CN108846489A

CN108846489A - 一种基于svm的大型设备健康状况评估方法

Info

Publication number: CN108846489A
Application number: CN201810710099.2A
Authority: CN
Inventors: 陈智也; 孙杰; 李鹏飞; 戴华
Original assignee: Tianze Information Industry Corp
Current assignee: Tianze Information Industry Corp
Priority date: 2018-07-02
Filing date: 2018-07-02
Publication date: 2018-11-20

Abstract

本发明提供了一种基于SVM的大型设备健康评估方法，涉及机电领域和机器学习等应用领域。包括S1、对已有设备健康状况数据集，对其中多个健康相关属性，采用SVM多分类算法进行模型训练；S2、获取所需评估设备的多个健康相关属性；S3、根据训练出的模型，对所需评估设备的多个健康相关属性信息进行计算分析，以获得健康状况评估的结果信息。本发明方法相比传统的大型设备健康状况的评估方法切实可行，评估效果好，评估结果可以为售后服务、二手交易、产品改进等提供参考。

Description

一种基于SVM的大型设备健康状况评估方法

技术领域

本发明提供了一种基于SVM的大型设备健康评估方法，涉及机电领域和机器学习等应用领域。

背景技术

随着现代科技工业技术的迅速发展，在机械设备制造、通信设备制造以及建筑工业等各个领域的大型设备日趋复杂，大量纷繁复杂的功能得到进一步扩展，智能化程度不断提高。大型机电设备价格昂贵，其健康状态易受工作环境、人为误操作、设备磨损等因素影响，由于零部件较多且封装性较高造成很多设备故障和功能失效难以通过设备的外部特征及时发现，因此基于数据分析方法的大型设备的健康状况评估方法成为研究者们关注的焦点。在售后服务、二手交易、产品改进等使用环境下，传统的计划维修或者事后维修已不再适应需求。因此，如何根据设备的在保状况、购机时长、保养及时率、违规作业记录、设备故障情况等信息正确评估大型设备的健康状况，及时有效的进行售后服务、为二手大型设备交易服务以及对产品进行及时升级，成为售后服务中心日常运营中的一项重要工作。

而基于数据的机器学习是现代智能技术中的重要方面，研究从观测样本出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。在机器学习中，支持向量机(Support Vector Machine，SVM)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。一个SVM模型的例子，如在空间中的点映射，使得所述不同的类别的例子是由一个明显的差距是尽可能宽划分的表示。新的实施例则映射到相同的空间中，并预测基于它们落在所述间隙侧上属于一个类别。支持向量机的重要理论基础是统计学习理论的VC维理论和结构风险最小化原理。根据统计学习理论，学习机器的实际风险由经验风险值和置信范围值两部分组成。传统的统计模式识别方法在进行机器学习时，强调经验风险最小化。而基于经验风险最小化准则的学习方法只强调了训练样本的经验风险最小误差，没有最小化置信范围值，会产生“过学习问题”，其推广能力较差。SVM根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷以期获得最好的推广能力，从而使其学习机获得了更好的推广性能，这恰恰是统计学习理论最重要的目标之一。SVM可以自动寻找对分类有较好区分能力的支持向量，由此构成的分类器可以最大化类与类之间的间隔。SVM有严格的数学推理，可以进行小样本分类，特别适合处理复杂的非线性分类问题。但是其训练时间非常长，对于多分类问题是无法直接处理的。

综上所述，传统的计划维修或者事后维修已不再适应大型设备的使用需求，而支持向量机是用来进行二值分类的有效方法，在多分类中使用较少。因此，本发明旨在采用基于支持向量机SVM的多分类算法对大型设备的多个健康属性数据进行建模，以便准确的评估设备健康状况。

大型设备的健康状况涉及到多种数据：在保状况、购机时长、保养及时率、违规作业记录以及设备故障情况等。如何对这些数据进行处理，使得其在之后的设备健康评估中起作用是一个很重要的问题。因此需要提出一种有效的健康状况评估方法，可以准确的进行健康状况评估。

发明内容

本发明针对当前技术无法正确评估大型设备健康状况的缺陷，提供一种基于SVM的大型设备健康状况评估方法，具体的是使用SVM多分类方法对大型设备健康状况进行评估的方法，以正确评估大型设备的健康状况。

本发明是采取以下技术方案实现的：

基于SVM的大型设备健康状况评估方法，对已有的设备健康数据进行规范化处理，在此基础上，采用SVM多分类方法进行模型训练，针对设备的在保状况、购机时长、保养及时率、违规作业记录和设备故障情况等五项与健康状况关系密切的影响因素，利用历史数据训练出五个分类器，其中第i个分类器用来判断样本数据是否属于第i类（）。每个分类器本身都是一个二分类器，使用某个二分类器可以负责判断当前设备是否属于五种健康状况中的一种。不属于当前状态，就进入下个分类器，判断是否属于其他状态。当对设备进行健康状况评估时，即可使用训练得到的五个分类器以及当前设备的在保状况、购机时长、保养及时率、违规作业记录和设备故障情况等信息，预测得到该设备当前的健康状况。

基于SVM的大型设备健康状况评估方法，具体步骤包括：

S1、从历史记录中的设备健康状况数据中抽取设备的在保状况、购机时长、保养及时率、违规作业记录和设备故障情况作为训练集，采用SVM多分类算法进行模型训练；

S2、获取所需评估设备的健康相关属性；

S3、根据步骤S1训练出的模型，对步骤S2得到的所需评估设备的健康相关属性信息进行计算分析，获得健康状况评估的结果信息；

所述健康相关属性包括在保状况、购机时长、保养及时率、违规作业记录和设备故障情况五个属性。

所述步骤S1包括以下过程：

S11、从历史记录中的设备健康状况数据中抽取若干个健康状况数据，所述健康状况数据包括设备的在保状况、购机时长、保养及时率、违规作业记录和设备故障情况，并对每个属性进行规范化，形成训练集；

S12、为步骤S11中抽取出的每一类健康状况数据设计一个基于SVM的分类器；

S13、训练分类函数，使用步骤S11中的训练集训练步骤S12中的每个分类器，得到相应的分类函数。

所述步骤S11的规范化过程，包括如下步骤：

S111、对每条数据进行编号，记录为唯一的ID；

S112、每条数据记录包含一个设备在一段时间内的在保状况、购机时长、保养及时率、违规作业记录和设备故障情况五个健康相关属性值作为分类属性，分别用A1、A2、A3、A4和A5表示；

S113、每条数据记录还包含设备的健康评估结果作为决策变量，用y表示，其中，S是健康状况的集合，S={报废、差、中等、良好和优秀}；

S114、形成训练集TS，其中每条数据记录规范化格式为(ID,<A1,A2,A3,A4,A5>,y)。

所述步骤S12中分类器的构建方法，具体包括如下步骤：

S121、将求解优化问题使用于第i个分类器的训练，其中i为自然数，且；

使用SVM多分类器的目标是寻找i个满足分类要求的分割超平面，其中y _i为第i个决策结果，为超平面的法向量，b为超平面的偏移量，样本x _i通过非线性映射函数映射到高维特征空间H，将其映射为线性情况，并在H中使用线性分类器；

为了使训练集中的点距离该分割平面尽可能地远,也就是使得超平面两侧的空白区域尽可能的大，那么问题的目标函数为：

其中为松弛变量，为惩罚项；当第i样本数据对应的特征向量时，。

S122、通过拉格朗日对偶性变换到对偶变量的优化问题，即通过求解与原问题等价的对偶问题得到原始问题的最优解；从而达到步骤S121中目标函数的最优，其对应的损失函数应该最小。

具体求解方法如下：

引入拉格朗日乘子，将上述优化问题进行进一步转化以下拉格朗日函数，

由得到，，；

最终将上述拉格朗日函数转化成下述优化问题：

，

其中的取值：

求解出后，求出w和b即可得到。

S123、对其中涉及到的参数进行求解，求解的步骤如下：

S123-1)创建并进行初始化；

S123-2)当没有迭代结束时，固定除之外的其它参数，计算可以得到的取值范围（或上下边界L、M，使得

），

S123-3)通过计算更新

；

S123-4)判断L是否等于H，等于则继续输入下一个i；

并求L的二阶导数；

如果继续输入下一个i;

通过计算得到;

其中E代表函数中输入x _i的预测值与真实输出之差

如果继续输入下一个i;

通过计算得到;

S123-5)更新后对b的值进行设定

S123-6)返回S123-2)，直至循环结束。

在本发明所述的大型设备健康状况评估方法中，步骤S3之后必须还包括：

S4、对健康状况评估模型进行训练的过程信息以及所获取的状况评估结果信息进行存档；

S5、根据用户的具体需求输出模型训练的过程信息或最终的状况评估结果信息。

相比传统的大型设备健康状况的评估方法，本发明具有如下优点：对已有设备健康状况数据集，对其中多个健康相关属性，采用SVM多分类算法进行模型训练，根据训练出的模型，对所需评估设备的多个健康相关属性信息进行计算分析，以获得健康状况评估的结果信息。评估结果可以为售后服务、二手交易、产品改进等提供参考。

附图说明

以下将结合附图对本发明作进一步说明：

图1是本发明大型设备健康状况评估方法的流程图；

图2是图1中步骤S1的流程图；

图3是图2中步骤S12的流程图；

图4是具体实施例的评估方法流程图。

具体实施方式

图1 是本发明大型设备健康状况的评估方法的流程图，该评估方法包括：

S1、对已有设备健康状况数据集，对其中多个健康相关属性，采用SVM多分类算法进行模型训练；

S2、获取所需评估设备的多个健康相关属性；

S3、根据训练出的模型，对所需评估设备的多个健康相关属性信息进行计算分析，以获得健康状况评估的结果信息。

在采用该评估方法对大型设备的健康状况进行评估时，先收集整理已有设备的健康状况相关数据，进行规范化后，通过SVM多分类算法进行评估模型的训练。在所需评估设备的相关健康数据获取之后就可以根据训练出的模型进行分析处理，评估出该设备的健康状况，以便及时有效的进行售后服务、为二手大型设备交易服务以及对产品进行及时升级，从而提高大型设备售后服务的效率和可靠性。

关于评估模型的建立，需要说明的是每种大型设备的评估模型建立后，存储在对应的数据库中，当有新的设备到来进行健康状况评估时，可以直接从数据库中建立，无需重复建模。

关于设备的状态，需要说明的是各种大型设备的状态可以分为五种，分别是优秀：运行状态好，各项指标合格；良好：运行状态较好，各项指标合格；中等：运行状态不良，指标基本合格；差：异常或无法正常运行，指标不合格；报废：机器无法维修，直接报废。

另外，关于在保状况、购机时长、保养及时率、违规作业记录、设备故障情况等大型设备的健康信息的获取，由于当前的机电厂已有专门的系统对所有设备的运行参数、设备的故障信息及处理信息，因此可以直接通过固定的数据接口，从该类系统中获得相应的健康状况信息。

图2 是图1中步骤S1的流程图，步骤S1具体包括：

S11、获得多个已有设备的多种健康状况数据，并进行规范化；

S12、为每一类健康状况数据设计一个基于SVM的分类器，构建多个分类器；

S13、训练分类函数：使用样本数据集训练每个分类器，得到相应的分类函数。

在上述实施步骤中，步骤S11可进一步包括：

S111、对每条数据进行编号，记录为ID；

S112、记录各个设备的多种健康状况相关属性，记录为A1,A2,…,A5；

S113、记录各个设备的健康评估结果，记录为y，，S是五类健康状况的集合，包括报废、差、中等、良好、优秀等；

S114、综合前面各种数据，规范化每个设备对应的健康状况数据，数据格式为 (ID,<A1,A2,…,A5>,y)；

其中m=5。

图3 是图2中步骤S12的流程图，步骤S12可进一步包括：

S121、将求解优化问题使用于第i个分类器的训练

S122、从拉格朗日乘子的角度对上述优化问题进行进一步转化：

最终转化成下述优化问题：

，

其中的取值：

S123、对其中涉及到的参数进行求解。

下面按照本文所介绍的机械设备健康状态指标评价体系建模方法，以某数控车床为例进行分析说明。

数控车床健康状态的评估方法，包括如下步骤：

S1、确定各系统的健康指标，从在保状况、购机时长、保养及时率、违规作业记录以及设备故障情况五个方面来判断，采用SVM多分类算法进行模型训练；将其健康指标定义为包括报废、差、中等、良好、优秀。

S2、获取所需评估设备的多个健康相关属性，包括在保状况、购机时长、保养及时率、违规作业记录以及设备故障情况；

S4、再进一步运用评价方法进行定量评价；对健康状况评估模型进行训练的过程信息以及所获取的状况评估结果信息进行存档；

S5、根据用户的具体需求输出模型训练的过程信息或最终的状况评估结果信息，经检验，评估结果符合设备的实际情况，表明该状态评估方法具有一定的实际意义。

通过实践表明，本发明相比传统的大型设备健康状况的评估方法切实可行，评估效果好，评估结果可以为售后服务、二手交易、产品改进等提供参考。

Claims

1.一种基于SVM的大型设备健康状况评估方法，其特征在于，具体步骤包括：

S1、从历史记录中的设备健康状况数据中抽取设备的在保状况、购机时长、保养及时率、违规作业记录和设备故障情况，以及设备的健康状况作为训练集，采用SVM多分类算法进行模型训练；

S2、获取所需评估设备的健康相关属性；

2.根据权利要求1所述的基于SVM的大型设备健康状况评估方法，其特征在于，所述步骤S1包括以下过程：

S11、从历史记录中的设备健康状况数据中抽取若干个健康状况数据，所述健康状况数据包括设备的在保状况、购机时长、保养及时率、违规作业记录和设备故障情况，以及设备的健康状况，并对每个属性进行规范化，形成训练集；

3.根据权利要求2所述的基于SVM的大型设备健康状况评估方法，其特征在于，所述步骤S11的规范化过程，包括如下步骤：

S111、对每条数据进行编号，记录为唯一的ID；

S113、每条数据记录还包含设备的健康评估结果作为决策变量，用y表示，其中，S={报废、差、中等、良好和优秀}是健康状况的集合；

4.根据权利要求2所述的基于SVM的大型设备健康状况评估方法，其特征在于，所述步骤S12中分类器的构建方法，具体包括如下步骤：

问题的目标函数为，

其中为松弛变量，为惩罚项；当第i样本数据对应的特征向量时，；

S122、通过拉格朗日对偶性变换到对偶变量的优化问题，即通过求解与原问题等价的对偶问题得到原始问题的最优解；从而达到步骤S121中目标函数的最优，其对应的损失函数应该最小；

具体求解方法如下：

由得到，，；

最终将上述拉格朗日函数转化成下述优化问题：

，

其中的取值：

求解出后，求出w和b即可得到,

S123、对其中涉及到的参数进行求解。

5.根据权利要求4所述的基于SVM的大型设备健康状况评估方法，其特征在于，步骤S123中求解的包括如下步骤：

S123-1)创建并进行初始化；

S123-2)当没有迭代结束时，固定除之外的其它参数，计算得到的取值范围；或根据上下边界L、M，使得；

S123-3)通过计算更新

;

S123-4)判断L是否等于H，等于则继续输入下一个i；

并求L的二阶导数;

如果继续输入下一个i;

通过计算得到;

其中E代表函数中输入x _i的预测值与真实输出之差

如果继续输入下一个i;

通过计算得到；

S123-5)更新后对b的值进行设定；

;

S123-6)返回S123-2)，直至循环结束。

6.根据权利要求1所述的基于SVM的大型设备健康状况评估方法，其特征在于，步骤S3之后还包括：