CN106019138B - 一种高压断路器机械故障的在线诊断方法 - Google Patents

Abstract

本发明提供一种高压断路器机械故障的在线诊断方法，包括：步骤S1，初始化在线诊断模型；步骤S2，对于新样本，使用预处理方法获得特征向量，并投入到在线诊断模型计算判别函数值和故障诊断值；步骤S3，将新样本的判别函数值和故障诊断值输入更新触发模块进行计算，并判断是否满足更新触发条件，若满足，则转到步骤S4，并将更新触发计数器清零；若不满足，则直接输出模型诊断结果，作为最终诊断结果；步骤S4，对在线诊断模型进行更新，并转到步骤S2对当前样本进行重新诊断。本发明能够充分利用历史的训练成果，极大减少模型的存储空间需要和计算时间，提高计算效率，实现故障诊断模型的在线更新，从而更好地运用于设备的机械故障诊断。

Description

一种高压断路器机械故障的在线诊断方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种高压断路器机械故障的在线诊断方法。

背景技术

高压断路器是电力系统中的关键主设备，承担着电力系统的控制和保护任务。国际大电网会议对高压断路器的可靠性进行过两次世界范围内的调查，我国也对高压开关事故进行过大量的统计分析。相应的调查和统计报告均表明，高压断路器的大多数故障是操动机构的问题。对高压断路器机械寿命故障诊断不管是对断路器运行的安全可靠性，还是对于电网资产的全寿命周期管理，都有着很大的意义。高压断路器的动作过程为，远方或就地发出分合闸指令后，分合闸线圈通过电流使其中的铁芯在电磁力的作用下动作，触发脱扣器使触头动作，因此通过对分合闸线圈电流信号和触头行程信号能够很好地对高压断路器的机械特性进行分析。

目前对于分合闸线圈电流信号和触头行程信号诊断和识别有以下几种方法，一是通过一些直观参数的计算进行分析，比如分合闸线圈电流峰值、有效值、持续时间，触头动作时间和动作距离，并设定相应的安全范围；二是通过标准曲线上下浮5％设定安全区域，当分合闸线圈曲线或触头行程曲线超过这个区域以外后认定为故障；此外近年来随着机器学习的兴起，一些机器学习算法，例如神经网络等也被引入到高压断路器中机械特性的故障的诊断方法中。

发明人发现，以上三种评价方法均存在不足之处，其不足之处在于：在第一种和第二种方法中，对于故障的判断是一种较为机械的判定方法，其参数一旦固定就无法改变，无法适应现场中复杂多变的故障情形，可能有误诊或漏诊的情况发生；第三种依据机器学习方法的诊断方法需要一个故障库，并训练一个诊断模型进行诊断。但在当前的大数据环境下，随着物联网和在线监测技术的发展，整个系统每天都有大量的新数据产生，其中往往包含了新的故障模式和设备个性化的故障信息，无法被固定数据库训练得到的模型准确识别。若是对故障库进行数据扩充以更新模型，由于当前仍缺乏有效的数据筛选规则，模型计算复杂度往往随着大量数据的加入而呈指数爆炸的方式增加，导致模型存储和求解的困难，影响模型诊断精度。

因此，鉴于上述三种方法的不足之处，亟需一种方法能够实现高压断路器机械故障快速、准确的在线诊断。

发明内容

本发明所要解决的技术问题在于，提供一种高压断路器机械故障的在线诊断方法，可对高压断路器机械故障进行快速、准确地在线诊断。

为了解决上述技术问题，本发明提供一种高压断路器机械故障的在线诊断方法，包括：

步骤S1，初始化在线诊断模型；

步骤S2，对于新样本，使用预处理方法获得特征向量，并投入到所述在线诊断模型计算判别函数值和故障诊断值；

步骤S3，将所述新样本的判别函数值和故障诊断值输入更新触发模块进行计算，并判断是否满足更新触发条件，若满足，则转到步骤S4，并将更新触发计数器清零；若不满足，则直接输出模型诊断结果，作为最终的诊断结果；

步骤S4，对所述在线诊断模型进行更新，并转到步骤S2对当前样本进行重新诊断。

其中，所述步骤S1具体包括：

步骤S11，收集高压断路器设备包括正常和故障在内的的触头行程数据和分合闸线圈电流数据，建立专家知识库；

步骤S12，进行数据预处理，提取特征向量；

步骤S13，使用专家知识库提取的特征向量作为数据来源，使用支持向量机算法建立初始故障诊断模型，并使用初始诊断模型对支持向量库和在线诊断模型进行初始化。

其中，所述步骤S12具体包括：

对于线圈电流数据，提取其初始位置的时间，线圈电流第一个峰值的时间和电流大小，线圈电流第二个峰值的时间和电流大小；

对于触头行程数据，提取其初始位置的时间，对其进行一阶差分操作，并提取其一阶差分曲线的绝对值最大值对应的时刻和行程曲线位置，提取触头行程曲线的最大值对应的时刻和行程曲线位置；

计算获得9个特征值，并对特征值进行归一化获得特征向量。

其中，所述计算获得的9个特征值分别为：第一个电流峰值到达时间；第一个电流峰值大小；第二个电流峰值到达时间；第二个电流峰值大小；从线圈电流信号到达到触头开始运动经历的时间；触头从开始运动到运动到最大速度所需要的时间；触头运动到最大速度时的位移；分合闸触头总动作时间；分合闸触头的总行程。

其中，所述步骤S12还包括：将正常的曲线对应的标签记为+1，故障曲线记为-1。

其中，所述步骤S13具体包括：

步骤S131，根据所述步骤S12提取的特征向量建立初始故障诊断模型；

步骤S132，求解所述初始故障诊断模型，获得判别函数和决策函数；

步骤S133，将全部α_i≠0对应的支持向量构成的数据集A存储进支持向量库模块中，进行支持向量库模块的初始化；

步骤S134，将所训练的初始故障诊断模型复制到在线诊断模型中，进行在线诊断模型的初始化，同时更新触发模块中的更新计触发数器初始化为0。

其中，所述步骤S132求解得到的最优解满足KKT条件，所述KKT条件为：α_i＝0对应的样本x_i位于初始故障诊断模型对于故障和正常认定的分界面上，对应条件是y_if(x_i)≥1；0＜α_i＜C所对应的样本x_i位于分类间隔之上，对应条件是y_if(x_i)＝1；α_i＝C对应的样本位于分类间隔之内，对应条件是y_if(x_i)≤1，其中，x_i为第i个特征向量，y_i为其对应的故障便签，f(x_i)为x_i的判别函数。

其中，所述步骤S2具体包括：

步骤S21，使用预处理方法对新样本的机械特性数据，包括触头行程数据和线圈电流数据提取出9个特征参数，并通过归一化方法组成特征向量，输入到所述在线诊断模型中；

步骤S22，通过所述在线诊断模型对新样本的判别函数值进行计算，若新样本是否处于故障状态是已知的，则直接将已知的故障结果作为故障诊断值，若新样本故障状态未知，则计算故障诊断值。

其中，所述步骤S3具体包括：

步骤S31，对于新样本，若违背在线诊断模型的KKT条件，则改变更新触发计数器的数值，使其值增加1，并将违背KKT条件的新样本存储到更新模块中，更新模块中存储的数据集记为B；

步骤S32，对更新触发计数器的数值进行判断，若更新触发计数器数值大于阈值，则更新触发条件被满足，转移到步骤S4进行模型更新；否则不满足更新触发条件，直接输出模型诊断结果，作为最终的诊断结果。

其中，所述步骤S31中，违背在线诊断模型的KKT条件具体是指判断出新样本位于当前在线诊断模型的分类间隔之内。

其中，所述步骤S32中，更新触发模块中阈值的设定根据模型使用者对模型精度的容忍度进行调整，默认值为10。

其中，所述步骤S4具体包括：

步骤S41，使用更新模块中的数据集B作为数据来源，训练一个支持向量机分类器模型，训练完成后，清除数据集B中的数据；

步骤S42，将支持向量库模块中的数据集A中的存储的数据集输入数据集B的判别函数中，判断是否有违反数据集B的KKT条件的样本，若没有，转到步骤S43；若有，转到步骤S44；

步骤S43，使用数据集B的判别函数更新在线诊断模型，并使用其支持向量构成的数据集更新支持向量库模块，替换支持向量库中的数据集A中的数据，然后转到步骤S2，对当前样本进行重新诊断；

步骤S44，使用数据集A中违反数据集B的KKT条件的样本集建立新的样本集，训练一个支持向量机分类模型，使用所述新的样本集的判别函数更新所述在线诊断模型的判别函数，使用其支持向量构成的数据集更新支持向量库模块，替换支持向量库中的数据集A中的数据，然后转到步骤S2对当前样本进行重新诊断。

本发明实施例的有益效果在于：能够充分利用历史的训练成果，同时无需保存历史数据，极大减少模型的存储空间需要和计算时间，明显提高计算效率，能够实现故障诊断模型的在线更新，从而不断提高诊断精度，更好地运用于设备的机械故障诊断。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一种高压断路器机械故障的在线诊断方法的流程示意图。

图2是本发明实施例一种高压断路器机械故障的在线诊断方法的具体流程示意图。

图3是本发明实施例中线圈电流曲线的关键参数提取示意图。

图4是本发明实施例中触头行程曲线的关键参数提取示意图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例一提供一种高压断路器机械故障的在线诊断方法，包括：

步骤S1，初始化在线诊断模型；

步骤S2，对于新样本，使用预处理方法获得特征向量，并投入到所述在线诊断模型计算判别函数值和故障诊断值；

步骤S3，将所述新样本的判别函数值和故障诊断值输入更新触发模块进行计算，并判断是否满足更新触发条件，若满足，则转到步骤S4，并将更新触发计数器清零；若不满足，则直接输出模型诊断结果，作为最终的诊断结果；

步骤S4，对所述在线诊断模型进行更新，并转到步骤S2对当前样本进行重新诊断。

具体地，结合图2所示，步骤S1具体包括：

步骤S11，收集高压断路器设备包括正常和故障在内的的触头行程数据和分合闸线圈电流数据，建立专家知识库；

步骤S12，进行数据预处理，提取特征向量；

步骤S13，使用专家知识库提取的特征向量作为数据来源，使用支持向量机算法建立初始故障诊断模型，并使用初始诊断模型对支持向量库和在线诊断模型进行初始化。

步骤S12中，对于线圈电流数据，如图3所示，提取其初始位置的时间t₀，线圈电流第一个峰值的时间和电流大小t₁，i₁，线圈电流第二个峰值的时间和电流大小t₂，i₂作为关键参数。

对于触头行程数据，如图4所示，提取其初始位置的时间t₃，由于行程数据是离散值，对其进行一阶差分操作，并提取其一阶差分曲线的绝对值最大值对应的时刻和行程曲线位置，记为t₄，s₁，提取触头行程曲线的最大值对应的时刻和行程曲线位置，记为t₅，s₂，作为关键参数。通过计算获得9个特征值，并对特征值进行归一化获得特征向量。

其中，计算提取的9个特征值分别为：

f₁＝t₁–t₀：第一个电流峰值到达时间，是第一次由于铁芯运动使反电动势开始占主导地位的时刻；

f₂＝i₁：第一个电流峰值大小；

f₃＝t₂–t₁：第二个电流峰值到达时间，是第二次由于铁芯运动使反电动势开始占主导地位的时刻；

f₄＝i₂：第二个电流峰值大小；

f₅＝t₃–t₀：从线圈电流信号到达到触头开始运动经历的时间，能够反映脱扣系统的响应时间；

f₆＝t₄–t₃：触头从开始运动到运动到最大速度所需要的时间；

f₇＝s₁：触头运动到最大速度时的位移；

f₈＝t₅–t₄：分合闸触头总动作时间；

f₉＝s₂：分合闸触头的总行程。

然后需要进行归一化处理，归一化公式如式(1)所示：

其中f_i为第i个特征参数值，f_imin＝min(f_i)，f_imax＝max(f_i)。

最终的特征参数表达式记作：

此外，还需要将正常曲线对应的标签y记为+1，故障曲线的标签记为-1。

步骤S13具体包括：

步骤S131，根据步骤S12提取的特征向量建立初始故障诊断模型；

步骤S132，求解所述初始故障诊断模型，获得判别函数和决策函数；

步骤S133，将全部α_i≠0对应的支持向量构成的数据集A存储进支持向量库模块中，进行支持向量库模块的初始化；

步骤S134，将所训练的初始故障诊断模型复制到在线诊断模型中，进行在线诊断模型的初始化，同时更新触发模块中的更新计触发数器初始化为0。

上述步骤S131中，使用专家知识库提取的特征向量作为数据来源，使用支持向量机算法建立的初始故障诊断模型(支持向量机诊断模型)看作一个最优化问题，假设样本库的总容量为p，第i个特征向量记为x_i，其对应的故障便签为y_i，则建立的模型如式(2)所示：

其满足约束条件如式(3)、(4)所示：

0≤α_i≤C,i＝1,2,...,p (4)

其中，Q(α)是优化目标，α是拉格朗日乘子，是模型中待学习的参数；C为惩罚因子，是一个常数。K为核函数，采用RBF核函数，表达式为式(5)：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ＞0 (5)

其中模型中的惩罚因子C和核函数参数γ使用网格寻优的方法寻找最佳值。

步骤S132中，支持向量机是一个二次规划问题，使用分解算法求解，求得最优解α，最终得到的判别函数如式(6)所示：

其中判别函数的常量值b如式(7)所示：

最终的决策函数如式(8)所示：

g(x)＝sign(f(x)) (8)

sign(x)为符号函数，其表达式如式(9)所示：

所训练的初始故障诊断模型求解得到的最优解必然满足以下KKT条件。KKT条件可以表述为，α_i＝0对应的样本x_i位于初始故障诊断模型对于故障和正常认定的分界面上，对应条件y_if(x_i)≥1；0＜α_i＜C所对应的样本x_i位于分类间隔之上，起着支撑分界面的作用，对应条件y_if(x_i)＝1；α_i＝C对应的样本位于分类间隔之内，对应的判别函数满足y_if(x_i)≤1。

从决策函数的构成可以看出，决策函数仅仅与α≠0的元素有关，在支持向量机模型中α_i≠0对应的x_i仅占输入的全部向量的一小部分，其对应的输入向量被称作为支持向量，因此，步骤S133将全部α_i≠0对应的支持向量x_i构成的数据集记作A，将其存储进支持向量库模块中，进行支持向量库模块的初始化。

步骤S134中，模型还要进行以下两步初始化工作：

1、将所训练的初始故障诊断模型复制到在线诊断模型中，进行在线诊断模型的初始化，即令初始化更新模型的判别函数如式(10)所示：

f_new(x)＝f(x) (10)

2、同时初始化触发模块中的更新触发计数器为0，记为N＝0。

步骤S2具体包括：

步骤S21，使用预处理方法对新样本的机械特性数据，包括触头行程数据和线圈电流数据提取出9个特征参数，并通过归一化方法组成特征向量x_p，输入到所述在线诊断模型中；

步骤S22，通过所述在线诊断模型对新样本的判别函数值进行计算，若新样本是否处于故障状态是已知的，则直接将已知的故障结果作为故障诊断值，若新样本故障状态未知，则计算故障诊断值。

需要说明的是，步骤S21中，使用与步骤S1相同的数据预处理方法对其触头行程曲线和线圈电流曲线进行预处理获得特征向量x_p，并投入到在线诊断模型中，获得判别函数f_new(x_p)的值和故障诊断值y_p。

若新样本是否处于故障状态是已知的，即输入新样本的目的是提高模型精度，则直接将已知的故障诊断结果赋予故障诊断值y_p；若新样本故障状态未知，即输入新样本的目的是为了实现故障诊断，则诊断结果通过式(11)进行计算：

y_p＝g(f_new(x_p))＝sign(f_new(x_p)) (11)

步骤S3具体包括：

步骤S31，对于新样本，若违背在线诊断模型的KKT条件，则改变更新触发计数器的数值，使其值增加1，并将违背KKT条件的新样本存储到更新模块中，更新模块中存储的数据集记为B；

步骤S32，对更新触发计数器的数值进行判断，若更新触发计数器数值大于阈值，则更新触发条件被满足，转移到步骤S4进行模型更新；否则不满足更新触发条件，直接输出模型诊断结果，作为最终的诊断结果。

具体地，步骤S31中，对于新样本的判别函数，若违背在线诊断模型的KKT条件，即满足y_pf_new(x_p)＜1时，判断出新增样本位于当前在线诊断模型的分类间隔之内时，模型的支持向量可能会发生改变，即原始的判别函数不再是当前数据环境下的最优解，需要进行以下两步操作：需要更新触发计数器数值，使其值增加1，即令N＝N+1；将违背KKT条件的样本存储到更新模块中，更新模块中存储的数据集记为B。

步骤S32中，对于更新触发模块中阈值p的设定，可以根据模型使用者对模型精度的容忍度进行调整，默认值为10。

步骤S4具体包括：

步骤S41，使用更新模块中的数据集B作为数据来源，训练一个支持向量机分类器模型，训练完成后，清除数据集B中的数据；其中，将模型记为Model_B，将其由支持向量构成的数据集记为B_sv，其判别函数记为f_B(x)。

步骤S42，将支持向量库模块中的数据集A中的存储的数据集输入数据集B的判别函数f_B(x)中，看是否有违反数据集B的KKT条件的样本，即满足y_if_B(x_i)＜1的样本，若没有，转到步骤S43；若有，转到步骤S44；

步骤S43，使用数据集B的判别函数f_B(x)更新在线诊断模型，即令f_new(x)＝f_B(x)，并使用B_SV更新支持向量库模块中的数据，用其替换支持向量库中的数据集A中的数据，至此模型更新完成，转到步骤S2，对当前样本进行重新诊断；

步骤S44，将数据集A中违反数据集B的KKT条件的样本集记作A_i，建立新的样本集C＝A_iUB_sv，训练一个支持向量机分类模型，记为Model_C，将其支持向量构成的数据集记为C_SV，其判别函数记为f_C(x)，并使用其更新在线诊断模型的判别函数，令f_new(x)＝f_C(x)，并使用数据集C_SV更新支持向量库模块，替换数据集A中的数据，至此模型更新完成，转到步骤S2对当前样本进行重新诊断。

需要注意的是，数据集B的大小为p，数据量很少，能够迅速完成模型训练；同样，数据集C的数据量很少，能够迅速实现模型训练。模型的更新过程中，支持向量库中存有的数据量一直都维持在一个较小的状态，有利于实现模型的快速更新。

通过上述说明可知，实施本发明实施例，具有如下有益效果：能够充分利用历史的训练成果，同时无需保存历史数据，极大减少模型的存储空间需要和计算时间，明显提高计算效率，能够实现故障诊断模型的在线更新，从而不断提高诊断精度，更好地运用于设备的机械故障诊断。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (12)

1.一种高压断路器机械故障的在线诊断方法，其特征在于，包括：

步骤S1，初始化在线诊断模型；

步骤S2，对于新样本，使用预处理方法获得特征向量，并投入到所述在线诊断模型计算判别函数值和故障诊断值；

步骤S3，将所述新样本的判别函数值和故障诊断值输入更新触发模块进行计算，并判断是否满足更新触发条件，若满足，则转到步骤S4，并将更新触发计数器清零；若不满足，则直接输出模型诊断结果，作为最终的诊断结果；

步骤S4，对所述在线诊断模型进行更新，并转到步骤S2对当前样本进行重新诊断。

2.根据权利要求1所述的在线诊断方法，其特征在于，所述步骤S1具体包括：

步骤S11，收集高压断路器设备包括正常和故障在内的的触头行程数据和分合闸线圈电流数据，建立专家知识库；

步骤S12，进行数据预处理，提取特征向量；

步骤S13，使用专家知识库提取的特征向量作为数据来源，使用支持向量机算法建立初始故障诊断模型，并使用初始诊断模型对支持向量库和在线诊断模型进行初始化。

3.根据权利要求2所述的在线诊断方法，其特征在于，所述步骤S12具体包括：

对于线圈电流数据，提取其初始位置的时间，线圈电流第一个峰值的时间和电流大小，线圈电流第二个峰值的时间和电流大小；

对于触头行程数据，提取其初始位置的时间，对其进行一阶差分操作，并提取其一阶差分曲线的绝对值最大值对应的时刻和行程曲线位置，提取触头行程曲线的最大值对应的时刻和行程曲线位置；

计算获得9个特征值，并对特征值进行归一化获得特征向量。

4.根据权利要求3所述的在线诊断方法，其特征在于，所述计算获得的9个特征值分别为：第一个电流峰值到达时间；第一个电流峰值大小；第二个电流峰值到达时间；第二个电流峰值大小；从线圈电流信号到达到触头开始运动经历的时间；触头从开始运动到运动到最大速度所需要的时间；触头运动到最大速度时的位移；分合闸触头总动作时间；分合闸触头的总行程。

5.根据权利要求3所述的在线诊断方法，其特征在于，所述步骤S12还包括：将正常的曲线对应的标签记为+1，故障曲线记为-1。

6.根据权利要求2所述的在线诊断方法，其特征在于，所述步骤S13具体包括：

步骤S131，根据所述步骤S12提取的特征向量建立初始故障诊断模型；

步骤S132，求解所述初始故障诊断模型，获得判别函数和决策函数；

步骤S133，将全部α_i≠0对应的支持向量构成的数据集A存储进支持向量库模块中，进行支持向量库模块的初始化，所述α_i表示所述步骤S132求解得到的最优解；

步骤S134，将所训练的初始故障诊断模型复制到在线诊断模型中，进行在线诊断模型的初始化，同时更新触发模块中的更新计触发数器初始化为0。

7.根据权利要求6所述的在线诊断方法，其特征在于，所述步骤S132求解得到的最优解满足KKT条件，所述KKT条件为：α_i＝0对应的样本x_i位于初始故障诊断模型对于故障和正常认定的分界面上，对应条件是y_if(x_i)≥1；0＜α_i＜C所对应的样本x_i位于分类间隔之上，对应条件是y_if(x_i)＝1；α_i＝C对应的样本位于分类间隔之内，对应条件是y_if(x_i)≤1，其中，x_i为第i个特征向量，y_i为其对应的故障便签，f(x_i)为x_i的判别函数。

8.根据权利要求7所述的在线诊断方法，其特征在于，所述步骤S2具体包括：

步骤S21，使用预处理方法对新样本的机械特性数据，包括触头行程数据和线圈电流数据提取出9个特征参数，并通过归一化方法组成特征向量，输入到所述在线诊断模型中；

步骤S22，通过所述在线诊断模型对新样本的判别函数值进行计算，若新样本是否处于故障状态是已知的，则直接将已知的故障结果作为故障诊断值，若新样本故障状态未知，则计算故障诊断值。

9.根据权利要求8所述的在线诊断方法，其特征在于，所述步骤S3具体包括：

步骤S31，对于新样本，若违背在线诊断模型的KKT条件，则改变更新触发计数器的数值，使其值增加1，并将违背KKT条件的新样本存储到更新模块中，更新模块中存储的数据集记为B；

步骤S32，对更新触发计数器的数值进行判断，若更新触发计数器数值大于阈值，则更新触发条件被满足，转移到步骤S4进行模型更新；否则不满足更新触发条件，直接输出模型诊断结果，作为最终的诊断结果。

10.根据权利要求9所述的在线诊断方法，其特征在于，所述步骤S31中，违背在线诊断模型的KKT条件具体是指判断出新样本位于当前在线诊断模型的分类间隔之内。

11.根据权利要求9所述的在线诊断方法，其特征在于，所述步骤S32中，更新触发模块中阈值的设定根据模型使用者对模型精度的容忍度进行调整，默认值为10。

12.根据权利要求9所述的在线诊断方法，其特征在于，所述步骤S4具体包括：

步骤S41，使用更新模块中的数据集B作为数据来源，训练一个支持向量机分类器模型，训练完成后，清除数据集B中的数据；

步骤S42，将支持向量库模块中的数据集A中的存储的数据集输入数据集B的判别函数中，判断是否有违反数据集B的KKT条件的样本，若没有，转到步骤S43；若有，转到步骤S44；

步骤S43，使用数据集B的判别函数更新在线诊断模型，并使用其支持向量构成的数据集更新支持向量库模块，替换支持向量库中的数据集A中的数据，然后转到步骤S2，对当前样本进行重新诊断；

步骤S44，使用数据集A中违反数据集B的KKT条件的样本集建立新的样本集，训练一个支持向量机分类模型，使用所述新的样本集的判别函数更新所述在线诊断模型的判别函数，使用其支持向量构成的数据集更新支持向量库模块，替换支持向量库中的数据集A中的数据，然后转到步骤S2对当前样本进行重新诊断。