CN111291783A - 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 - Google Patents
一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN111291783A CN111291783A CN202010041640.2A CN202010041640A CN111291783A CN 111291783 A CN111291783 A CN 111291783A CN 202010041640 A CN202010041640 A CN 202010041640A CN 111291783 A CN111291783 A CN 111291783A
- Authority
- CN
- China
- Prior art keywords
- fault
- svm
- fault diagnosis
- classification model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质。所述方法包括：获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型；采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型；利用优化的SVM故障诊断分类模型对燃气调压器进行故障诊断，得到故障类型；本申请构建了基于支持向量机的分类模型，对故障类型进行诊断，解决现有技术中存在的故障数据少，不能对故障类型进行高精度识别的问题，具有很好学习能力且能够解决数据小样本、非线性及高维度分类等问题。最后给出了计算机系统的实现方案。
Description
技术领域
本申请涉及燃气调压技术领域，尤其是涉及一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质。
背景技术
城镇燃气管道输配系统由接受站(或门站)、输配管网、储气设施、调压设施以及运行管理设施和监控系统等共同组成。其中，燃气调压装置在城市燃气供应系统中占有非常重要的地位，其运行的稳定性和可靠性对城市燃气供应影响巨大，直接影响到下游供气压力的稳定。
燃气公司在生产运行过程中为了保障供气安全，对各种压力级制的调压器制定了严格的检查、保养、维护管理和操作规程。这些管理措施的落实需要大量的人力物力资源消耗。由于存在过度保守的运行维护管理制度，以及对燃气调压器故障率和使用年限的相关统计规律资料欠缺，燃气公司在生产运营过程中，从备品备件到调压器整机更换都普遍存在较大的安全余量，使得生产运营成本居高不下。在此背景下，迫切需要进一步提高燃气管网和场站运行管理智能化水平，作为燃气输配系统的最重要关键设备的燃气调压器也需要实现在线故障诊断和安全预警。
SCADA数据采集系统(Supervisory Control And Data Acquisition)已经被广泛的应用于燃气输配系统进行燃气管网相关监测点信号的，可以对燃气管网系统的运行状态，进行不间断的监测，并对监测点的信号数据进行采集、存储、处理和分析等，方便对燃气管网运行状态的实时监测。但是SCADA系统不足之处在于大多只是通过简单的阈值设定进行故障警报，不能对故障类型进行识别。此外，燃气调压设备的故障诊断的研究现大多集中在针对燃气调压设备或者燃气调压设备关键部件建立模型等静态特性描述上，基于燃气调压设备的运行数据大多是企业机密，且大部分数据为正常数据，故障数据很少等原因，导致燃气调压设备的动态特性研究较少。
随着计算机和智能算法的快速发展，诸多学者把神经网络和专家系统方法运用到燃气调压器故障诊断中，用以弥补传统方法的不足。这些方法在一定程度上能有效地诊断燃气调压器故障，但仍存在一些不足，比如神经网络需要大量故障样本进行训练，并且神经网络建立的模型只可解决低维问题，对高维问题处理复杂，并且容易陷入局部极值，因而故障诊断效果达不到预期；专家系统则存在获取知识困难、知识不完整、适应性差等问题。
因此，亟需一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质，在小样本数据的基础上，实现故障类型的有效识别。
发明内容
针对现有技术的不足，本申请提供一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质，解决现有技术中存在的故障数据少，不能对故障类型进行识别的问题等问题。
为解决上述技术问题，第一方面，本申请提供一种燃气调压设备的智能化故障诊断方法，包括：
获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本；
利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练；
采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型；
利用优化的SVM故障诊断分类模型对燃气调压器进行故障诊断，得到故障类型。
可选的，所述获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本，包括：
利用公式
对故障数据特征向量进行归一化处理；
式中：x′i为归一化后的数据；xi为归一化处理前的数据；xmin，xmax为特征向量中的最小值和最大值，归一化后的数据x′i的取值范围为[-1 1]。
可选的，所述获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本，包括：
获取已知故障类型的燃气调压设备故障数据特征向量；
对故障数据特征向量进行降维处理，生成SVM的训练样本。
可选的，所述对故障数据特征向量进行降维处理，包括：
利用主元分析法、核主元分析法或主元分析法与线性判别法相结合的算法对故障数据特征向量进行降维处理。
可选的，利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练，包括：
利用SVM方法对训练样本进行训练，使用高斯径向基核函数K，建立SVM一对一故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练。
可选的，所述采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型，包括：
将训练样本交叉验证后的精准度作为适应度函数值，采用遗传算法对SVM进行寻找最佳因子C与g的计算。
可选的，所述方法还包括：
对故障数据特征向量进行降维处理，生成SVM的测试样本；
对生成的故障诊断分类模型进行检验，通过故障诊断分类模型输出的故障类型的预测结果，与测试故障样本中的故障类型对比，验证故障诊断分类模型诊断的准确率。
第二方面，本申请提供一种燃气调压设备的智能化故障诊断系统，包括：
获取单元，所述获取单元用于获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本；
模型训练单元，所述训练单元用于利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练；
模型优化单元，所述优化单元用于采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型；
故障诊断单元，所述故障诊断单元用于利用优化的SVM故障诊断分类模型对燃气调压器进行故障诊断，得到故障类型。
可选的，所述获取单元具体用于：
利用公式
对故障数据特征向量进行归一化处理；
式中：x′i为归一化后的数据；xi为归一化处理前的数据；xmin，xmax为特征向量中的最小值和最大值，归一化后的数据x′i的取值范围为[-1 1]。
可选的，所述获取单元具体用于：
获取已知故障类型的燃气调压设备故障数据特征向量；
对故障数据特征向量进行降维处理，生成SVM的训练样本。
可选的，所述模型训练单元具体用于：
利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM一对一故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练。
可选的，所述模型优化单元具体用于：
将训练样本交叉验证后的精准度作为适应度函数值，采用遗传算法对SVM进行寻找最佳因子C与g的计算。
可选的，所述系统还包括：
模型验证单元，所述模型验证单元用于对故障数据特征向量进行降维处理，生成SVM的测试样本；
对生成的故障诊断分类模型进行检验，通过故障诊断分类模型输出的故障类型的预测结果，与测试故障样本中的故障类型对比，验证故障诊断分类模型诊断的准确率。
第三方面，本申请提供一种燃气调压设备的智能化故障诊断终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的燃气调压设备的智能化故障诊断的方法。
第四方面，本申请提供了一种计算机存储介质，所述计算机可读写存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
与现有技术相比，本申请具有如下有益效果：
本申请构建基于了支持向量机(SVM)的分类模型，对故障类型进行诊断，解决现有技术中存在的故障数据少，不能对故障类型进行高精度识别的问题，具有很好的学习能力且能够解决数据小样本、非线性及高纬度分类等问题。最后给出了计算机系统的实现方案。
此外，基于本申请的燃气调压器智能化系统，能够实现燃气调压器运行状况的多参数连续自动监测、故障智能诊断、决策辅助智能化等功能，一方面大大提高燃气供应系统总体智能化水平和安全可靠性，另一方面优化生产运行管理方式，节约设备维护保养成本，是“智能燃气”建设提供必要的技术保障。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种燃气调压设备的智能化故障诊断方法的流程图；
图2为原始数据的SVM故障诊断前2次的结果；
图3为采用PCA降维后取累计贡献率为99％的数据的SVM故障诊断前2次的结果；
图4为采用PCA降维后取累计贡献率为85％的数据的SVM故障诊断前2次的结果；
图5为采用KPCA降维后取累计贡献率为99％的数据的SVM故障诊断前2次的结果；
图6为采用KPCA降维后取累计贡献率为85％的数据的SVM故障诊断前2次的结果；
图7为采用PCA+LDA降维后取累计贡献率为99％的数据的SVM故障诊断前2次的结果；
图8为采用PCA+LDA降降维后取累计贡献率为85％的数据的SVM故障诊断前2次的结果；
图9为SVM分类结构模型图；
图10为利用GA优化SVM参数(c&g)的算法流程图；
图11为GA适应度曲线；
图12为GA-SVM故障诊断结果；
图13为本申请实施例所提供的一种燃气调压设备的智能化故障诊断系统的结构示意图；
图14为本申请实施例所提供的一种终端的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种燃气调压设备的智能化故障诊断方法的流程图，该方法100包括：
S101：获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本；
S102：利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练；
S103：采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型；
S104：利用优化的SVM故障诊断分类模型对燃气调压器进行故障诊断，得到故障类型。
需要说明的是，燃气调压设备故障中，关闭压力高、用气高峰压力低、喘振故障被作为诊断的原型故障。考虑到正常状态作为一种诊断类型，则共有4种状态。喘振故障、用气高峰压力低、正常状态和关闭压力高4种状态对应的标签分别为F1,F2,F3,F4。采用二进制格式描述这4种故障模式，如表1所示。
表1故障模式分类
基于上述实施例，作为可选的实施例，所述步骤S101中获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本，包括：
利用公式
对故障数据特征向量进行归一化处理；
式中：x′i为归一化后的数据；xi为归一化处理前的数据；xmin，xmax为特征向量中的最小值和最大值，归一化后的数据x′i的取值范围为[-1 1]。
具体的，故障数据特征向量进行降维处理前，需对故障数据进行归一化处理。由于核函数依赖输入样本向量的内积，而每种类型故障类型的取值范围为[-2 2]，这样大的范围容易导致计算复杂，训练时间较长。为避免以上情况的发生，则需在对模型进行训练与分类诊断之前对其进行如下归一化处理。
基于上述实施例，作为可选的实施例，所述步骤S101获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本，包括：
获取已知故障类型的燃气调压设备故障数据特征向量；
对故障数据特征向量进行降维处理，生成SVM的训练样本。
基于上述实施例，作为可选的实施例，所述步骤S101中对故障数据特征向量进行降维处理，包括：
利用主元分析法、核主元分析法或主元分析法与线性判别法相结合的算法对故障数据特征向量进行降维处理。
具体的，获取已知故障类型的燃气调压设备故障数据特征向量的原始数据，原始数据为72组288维的数据，具体如下表2所示。其中，每类数据均具有72组样本数据，其中56组样本数据作为训练数据，16组样本数据作测试数据。
表2原始数据
| 样本编号 | 1维 | 2维 | 3维 | … | 288维 | 类型 |
| 1 | 2.46 | 2.745 | 2.412 | … | 2.412 | 3 |
| 2 | 2.079 | 2.222 | 2.222 | … | 2.381 | 3 |
| 3 | 2.609 | 2.673 | 2.562 | … | 2.542 | 3 |
| … | … | … | … | … | … | … |
| 72 | 2.428 | 2.65 | 2.46 | … | 2.333 | 3 |
对原始数据分别利用主元分析法、核主元分析法或主元分析法与线性判别法相结合的算法进行降维处理，共得到6组降维后的数据，包括原始数据共7类数据。
如图2所示，图2为72*288维的原始数据的SVM故障诊断前2次的结果，多次实验后得到SVM的故障诊断率为81.25％。
如图3所示，图3为采用PCA降维后取累计贡献率为99％的数据的SVM故障诊断前2次的结果，多次实验后得到SVM的故障诊断率为50％。
如图4所示，图4为采用PCA降维后取累计贡献率为85％的数据的SVM故障诊断前2次的结果，多次实验后得到SVM的故障诊断率为87.5％。
如图5所示，图5为采用KPCA降维后取累计贡献率为99％的数据的SVM故障诊断前2次的结果，多次实验后得到SVM的故障诊断率为62.5％。
如图6所示，图6为采用KPCA降维后取累计贡献率为85％的数据的SVM故障诊断前2次的结果，多次实验后得到SVM的故障诊断率为90％。
如图7所示，图7为采用PCA+LDA降维后取累计贡献率为99％的数据的SVM故障诊断前2次的结果，多次实验后得到SVM的故障诊断率为99％。
如图8所示，图8为采用PCA+LDA降降维后取累计贡献率为85％的数据的SVM故障诊断前2次的结果，多次实验后得到SVM的故障诊断率为93.75％。
如表3所示，表3为7类数据SVM故障诊断结果，通过对比SVM对7类数据的故障诊断结果，可以得出PCA结合LDA进行数据降维然后进行SVM分类的故障诊断效果最好；其次是KPCA与SVM结合的方法；和上述两种方法相比，PCA与SVM相结合进行故障识别效果较差，但是与原始数据直接进行SVM识别相比，经过PCA处理后再进行SVM识别的故障识别率有所提高，一定程度上说明PCA的数据降维处理对故障识别有帮助。LDA进行的有监督学习，能使同类数据更集中，不同类数据间隔更明显，便于数据分类，所以相对于其它两类降维方法，经过LDA降维处理的数据，不同类数据之间的界限更明显，便于SVM进行故障识别。
表3 7类数据SVM故障诊断结果
基于上述实施例，作为可选的实施例，所述步骤S102利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练，包括：
利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM一对一故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练。
需要说明的是，核函数的选择与相关向量机的性能表现有很强的相关性。选择不同的核函数对应了不同的非线性变换和特征空间，生成对应核函数类型的SVM分类器。本申请根据系统的样本数据特征，选择高斯径向基(RBF)核函数，主要是基于高斯径向基核函数对于小样本数据分类的良好性能，和其相关参数较少的特点。
需要说明的是，SVM本身是一个二值分类器，当处理多类问题时，需要构建合适的多类分类器，主要模型有两类，一对多模型和一对一模型。一对多模型在训练时依次把某一类的样本归为一类，其他剩余的样本归为另一类，F类样本就需要构造F个分类器。当对测试样本进行分类时，将测试样本分类为最大分类函数值的一类。一对一模型是在任意两类样本之间构造一个分类器，则F类样本需要构造F(F-1)/2个分类器。当对测试样本进行分类时，得票最多的类别即为该测试样本的类别。可以根据实际需要选用多类分类器的模型。
具体的，根据构建的多分类器对诊断精度、故障类别的要求，本申请选用“一对一”方法的SVM模型，主要是由于OAO分类模型精度高，拒绝分类区小，容易进行样本训练，且对于四种故障状态分类，只需要构造SVM二值分类器共
个，所需分类器数目不多，具体的SVM分类结构模型图如图9所示。采用投票的方法对样本数据进行分类诊断，每一个样本都需要经过6个SVM分类器进行判别，累计6个SVM分类器的分类结果，将得票最多的类别作为故障诊断结果。
基于上述实施例，作为可选的实施例，所述步骤S103采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型，包括：
将训练样本交叉验证后的精准度作为适应度函数值，采用遗传算法(GA)对SVM进行寻找最佳因子C与g的计算。
需要说明的是，SVM分类模型中的函数包括核函数、惩罚因子C、不敏感系数g、RBF中的核宽度epsilon等。C指C-SVC的惩罚参数C，默认值是1.0。C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。g指gamma是选择径向基函数作为核函数后，该函数自带的一个参数。gamma的物理意义指RBF的幅宽，它会影响每个支持向量对应的高斯的作用范围，从而影响泛化性能。如果gamma设的太大，σ会很小，σ很小的高斯分布长得又高又瘦，会造成只会作用于支持向量样本附近，对于未知样本分类效果很差，存在训练准确率可以很高，(如果让σ无穷小，则理论上，高斯核的SVM可以拟合任何非线性数据，但容易过拟合)而测试准确率不高的可能，就是通常说的过训练；而如果设的过小，则会造成平滑效应太大，无法在训练集上得到特别高的准确率，也会影响测试集的准确率。因此，本申请采用遗传算法对C,g进行参数寻优。
具体的，按图10的流程所示，用遗传算法对C,g进行参数寻优。
适应度函数即每次采用不同的C，g参数得到的不同的SVM故障识别率，识别率介于[0 1]，如表4所示，表4为遗传算法运行时的部分主要参数设置。
表4遗传算法GA寻优参数设置
| 参数 | 意义 | 值 |
| sizepop | 种群大小 | 20 |
| C | 惩罚因子 | [0 32] |
| g | 不敏感系数 | [0 32] |
| maxgen | 迭代次数 | 200 |
| ggap | 选择 | 0.9 |
| px | 交叉概率 | 0.9 |
| pm | 变异概率 | 0.001 |
本次测试采用72组288维的原始数据为实验数据。其中56组为训练数据，剩余16组为测试数据。寻优过程种群个数设置为100，C和g种群初始范围均为[0 32]。如图11所示，建立的基于支持向量机的故障诊断模型在训练集上的最大识别率为89.2857％，平均适应度集中在70％～80％之间，最优参数C为1.6784，最优参数g为0.096375。
将获得的优化参数带入SVM后进行故障识别，故障识别率如下图12所示，由图12的SVM分类结果可知，经过遗传算法寻优参数C，g后的SVM故障识别率为87.5％。
基于上述实施例，作为可选的实施例，所述方法100还包括：
对故障数据特征向量进行降维处理，生成SVM的测试样本；
对生成的故障诊断分类模型进行检验，通过故障诊断分类模型输出的故障类型的预测结果，与测试故障样本中的故障类型对比，验证故障诊断分类模型诊断的准确率。
请参考图13，图13为本申请实施例所提供的一种燃气调压设备的智能化故障诊断系统的结构示意图，该系统200，包括：
获取单元201，所述获取单元201用于获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本；
模型训练单元202，所述训练单元202用于利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练；
模型优化单元203，所述优化单元203用于采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型；
故障诊断单元204，所述故障诊断单元204用于利用优化的SVM故障诊断分类模型对燃气调压器进行故障诊断，得到故障类型。
基于上述实施例，作为可选的实施例，所述获取单元201具体用于：
利用公式
对故障数据特征向量进行归一化处理；
式中：x′i为归一化后的数据；xi为归一化处理前的数据；xmin，xmax为特征向量中的最小值和最大值，归一化后的数据x′i的取值范围为[-1 1]。
基于上述实施例，作为可选的实施例，所述获取单元201还具体用于：
获取已知故障类型的燃气调压设备故障数据特征向量；
对故障数据特征向量进行降维处理，生成SVM的训练样本。
基于上述实施例，作为可选的实施例，所述模型训练单元202具体用于：
利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM一对一故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练。
基于上述实施例，作为可选的实施例，所述模型优化单元203具体用于：
将训练样本交叉验证后的精准度作为适应度函数值，采用遗传算法对SVM进行寻找最佳因子C与g的计算。
基于上述实施例，作为可选的实施例，所述系统200还包括：
模型验证单元，所述模型验证单元用于对故障数据特征向量进行降维处理，生成SVM的测试样本；
对生成的故障诊断分类模型进行检验，通过故障诊断分类模型输出的故障类型的预测结果，与测试故障样本中的故障类型对比，验证故障诊断分类模型诊断的准确率。
请参考图14，图14为本申请实施例所提供的一种终端300的结构示意图，该终端系统300可以用于执行本发明实施例提供的燃气调压设备的智能化故障诊断方法。
其中，该终端系统300可以包括：处理器301、存储器302及通信单元303。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器302可以用于存储处理器301的执行指令，存储器302可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器302中的执行指令由处理器301执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器301为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器301可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元303，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本申请构建基于支持向量机(SVM)的分类模型，对故障类型进行诊断，解决现有技术中存在的故障数据少，不能对故障类型进行识别的问题，具有很好的学习能力且能够解决小样本、非线性及高纬度分类等问题。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种燃气调压设备的智能化故障诊断方法，其特征在于，包括：
获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本；
利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练；
采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型；
利用优化的SVM故障诊断分类模型对燃气调压器进行故障诊断，得到故障类型。
2.根据权利要求1所述的燃气调压设备的智能化故障诊断方法，其特征在于，所述获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本，包括：
利用公式
对故障数据特征向量进行归一化处理；
式中：x′i为归一化后的数据；xi为归一化处理前的数据；xmin，xmax为特征向量中的最小值和最大值，归一化后的数据x＇i的取值范围为[-1 1]。
3.根据权利要求1所述的燃气调压设备的智能化故障诊断方法，其特征在于，所述获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本，包括：
获取已知故障类型的燃气调压设备故障数据特征向量；
对故障数据特征向量进行降维处理，生成SVM的训练样本。
4.根据权利要求3所述的燃气调压设备的智能化故障诊断方法，其特征在于，所述对故障数据特征向量进行降维处理，包括：
利用主元分析法、核主元分析法或主元分析法与线性判别法相结合的算法对故障数据特征向量进行降维处理。
5.根据权利要求1所述的燃气调压设备的智能化故障诊断方法，其特征在于，利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练，包括：
利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM一对一故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练。
6.根据权利要求1所述的燃气调压设备的智能化故障诊断方法，其特征在于，所述采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型，包括：
将训练样本交叉验证后的精准度作为适应度函数值，采用遗传算法对SVM进行寻找最佳因子C与g的计算。
7.根据权利要求1所述的燃气调压设备的智能化故障诊断方法，其特征在于，所述方法还包括：
对故障数据特征向量进行降维处理，生成SVM的测试样本；
对生成的故障诊断分类模型进行检验，通过故障诊断分类模型输出的故障类型的预测结果，与测试故障样本中的故障类型对比，验证故障诊断分类模型诊断的准确率。
8.一种燃气调压设备的智能化故障诊断系统，其特征在于，包括：
获取单元，所述获取单元用于获取已知故障类型的燃气调压设备故障数据特征向量，作为SVM的训练样本；
模型训练单元，所述训练单元用于利用训练样本对SVM算法进行训练，使用高斯径向基核函数K，建立SVM故障诊断分类模型，其中，SVM故障诊断分类模型以故障数据为输入，故障类型为输出进行训练；
模型优化单元，所述优化单元用于采用遗传算法对SVM故障诊断分类模型的参数C与g进行优化，建立优化的SVM故障诊断分类模型；
故障诊断单元，所述故障诊断单元用于利用优化的SVM故障诊断分类模型对燃气调压器进行故障诊断，得到故障类型。
9.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-7任一项所述的方法。
10.一种存储有计算机程序的计算机可读写存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010041640.2A CN111291783A (zh) | 2020-01-15 | 2020-01-15 | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010041640.2A CN111291783A (zh) | 2020-01-15 | 2020-01-15 | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111291783A true CN111291783A (zh) | 2020-06-16 |
Family
ID=71026627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010041640.2A Pending CN111291783A (zh) | 2020-01-15 | 2020-01-15 | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291783A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111999088A (zh) * | 2020-08-29 | 2020-11-27 | 大连海事大学 | 一种船舶制冷系统故障诊断方法、装置及存储介质 |
| CN112036480A (zh) * | 2020-08-29 | 2020-12-04 | 大连海事大学 | 一种船舶制冷系统故障诊断方法、装置及存储介质 |
| CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
| CN112379659A (zh) * | 2020-11-12 | 2021-02-19 | 西安石油大学 | 一种石油钻机故障预测系统 |
| CN112632845A (zh) * | 2020-10-23 | 2021-04-09 | 西安交通大学 | 基于数据的小型反应堆在线故障诊断方法、介质及设备 |
| CN112699932A (zh) * | 2020-12-28 | 2021-04-23 | 北京航天测控技术有限公司 | 一种故障诊断方法及装置 |
| CN112819107A (zh) * | 2021-04-16 | 2021-05-18 | 四川九门科技股份有限公司 | 基于人工智能的燃气调压设备故障预测方法 |
| CN115169405A (zh) * | 2022-07-14 | 2022-10-11 | 北京威控科技股份有限公司 | 基于支持向量机的酒店客房设备故障诊断方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
| CN107132443A (zh) * | 2017-03-01 | 2017-09-05 | 大连理工大学 | 一种三电平statcom智能故障诊断方法 |
| US20180238951A1 (en) * | 2016-09-07 | 2018-08-23 | Jiangnan University | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter |
-
2020
- 2020-01-15 CN CN202010041640.2A patent/CN111291783A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573355A (zh) * | 2014-12-30 | 2015-04-29 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
| US20180238951A1 (en) * | 2016-09-07 | 2018-08-23 | Jiangnan University | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter |
| CN107132443A (zh) * | 2017-03-01 | 2017-09-05 | 大连理工大学 | 一种三电平statcom智能故障诊断方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111999088A (zh) * | 2020-08-29 | 2020-11-27 | 大连海事大学 | 一种船舶制冷系统故障诊断方法、装置及存储介质 |
| CN112036480A (zh) * | 2020-08-29 | 2020-12-04 | 大连海事大学 | 一种船舶制冷系统故障诊断方法、装置及存储介质 |
| CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
| CN112632845A (zh) * | 2020-10-23 | 2021-04-09 | 西安交通大学 | 基于数据的小型反应堆在线故障诊断方法、介质及设备 |
| CN112632845B (zh) * | 2020-10-23 | 2022-10-25 | 西安交通大学 | 基于数据的小型反应堆在线故障诊断方法、介质及设备 |
| CN112379659A (zh) * | 2020-11-12 | 2021-02-19 | 西安石油大学 | 一种石油钻机故障预测系统 |
| CN112699932A (zh) * | 2020-12-28 | 2021-04-23 | 北京航天测控技术有限公司 | 一种故障诊断方法及装置 |
| CN112819107A (zh) * | 2021-04-16 | 2021-05-18 | 四川九门科技股份有限公司 | 基于人工智能的燃气调压设备故障预测方法 |
| CN112819107B (zh) * | 2021-04-16 | 2021-07-02 | 四川九门科技股份有限公司 | 基于人工智能的燃气调压设备故障预测方法 |
| CN115169405A (zh) * | 2022-07-14 | 2022-10-11 | 北京威控科技股份有限公司 | 基于支持向量机的酒店客房设备故障诊断方法及系统 |
| CN115169405B (zh) * | 2022-07-14 | 2024-02-02 | 北京威控科技股份有限公司 | 基于支持向量机的酒店客房设备故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291783A (zh) | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 | |
| CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
| Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
| US20160369777A1 (en) | System and method for detecting anomaly conditions of sensor attached devices | |
| Lanubile et al. | Comparing models for identifying fault-prone software components. | |
| US11860608B2 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
| CN112819107B (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
| CN112767106B (zh) | 自动化审计方法、系统、计算机可读存储介质及审计设备 | |
| CN114298176A (zh) | 一种欺诈用户检测方法、装置、介质及电子设备 | |
| JP2009266223A (ja) | 診断アルゴリズムのベンチマーク検査方法 | |
| CN111191725A (zh) | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 | |
| CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
| CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN114997342B (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
| Balasubramaniam | Fault detection and diagnosis in air handling units with a novel integrated decision tree algorithm | |
| CN115081673A (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| Challagulla et al. | A unified framework for defect data analysis using the mbr technique | |
| Monroy et al. | Enhanced plant fault diagnosis based on the characterization of transient stages | |
| CN112668415A (zh) | 一种飞机发动机故障预测方法 | |
| CN112329862A (zh) | 基于决策树的反洗钱方法及系统 | |
| CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
| Pisica et al. | Feature selection filter for classification of power system operating states | |
| CN110874652A (zh) | 一种设备状态评价方法、装置、设备及系统 | |
| CN113722239B (zh) | 机载嵌入式软件质量检测方法、装置、介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |