进入步骤3.2中构建对应的参数优化后的子分类模型集进行投票统计，识别出其具体故障类型，若否，初步识别的类型就是具体故障类型，具体流程如附图2所示。

1vs 1分类投票决策机制的方法是在实时故障分数数据J依次进入全部母(子)分类模型后，统计每种故障类型的票数，得票数最多的故障类型即为最终确定的故障类型，若出现最多票数的故障类型为多个时，则判定为新故障类型，标签定为0。

步骤3.4，SVM分类模型的增量学习

本发明可实现对新故障类型的训练和旧故障类型的再次训练。

在实时故障诊断过程中，若出现判断为故障类型标签0的话，即出现新故障类型，可将该实时数据保存一个标签为new的数据框中，数据框大小为[1000×p]；若出现判断为故障类型标签非0的话，即出现旧故障类型，可将该实时数据保存对应的标签为old_n(n是故障类型标签)的数据框中，数据框的大小为[1000×p]；

(2)假若new的数据框存满数据后，将新故障类型数据加入原有的故障训练数据中，开始按照步骤3.1的方法进行SVM分类的增量学习，同时new的数据框会被清空；假若old_n的数据框存满数据后，将旧故障类型数据加入原有的故障训练数据中，开始按照步骤3.1的方法进行SVM分类的增量学习，同时old_n的数据框会被清空；

(3)最后，将按照步骤3.2的方法对更新完成的SVM分类模型的参数进行优化，更新参数向量P。

过程4为故障信息获取及检修指导过程

本过程与过程3同为实时数据的故障诊断范畴，属于实时故障数据的故障信息整合部分，此过程包括3个主要步骤：

步骤4.1，获取故障类型以及识别可信度

在本发明中，实时数据rt经过过程3的1vs 1形式下的各个SVM分类模型的识别后，会得到 属于各个故障类型的可信度，最终确定的故障类型是属于可信度最高的故障类型。

下面具体描述如何获取实时数据rt故障诊断的识别可信度算法：

(1)实时数据rt在使用SVM分类模型进行类型识别时，不仅能得到故障类型，而且能得到一个带正负号的决策值，决策值可以看成是该数据距离最优分割面的垂直距离，很显然该决策值的数值符号决定了识别类型，而该决策值绝对值的大小代表其具备该类别属性的强弱。本发明依据以下公式对实时数据进行识别可信度ep的求取：

$\mathrm{ep}=100-|\mathrm{rtD}-\max D|*\frac{40}{|\max D-\min D|}---\left(22\right)$

其中的maxD表示该故障类型的训练数据中绝对值最大的决策值，minD表示该故障类型的训练数据中绝对值最小的决策值，rtD表示实时数据的分类决策值。

依据公式(22)可知决策值绝对值最大的训练数据识别可信度ep为100％，而决策值绝对值最小的训练数据识别可信度ep为60％。因此，一条实时数据rt可获取二类的可信度。

实时数据rt依次经过所有的SVM分类模型，可得到所有故障类型的可信度，具体算法如下公式所示：

$\mathrm{ep}\_N=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{ep}}_i}{N}*100\%$

i＝1,...,N   (23) 

其中，n为故障类型，N为类型为n的故障训练数据构建SVM分类模型的个数，epi为实时数据对故障类型i的可信度数值。

(3)实时数据rt最终确定的故障类型为ep_n值最大的类型。

步骤4.2，获取故障的部位信息及与相应故障特征匹配度

在步骤4.1确定实时数据rt的故障类型后，将实时数据rt转化为故障分数数据J向量形式，其中向量J里数值为负的测点即为疑似发生故障的部位M。

假若实时数据rt的故障类型为n类型故障时，从故障特征数据框Π中查阅对应类型n对应的故障特征Π_n，而故障特征匹配度将依据下面的公式进行求解：

$\mathrm{matchDG}=\frac{\mathrm{len}\left(x\right)}{\mathrm{len}(\mathrm{\Π}\_n)}*100\%$

x＝M∩Π_n   (24)

其中，函数len()为求取长度函数,x为实时故障测点与故障特征的交集，Π_n为故障类型n 的故障特征。

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

本发明将关于本设备出现故障进行维修的指导建议导入软件当中，以备随时调用。

当设备确诊出现某种已知故障时，设备故障智能诊断系统开始读取专家知识库里相应故障目录下的维修建议，按照建议的权重大小依次展示给检修人员，同时依据步骤4.2求出的matchDG值的大小推算维修时间以备检修人员合理安排维修时间。

为了进一步说明本发明的实施过程，本发明获取来自某火电厂的1号机组汽轮机本体设备的重要测点数据，以验证本发明对设备故障诊断的有益补助。

本发明对#1汽轮机本机设备的基于支持向量机设备故障智能诊断方法主要步骤如下：

一、对#1汽轮机设备的历史数据进行数据预处理操作

所选的#1汽轮机设备为一具有多故障类型多测点典型设备，本实例从电厂PI数据库获取选定的15个相关测点，它们分别是主油泵出口油压(kpa)、轴承金属温度(℃)、汽轮机转速(r/s)、回油温度(℃)、轴承振幅(mm/s)、大气压力(kpa)、轴向位移(mm/s)、推力瓦温度(℃)、主蒸汽温度(℃)、再热蒸汽温度(℃)、推力瓦金属温度(℃)、蒸汽流量(t/h)、排汽温度(℃)。

使用ACS软件从电厂数据库中读取#1汽轮机设备从2011年1月1号到2013年12月31号三年整的历史数据，数据量约为130万；我们将2011年1月1号至2013年5月31号两年半的数据作为训练数据用于构建SVM分类模型，使用2013年6月1号至12月31号的数据作为测试数据检验SVM分类模型故障诊断的效果。

我们需要利用已有的筛选规则从#1汽轮机设备训练数据中分离出正常工况数据与异常数据两类数据。正常工况数据代表了#1汽轮机设备的正常运行状态，此部分数据便可作为构建SVM回归模型的训练数据T_回。正常工况数据代表了#1汽轮机设备在这段历史运行过程中出现过的所有故障类型，利用专家经验知识以及该设备故障历史记录匹配所有的历史故障数据，将全部异常数据细致划分成不同类型的故障，经过故障数据类型核对后，两年半的异常数据中包含了汽轮机设备的四种典型故障：汽轮机超速、汽轮机振动过大、运行中叶片损坏或断裂以及汽轮机水冲击。

训练数据T_回的数据主要是用于构建回归模型：利用线性归一化方法将训练数据各个测点量纲缩放至[0,1]之间，再以步骤1.2的方式压缩训练数据T_回至3000条左右；最后，按照SVM回归原理使用压缩后的3000条训练数据构建10个多输入单输出的SVM回归模型。

训练数据T_回依次输入到上述的10个的SVM回归模型后，可为训练数据输出大小相同的健康残差矩阵；同时将各类故障数据T_故障分别依次输入到10个的SVM回归模型后，也可将故障数据转化成故障残差数据。同时为全面挖掘故障残差数据的特征属性，按照公式(5)、公式(6)的方式对其进行hamming窗处理的故障加窗数据，由于四种汽轮机超速、汽轮机振动过大、运行中叶片损坏或断裂以及汽轮机水冲击故障周期分别为48.1秒、13.3秒、35.6秒、20.5秒，因此将hamming窗的时间窗大小统一确定为50秒。

#1汽轮机设备故障加窗数据再按照公式(7)、(8)的做法进行中心归一化处理，消除各个测点的量纲影响，并为每个时刻的状态打一个相同标准情况的分数，经过PCA降维后的#1汽轮机设备故障分数数据的维数从13降为9，筛除了与其他特征相关性高且主成分贡献度低的4个特征：再热蒸汽温度(℃)、推力瓦金属温度(℃)、蒸汽流量(t/h)、排汽温度(℃)。

二、构建#1汽轮机设备故障诊断案例知识库

为了更好地体现#1汽轮机设备各类故障数据的特征，本部分仍然从数据层面上揭示各个故障的本质属性以及彼此之间的关联度，因此依旧属于设备数据的预处理阶段。

首先，从#1汽轮机设备故障分数数据中提取故障特征。根据故障贡献度以及故障累积贡献率的计算方式，可以更好地提取出每种故障类型的本质特征，下表以汽轮机超速的故障分数数据为例，展示部分时刻各个特征测点的故障贡献度，可以看出在汽轮机超速这种故障中，累积故障贡献率超过70％的特征测点是主出口油压、轴承金属温度、汽轮机转速三个主特征测点。

表2  汽轮机超速故障分数数据测点故障贡献度

按照以上的方式，可以依次从各类故障提取出#1汽轮机设备的四种主要故障的特征：

(1)汽轮机超速 

主要特征测点：主油泵出口油压、轴承金属温度、汽轮机转速。

(2)汽轮机振动过大

主要特征测点：轴承金属温度、回油温度、轴承振幅。

(3)运行中叶片损坏或断裂

主要特征测点：压力，轴向位移、轴承金属温度，回油温度，推力瓦温度。

(4)汽轮机水冲击 

主要特征测点：主蒸汽温度、轴向位移、轴承金属温度、轴承回油温度。

接下的工作是分析出各类故障关联度的高低，按照步骤2.2中故障关联度的判定规则能够较容易地判断出运行中叶片损坏或断裂故障与汽轮机水冲击故障的之间相似度达50％以上，应当将此两种故障先合并为一种综合故障以提高故障诊断的准确性。

根据以上分析，在#1汽轮机四种故障类型中，汽轮机超速、汽轮机振动过大属于单一故障类型，运行中叶片损坏或断裂故障与汽轮机水冲击故障合并为一种综合故障类型。

因此，在本例中，我们为汽轮机超速、汽轮机振动过大分别添加故障类型标签1、2，综合故障类型添加标签3，而在综合故障类型下的子故障运行中叶片损坏或断裂与汽轮机水冲击添加标签4、5。

三、训练#1汽轮机的分类模型及故障诊断

为解决SVM分类#1汽轮机的四种故障，按照步骤3.1的1vs1思路，我们按照SVM分类原理，构建了四个SVM分类模型来进行四种故障类型的识别。

(1)母模型A用于识别汽轮机超速故障与汽轮机振动过大故障，分别添加标签1、2；

(2)母模型B用于识别汽轮机超速故障与综合故障，分别添加标签1、2；

(3)母模型C用于识别汽轮机振动过大故障与综合故障，分别添加标签1、2；

(4)子模型D用于识别运行中叶片损坏或断裂故障与汽轮机水冲击故障，分别添加标签1、2。

以上的所有分类模型均按照步骤3.2采用交叉验证集的方法来优化SVM模型中的高斯核函数带宽σ参数与误差惩罚因子C，而参数寻优方法采用网格搜索法进行寻优，其中高斯核函数带宽σ范围为[0.1,10]，搜索步长为0.1，误差惩罚因子C范围为[1，100]，搜索步长为1。优化后的训练识别效果如下所示：

	最佳参数【σ/C】	测试集A	测试集B	测试集C
					母模型A	【0.58，10.61】	91％	85％	93％

母模型B	【1.06，5.72】	92％	89％	90％
					母模型C	【0.78，20.51】	82％	94％	93％
子模型D	【2.15，7.09】	88％	95％	92％

表3  四个分类模型在最佳参数下的识别效果

本例将2013年6月1号至12月31号的数据作为测试数据进行故障诊断。

为了完整地捕捉到#1汽轮机设备所有故障类型，本实例中设定设备故障智能诊断系统在运行时间i为25秒整数倍时，读取#1汽轮机设备的第i-49至i共计50条测试数据进行故障诊断。首先将这50条测试数据进行数据预处理操作，即过程1中的SVM回归滤波、中心归一化、加载时间窗、特征降维四种预处理方法，最终转化为一条实时故障分数数据J；然后，检验实时故障分数数据J中是否包含负值，若有则为异常数据需要进一步的故障诊断，若无则为正常工况数据无需进行故障诊断。在判为异常数据后，实时故障分数数据J依次进入母模型A、B、C，假若识别为单一故障类型的话，故障类型识别完成，假若识别为综合故障类型的话，需继续进入子模型D继续识别，获取最终的故障类型。假若出现最多票数相同的情况，则将故障类型判作新故障类型，标记类型为0。

举例，在2013年10月9号10点35分至2013年10月9号11点25分的这段实时数据进入设备故障智能诊断系统后，转化成实时故障分数数据J＝[89.5,-5.3,65.1,-25.2,78.5,-38.4,64.3,93.0,25.2]。检查出存在负值现象，应当判作异常数据，依次进入三个母模型A、B、C的结果依次为1、2、2。综合故障类型得两票，继续进入子模型D判断结果为2，最终识别结果为汽轮机水冲击故障。

附图4中展示的是对2013年6月1号至12月31号的#1汽轮机设备故障数据的诊断识别情况，可以看出：

(1)对汽轮机超速故障的识别准确率为85％；

(2)对汽轮机振动过大故障的识别准确率为80％；

(3)对运行中叶片损坏或断裂故障的识别准确率为95％；

(4)对汽轮机水冲击故障的识别准确率为75％。

对四种故障的识别准确率整体效果令人满意。

在本例中，会有四个数据框，一个new数据框大小可装载1000条实时故障分数数据；三个old_n数据框大小可装载1000条实时故障分数数据。若数据框装载满数据后，按照步骤3.4的方 法实现对#1汽轮机故障类型的训练拓展和旧故障类型的再次训练，使得构建的四个模型不会随汽轮机设备运行时间发展而退化，具备良好的自适应能力。

四、实时故障信息获取及检修指导过程

本过程与过程三同为实时数据的故障诊断范畴，属于实时故障数据的故障信息整合部分。

在本实例中，#1汽轮机设备实时故障分数数据J经过过程3的1vs 1形式下的各个SVM分类模型的识别后，不仅可得到故障类型，而且按照步骤4.1的方法还可获得实时故障分数数据J属于每类故障类型的可信度。

按照故障诊断的识别可信度算法，#1汽轮机设备实时测试数据i属于每种故障类型的可信度为：汽轮机超速5.2％、汽轮机振动过大1.3％、运行中叶片损坏或断裂20.3％、汽轮机水冲击73.2％。实时故障分数数据J最终确定的故障类型为可信度值最大，输出故障类型为汽轮机水冲击。

本实例可获取#1汽轮机故障的部位信息及与相应故障特征匹配度，具体方法如下：

依据实时故障分数数据向量J里数值为负的测点即为疑似发生故障的部位的规则，故障特征数据框Π中汽轮机水冲击故障特征主测点为主蒸汽温度、轴向位移、轴承金属温度、轴承回油温度。实时故障分数数据向量J里数值为负的测点为轴向位移、轴承金属温度、轴承回油温度为75％。

当设备确诊#1汽轮机设备出现汽轮机水冲击故障时，设备故障智能诊断系统开始读取专家知识库里汽轮机水冲击故障目录下的维修建议，按照建议的权重大小给予检修人员的以下两条维修建议是：

1、当确认汽轮机发生水冲击时，立即破坏真空紧急停机，切断有关汽、水源，加强主、再热汽管道、本体抽汽管道、轴封汽母管等有关系统的疏水；

2、机组正常运行或启、停机及变工况过程中，主、再热汽温在10分钟内急剧下降50℃，应不破坏真空打闸停机。

尽管为了说明的目的，已描述了本发明的示例性实施方式，但是本领域的技术人员将理解，不脱离所附权利要求中公开的发明的范围和精神的情况下，可以在形式和细节上进行各种修改、添加和替换等的改变，而所有这些改变都应属于本发明所附权利要求的保护范围，并且本发明要求保护的产品各个部门和方法中的各个步骤，可以以任意组合的形式组合在一起。因此，对本发明中所公开的实施方式的描述并非为了限制本发明的范围，而是用于描述本发明。相应地，本发明的范围不受以上实施方式的限制，而是由权利要求或其等同物进行限定。

Claims (10)

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。

2.如权利要求1所述的基于SVM分类模型的设备故障诊断方法，其特征在于：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：

$\left\{\begin{array}{c}\min \mathrm{\φ}\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2\\ s.t.y_i(w\·x_i+b)\≥1,i=\mathrm{1,2,3},...,n\end{array}\right.$

转化为对偶问题，形式如下：

$\left\{\begin{array}{c}\max W\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_j(x_i\·x_j)\\ w^{*}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{y}_i{x}_i\\ b^{*}=y_i-w\·x_i\\ s.t.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_i=0,a_i\≥0,i=\mathrm{1,2,3},...,n\end{array}\right.$

最终将分类函数定义为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_{i}K(x,x_i)+b^{*})$

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，a_i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。

3.如权利要求1所述的基于SVM分类模型的设备故障诊断方法，其特征在于：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。

4.如权利要求1或3所述的基于SVM分类模型的设备故障诊断方法，其特征在于：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。

5.如权利要求4所述的基于SVM分类模型的设备故障诊断方法，其特征在于：在实时故障分数数据J依次进入全部母或子分类模型后，统计每种故障类型的票数，得票数最多的故障类型即为最终确定的故障类型，若出现最多票数的故障类型为多个时，则判定为新故障类型，标签定为0。

6.如权利要求1或5所述的基于SVM分类模型的设备故障诊断方法，其特征在于：所述步骤3.4具体步骤为：

a.在实时故障诊断过程中，若出现判断为故障类型标签0的话，即出现新故障类型，将实时数据保存为一个标签为new的数据框中，数据框大小为[1000×p]；若出现判断为故障类型标签非0的话，即出现旧故障类型，将该实时数据保存对应的标签为old_n的数据框中，数据框的大小为[1000×p]，其中n是故障类型标签；

b.假若new的数据框存满数据后，将新故障类型数据加入原有的故障训练数据中，开始按照步骤3.1的方法进行SVM分类的增量学习，同时new的数据框被清空；假若old_n的数据框存满数据后，将旧故障类型数据加入原有的故障训练数据中，开始按照步骤3.1的方法进行SVM分类的增量学习，同时old_n的数据框被清空；

c.最后，将按照步骤3.2的方法对更新完成的SVM分类模型的参数进行优化，更新参数向量P。

7.如权利要求1所述的基于SVM分类模型的设备故障诊断方法，其特征在于：所述步骤(4)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。

8.如权利要求7所述的基于SVM分类模型的设备故障诊断方法，其特征在于：所述步骤4.1具体步骤为：

依据以下公式对实时数据进行识别可信度ep的求取：

$\mathrm{ep}=100-|\mathrm{rtD}-\max D|*\frac{40}{|\max D-\min D|}$

其中的maxD表示该故障类型的训练数据中绝对值最大的决策值，minD表示该故障类型的训练数据中绝对值最小的决策值，rtD表示实时数据的分类决策值；

对实时数据rt依次经过所有的SVM分类模型，得到所有故障类型的可信度，具体算法如下公式所示：

$\mathrm{ep}\_n=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{ep}}_i}{N}*100\%$

i＝1,...,N

其中，n为故障类型，N为类型为n的故障训练数据构建SVM分类模型的个数，epi为实时数据对故障类型i的可信度数值。

9.如权利要求7或8所述的基于SVM分类模型的设备故障诊断方法，其特征在于：所述步骤4.2具体步骤为：

在确定实时数据rt的故障类型后，将实时数据rt转化为故障分数数据J向量形式，其中向量J里数值为负的测点即为疑似发生故障的部位M；

假若实时数据rt的故障类型为n类型故障时，从故障特征数据框Π中查阅对应类型n对应的故障特征Π_n，故障特征匹配度依据下面的公式进行：

$\mathrm{matchDG}=\frac{\mathrm{len}\left(x\right)}{\mathrm{len}(\mathrm{\Π}\_n)}*100\%$

x＝M∩Π_n

其中，函数len()为求取长度函数,x为实时故障测点与故障特征的交集，Π_n为故障类型n的故障特征。

10.如权利要求9所述的基于SVM分类模型的设备故障诊断方法，其特征在于：所述步骤4.3具体步骤为：

当设备确诊出现某种已知故障时，设备故障智能诊断系统开始读取专家知识库里相应故障目录下的维修建议，按照建议的权重大小依次展示给检修人员，同时依据步骤4.2求出的matchDG值的大小推算维修时间。