CN111474475A - 一种电机故障诊断系统及方法 - Google Patents

Abstract

本发明公开了一种电机故障诊断系统及其实现方法，所述系统包括数据采集模块，使电机以规定的运转模式运转，测定所述电机的振动信号而输出标定数据，在所述电机运转后，再次以所述规定的运转模式运转；信号处理模块，对降噪后的信号进行时域分析得到时域指标，并构造特征矩阵；训练模块，使用所述标定数据作为练习数据，生成一类支持向量机法的映射空间的正常区域；使用所述测试数据作为追加的标定数据，使用二分类支持向量机法构造若干二分类器生成新的映射空间的异常区域；数据存储模块，存储所述映射空间的所述正常和异常区域；诊断模块，对电机进行诊断。本发明可以实现对电机正常与否的诊断，识别电机故障类型，预测电机故障的时期。

Description

一种电机故障诊断系统及方法

技术领域

本发明属于电机故障诊断领域，具体涉及一种电机故障诊断系统及方法。

背景技术

电机因为具有结构简单、制造方便、可靠性高等优点已经在工农业生产和人们日常生活 等领域中得到广泛的应用，是生产和生活这些领域中主要的原动力和驱动设备,因此电机是否 能够正常运行对于各领域生产制造过程中的安全、高效、稳定运行有着非常重大的意义，在 实际运行过程中电机的工作环境相对来说都比较恶劣，容易受到各种因素的影响比如电气、 机械和化学等，所以电机极易发生故障,如果能够及时发现电机早期故障，并对故障进行诊断 和维修,则能够保证生产系统的正常运行，而且还会延长电机的使用寿命。

专利名称为种基于温度信号分析的电机故障诊断系统及其诊断方法(申请号：CN201811412870.4)公开了一种基于温度信号分析的电机故障诊断系统，所述电机故障诊断 系统包括第一温度传感器、第二温度传感器、A/D转换单元、控制处理单元、存储单元、显示单元、按键输入单元、报警单元和通信单元；所述电机故障诊断系统根据采集的温度信息判 断所述电机的工作环境是否异常、工作状态是否异常,当出现异常时能够及时发出报警，并通 过所述通信单元上传至监控中心。该发明提供一种基于温度信号分析的电机故障诊断系统和 诊断方法，但该诊断系统不能实现对学习新的故障类型，对新故障进行分类，也不能根据以 往的测试数据预测电机的故障发生时期。

专利名称为电机故障诊断方法及系统(申请号：201811590223.2)公开了一种电机故障 诊断方法及系统，以及时发现电机运行的异常情况并进行故障诊断，但该诊断系统不能实现 对学习新的故障类型，对新故障进行分类，也不能根据以往的测试数据预测电机的故障发生 时期。

传统的电机故障诊断系统只能诊断电机是否故障，无法区别出故障类型，也不能学习新 的故障类型，对新故障进行分类；另一方面，传统的电机故障诊断系统只能进行故障诊断， 不能根据以往的测试数据预测电机的故障发生时期。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种电机故障诊断系统及其实现 方法，能够对故障类型进行区分，学习新的故障类型，进而对新故障进行分类，而且可以根 据以往的测试数据预测电机的故障发生时期。

本发明至少通过如下技术方案之一实现。

一种电机故障诊断系统，包括：

数据采集模块，一边使电机以规定的运转模式运转，一边测定所述电机的振动信号而输 出标定数据至信号处理模块，在所述电机运转后，一边使所述电机再次以所述规定的运转模 式运转，一边测定所述电机的振动信号而输出测试数据至信号处理模块；

信号处理模块，对数据采集模块采集的数据进行降噪处理，对降噪后的信号进行时域分 析得到时域指标，并构造特征矩阵；

训练模块，使用经信号处理模块处理后的标定数据作为训练一类支持向量机法(Support Vector Machine,SVM)的训练样本，将生成一类支持向量机法的映射空间的正常区域存储到 数据存储模块；使用经信号处理模块处理后的测试数据作为追加的标定数据，使用二分类支 持向量机法构造若干二分类器生成新的映射空间的异常区域存储到数据存储模块；

数据存储模块，存储训练模块所述映射空间的所述正常区域和异常区域；

诊断模块，所述诊断模块将电机运转新增加的数据与数据储存模块的数据作对比，运用 一类支持向量机法和若干二分类器进行诊断。

进一步地，所述降噪处理方法为奇异值分解。

进一步地，所述时域指标为能量、峭度、均方值。

进一步地，一类支持向量机法训练过程包括以下几步：

(1)规范化特征矩阵T＝[t₁,…,t_P]^T的列向量成零均值单位方差，其中P为训练样本，t₁～t_P为时域特征；

(2)基于特征矩阵T训练一类SVM模型：

其中，β＝[β₁,...,β_P]^T为优化权值向量，β₁～β_P为优化权值系数，通过求解式(1)得到 β₁～β_P的值；

约束条件为：

b∈[1,P]，其中v∈{0,1}，参数v表示置信水平；

式(1)中，H_bc＝K(t_b,t_c)为核函数，t_b、t_c∈T，c∈[1，P]，t_b、t_c均为目标向量，T为特征矩阵，核函数选择径向基核函数为

其中，σ为标准差；

(3)计算偏移量b：

其中：t_z为松弛因子ξ_z＝0对应的支持向量，t_z的个数为n_s，t_c表示目标向量，β_c为优化 权值系数，

设定置信水平v，验证数据组T1＝[t₁',…,t_P1']^T，其中P1为 验证数据数，t₁'～t_P1'为时域特征，然后根据验证数据组计算测量统计值F(t)，

其中，

β_z为优化权值系数，将F(t)按从大到小的顺序排列，取第 v×P1个测量统计值F(t)的值为阈值J_th；

进一步地，当新样本tt到来时，使用一类支持向量机法诊断故障的过程包括以下步骤：

1)根据tt的均值和方差规范化新的样本得到样本t'，t'为新样本的时域特征向量；

2)计算距离检测量：

其中，

3)按照下述逻辑判断是否发生故障：如果F₁(t)＞J_th，则系统发生故障；否则，系统工 作正常。

进一步地，所述诊断模块在所述测试数据包含于所述正常区域的情况下，将所述电机诊 断为正常，在所述测试数据不包含于所述正常区域的情况下，将所述电机诊断为异常。

进一步地，所述测试数据包括所述数据采集模块在电机以规定的运转模式运转的不同时 期进行若干次采集的数据，所述诊断模块基于所述测试数据的所述映射空间的位置的历时变 化，将所述测试数据从所述正常区域脱离的时期预测作为所述电机的故障发生时期。

进一步地，所述若干二分类器用于对数据进行诊断，当新测试数据集到来时，若干二分 类器诊断故障的过程包括以下步骤：

(1)测试数据集(x_d',y_d'),d＝1,2,…,L,x_d'∈Rn为输入数据，L为二分类SVM训练样本 数，Rⁿ为实数集，y_d'＝{-1,+1}为输出类别；

(2)二分类SVM模型为：

约束条件为：

其中v'∈{0,1}，参数v＇表示置信水平，β_d'为优化 权值系数；

式(2)中，函数选择径向基核函数为

其中g∈[1,L]，σ为标准差；

(3)计算偏移量b’：

其中：x_f'为二分类SVM法的支持向量，x_f'的个数为n_l，x_g'表示二分类SVM法的目标向量，β_g'为优化权值系数，

(4)将测试数据集(x_d',y_d')代入式(2)中，计算f(x_d',y_d')的值，将f(x_d',y_d')＝+1的 数据分为一类故障，将f(x_d',y_d')＝-1的数据分为另一类故障。

进一步地，在进行二分类支持向量机法故障诊断时，先将异常测试数据输入第一分类器 (SVM1)，若判别式输出为1，则判定测试数据属于故障1，分类结束；判别式输出为-1，则 将异常测试数据输入给第二分类器(SVM2)，进行上述判断，以此类推，直到分类结束。若 最终输出为-1，则说明测试样本所属类别不在这k类故障之中。

所述的电机故障诊断系统的诊断方法，包括以下步骤：

S1、标定工序，数据采集模块一边使电机以规定的运转模式运转，一边测定所述电机的 振动信号取得标定数据，并将标定数据传输至信号处理模块；

S2、信号处理工序，信号处理模块对采集的数据进行降噪处理，对降噪后的信号进行时 域分析得到时域指标，并构造特征矩阵；

S3、测试工序，在所述电机的运转后，一边使所述电机再次以所述规定的运转模式运转， 一边测定电机振动信号而取得测试数据，使用所述信号处理工序对测试数据进行信号处理， 构造特征矩阵；

S4、生成工序，使用所述标定数据作为练习数据，而生成一类支持向量机法的映射空间 的正常区域；使用所述测试数据作为追加的标定数据，使用二分类支持向量机法构造若干二 分类器生成新的映射空间的异常区域；将正常区域和异常区域存储到数据存储模块；

S5、诊断工序，诊断模块将电机运转新增加的数据与数据储存模块的数据进行诊断，具 体的，先用一类支持向量机法区分正常数据和异常数据，再用二分类支持向量机法对新增加 的异常数据进行分类，一类支持向量机法能够预测电机的寿命。

与现有的技术相比，本发明的有益效果为：

根据本发明的电机故障诊断系统及其实现方法，可以实现对电机正常与否的诊断，识别 电机故障类型，预测电机故障的时期。

附图说明

图1是本实施例的直驱电机故障诊断系统的流程图；

图2是本实施例无故障直驱电机振动信号形成振动信号数据库的过程示意图；

图3是本实施例使用的一类SVM法的诊断流程的框图；

图4是本实施例基于诊断结果的故障时期预测的示意图；

图5是本实施例使用的二分类SVM法的故障诊断流程框图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，一种电机故障诊断系统，包括：

数据采集模块，一边使电机以规定的运转模式运转，一边测定所述电机的振动信号而输 出标定数据至信号处理模块，在所述电机运转后，一边使所述电机再次以所述规定的运转模 式运转，一边测定所述电机的振动信号而输出测试数据至信号处理模块；

信号处理模块，对数据采集模块采集的数据进行降噪处理，对降噪后的信号进行时域分 析得到时域指标，并构造特征矩阵；

训练模块，使用经信号处理模块处理后的标定数据作为练习数据，生成一类支持向量机 法的映射空间的正常区域存储到数据存储模块；使用经信号处理模块处理后的测试数据作为 追加的标定数据，使用二分类支持向量机法构造若干二分类器生成新的映射空间的异常区域 存储到数据存储模块；

数据存储模块，存储训练模块所述映射空间的所述正常和异常区域；

诊断模块，基于经信号处理模块处理后的测试数据是否包含于支持向量机法的所述映射 空间的所述区域，对电机进行诊断。具体的，诊断模块将电机运转新增加的数据(该数据经 信号处理模块处理)与数据储存模块的数据进行诊断，先用一类支持向量机法区分正常数据 和异常数据，其中若数据包含于正常区域内，电机被诊断为正常，否则电机被诊断为异常。 再用二分类支持向量机法对新增加的异常数据进行分类，一类支持向量机法能够预测电机的 寿命。

所述信号处理模块所用降噪处理其中一种算法为奇异值分解，SVD(奇异值分解)降噪 的步骤为：

(1)根据数据采集模块输出的测试数据X₁＝[x(1),x(2),…,x(N)]，x(1)～x(N)为振动加速度 信号，构造汉克尔矩阵(Hankel Matrix)A：

A为m×n阶矩阵，N为数据长度，当数据长度N为奇数时，m＝(N+1)/2，n＝(N+1)/2，当 数据长度N为偶数时，m＝N/2，n＝N/2+1；

(2)对矩阵A进行奇异值分解，将奇异值降序排列

A＝USV^T

其中U＝[u₁,...,u_m]∈R^m×m和V＝[v₁,...,v_m]∈R^n×n(R^mxm、R^nxn均为实数集)为单位正交矩阵， 其中u_i∈R^m×1,v_i∈R^n×1(i∈[1,m])且满足

和

S为 对角阵，S∈R^m×n,可表示为S＝[diag(σ₁,σ₂,...,σ_q)O]或者其转置，O表示零矩阵，q＝min(m,n)； σ₁,σ₂,…,σ_q为矩阵A的奇异值，且有σ₁≥σ₂≥…≥σ_q≥0。

SVD分解的精简形式为

(σ_i表示矩阵A的奇异值)；

(3)定义累计贡献率L_k，

(σ_a,σ_j表示矩阵A的奇异值)，选择累积贡献率L_k大于某一确定值的前k个奇异值进行 重构其他特征值置O，并且重构出矩阵A′，

(4)从矩阵A′重构出信号X’。

信号降噪后再进行时域分析，得到时域指标，为了较好的描述信号的突变情况，选用能 量、峭度、均方值作为时域指标。

所述训练模块中的一类支持向量机法(一类SVM)法，能够进行使用正常时的直驱电机 的标定数据、即正常数据作为训练数据的机器学习。因此无需将直驱电机破坏而取得异常数 据。

一类SVM法训练过程包括以下几步：

(1)规范化特征矩阵T＝[t₁,…,t_P]^T的列向量成零均值单位方差，其中P为训练样本，t₁～t_P为时域特征。

(2)基于特征矩阵T训练一类SVM模型：

其中，β＝[β₁,...,β_P]^T为优化权值向量，β₁～β_P为优化权值系数，通过求解式(1)得到 β₁～β_P的值；

约束条件为：

b∈[1,P]，其中v∈{0,1}，参数v表示置信水平；

式(1)中，H_bc＝K(t_b,t_c)为核函数，t_b、t_c∈T，c∈[1，P]，t_b、t_c均为目标向量，T为 特征矩阵，核函数选择径向基核函数为

其中，σ为标准差；

(3)计算偏移量b：

其中：t_z为松弛因子ξ_z＝0对应的支持向量，t_z的个数为n_s，t_c表示目标向量，β_c为优化 权值系数，

设定置信水平v，验证数据组T1＝[t₁',…,t_P1']^T，其中

P1为验证数据数，t₁'～t_P1'为时域特征，然后根据验证数据组计算测量统计值F(t)，

其中，

β_z为优化权值系数，将F(t)按从大到小的顺序排列，取第 v×P1个测量统计值F(t)的值为阈值J_th；

当新样本tt到来时，使用一类支持向量机法诊断故障的过程包括以下步骤：

1)根据tt的均值和方差规范化新的样本得到样本t'，t'为新样本的时域特征向量。

2)计算距离检测量：

其中，

3)按照下述逻辑判断是否发生故障：如果F₁(t)＞J_th，则系统发生故障；否则，系统工 作正常。

图2示出了无故障直驱电机振动信号形成振动信号数据库的过程。首先对直驱电机振动 信号进行降噪处理，接着进行时域分析得到时域指标，进而构造特征矩阵，将特征矩阵输入 到一类SVM法进行训练，最后得到振动信号数据库。

如图3所示，在诊断时，先将测试数据进行降噪处理，除去信号中的噪声频段，紧着判 断测试数据是否包含于数据储存模块中的一类支持向量机法的映射空间的正常区域，具体而 言，向上述SVM识别器输入测试数据而运算诊断结果F(t)的值。

并且，基于诊断结果F(t)的值，进行直驱电机的诊断。若诊断结果F(t)＜J_th，则该测试 数据是与标定数据相同种类的模式，即包含于正常区域内。这种情况下，直驱电机被诊断为 正常。

相对于此，若诊断结果F(t)＞J_th，则该测试数据是与标定数据不同的种类的模式，即不 包含于正常区域内。这种情况下，直驱电机被诊断为异常。

图4是基于诊断结果的故障时期预测的说明图，横轴表示时间，纵轴表示阈值J_th减去一 类SVM识别器的诊断结果F(t)的值。

图4的折线I是利用实线将向一类SVM识别器输入从直驱电机的初始状态t0到当前t1 的多次的测试数据时J_th-F(t)的值标绘连结而形成的。如折线I所示，在直至当前t1为止， 标绘的折线包含于诊断结果F(t)＜J_th的正常区域。

需要说明的是，测试数据的取得间隔可以取任意的时间，而且，取得间隔可以是一定间 隔，也可以是不定期。各个标绘的值随着时间的经过而处于减少倾向，当延长该倾向时，如 虚线II所示，在时间t2的时刻预测为诊断结果F(t)＞J_th。

需要说明的是，预测可以是基于折线I的外插法，也可以采用其他的任意适合的方法。

这样，可以将由于诊断结果的时间推移而测试数据从正常区域脱离的时期预测作为直驱 电机的故障发生时期。这种情况下，时间t2被预测为直驱电机的故障发生时期。因此，可知 在时间t2之前，需要采取检修等对策。

图5是二分类SVM法的故障诊断流程图，使用测试数据作为追加的标定数据，使用二 分类支持向量机法构造多个二分类器生成新的映射空间的异常区域。

需要说明的是，由测试数据的追加产生的最新的正常数据库的更新可以定期进行，也可 以不定期进行。

当新测试数据集到来时，使用二分类支持向量机法诊断故障的过程包括以下步骤：

(1)测试数据集(x_d',y_d'),d＝1,2,…,L,x_d'∈Rn为输入数据，L为二分类SVM训练样本 数，Rⁿ为实数集，y_d'＝{-1,+1}为输出类别；

(2)二分类SVM模型为：

约束条件为：

其中v'∈{0,1}，参数v＇表示置信水平，β_d'为优化 权值系数；

式(2)中，函数选择径向基核函数为

其中g∈[1,L]，σ为标准差；

(3)计算偏移量b’：

其中：x_f'为二分类SVM法的支持向量，x_f'的个数为n_l，x_g'表示二分类SVM法的目标向量，β_g'为优化权值系数，

(4)将测试数据集(x_d',y_d')代入式(2)中，计算f(x_d',y_d')的值，将f(x_d',y_d')＝+1的 数据分为一类故障，将f(x_d',y_d')＝-1的数据分为另一类故障。

诊断模块在进行故障诊断时，先将异常测试数据输入第一分类器1(SVM1)，若判别式 输出为1，则判定测试数据属于故障1，分类结束；否则输入给第二分类器2(SVM2)，若判别式输出为1，则判定测试数据属于故障2，以此类推，直到分类结束。若最终输出为-1，则说明测试样本所属类别不在这k类故障之中。

上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何 未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换 方式,都包含在本发明的保护范围之内。

Claims (10)

1.一种电机故障诊断系统，其特征在于，包括：

数据采集模块，一边使电机以规定的运转模式运转，一边测定所述电机的振动信号而输出标定数据至信号处理模块，在所述电机运转后，一边使所述电机再次以所述规定的运转模式运转，一边测定所述电机的振动信号而输出测试数据至信号处理模块；

信号处理模块，对数据采集模块采集的数据进行降噪处理，对降噪后的信号进行时域分析得到时域指标，并构造特征矩阵；

训练模块，使用经信号处理模块处理后的标定数据作为训练一类支持向量机法(Support Vector Machine,SVM)的训练样本，将生成一类支持向量机法的映射空间的正常区域存储到数据存储模块；使用经信号处理模块处理后的测试数据作为追加的标定数据，使用二分类支持向量机法构造若干二分类器生成新的映射空间的异常区域存储到数据存储模块；

数据存储模块，存储训练模块所述映射空间的所述正常区域和异常区域；

诊断模块，所述诊断模块将电机运转新增加的数据与数据储存模块的数据作对比，运用一类支持向量机法和若干二分类器进行诊断。

2.根据权利要求1所述的电机故障诊断系统，其特征在于，所述降噪处理方法为奇异值分解。

3.根据权利要求1所述的电机故障诊断系统，其特征在于，所述时域指标为能量、峭度、均方值。

4.根据权利要求1所述的电机故障诊断系统，其特征在于，一类支持向量机法训练过程包括以下几步：

(1)规范化特征矩阵T＝[t₁,…,t_P]^T的列向量成零均值单位方差，其中P为训练样本，t₁～t_P为时域特征；

(2)基于特征矩阵T训练一类SVM模型：

其中，β＝[β₁,…,β_P]^T为优化权值向量，β₁～β_P为优化权值系数，通过求解式(1)得到β₁～β_P的值；

约束条件为：

b∈[1,P]，其中v∈{0,1}，参数v表示置信水平；

式(1)中，H_bc＝K(t_b,t_c)为核函数，t_b、t_c∈T，c∈[1，P]，t_b、t_c均为目标向量，T为特征矩阵，核函数选择径向基核函数为

其中，σ为标准差；

(3)计算偏移量b：

其中：t_z为松弛因子ξ_z＝0对应的支持向量，t_z的个数为n_s，t_c表示目标向量，β_c为优化权值系数，

设定置信水平v，验证数据组T1＝[t₁',…,t_P1']^T，其中P1为验证数据数，t₁'～t_P1'为时域特征，然后根据验证数据组计算测量统计值F(t)，

cc∈[1,P1]

其中，

β_z为优化权值系数，将F(t)按从大到小的顺序排列，取第v×P1个测量统计值F(t)的值为阈值J_th。

5.根据权利要求1所述的电机故障诊断系统，其特征在于，当新样本tt到来时，使用一类支持向量机法诊断故障的过程包括以下步骤：

1)根据tt的均值和方差规范化新的样本得到样本t'，t'为新样本的时域特征向量；

2)计算距离检测量：

其中，

3)按照下述逻辑判断是否发生故障：如果F₁(t)＞J_th，则系统发生故障；否则，系统工作正常。

6.根据权利要求1所述的电机故障诊断系统，其特征在于，所述诊断模块在所述测试数据包含于所述正常区域的情况下，将所述电机诊断为正常，在所述测试数据不包含于所述正常区域的情况下，将所述电机诊断为异常。

7.根据权利要求1所述的电机故障诊断系统，其特征在于，所述测试数据包括所述数据采集模块在电机以规定的运转模式运转的不同时期进行若干次采集的数据，所述诊断模块基于所述测试数据的所述映射空间的位置的历时变化，将所述测试数据从所述正常区域脱离的时期预测作为所述电机的故障发生时期。

8.根据权利要求1所述的电机故障诊断系统，其特征在于，所述若干二分类器用于对数据进行诊断，当新测试数据集到来时，若干二分类器诊断故障的过程包括以下步骤：

(1)测试数据集(x_d',y_d'),d＝1,2,…,L,x_d'∈Rⁿ为输入数据，L为二分类SVM训练样本数，Rⁿ为实数集，y_d'＝{-1,+1}为输出类别；

(2)二分类SVM模型为：

约束条件为：

其中v'∈{0,1}，参数v＇表示置信水平，β_d'为优化权值系数；

式(2)中，函数选择径向基核函数为

其中g∈[1,L]，σ为标准差；

(3)计算偏移量b’：

其中：x_f'为二分类SVM法的支持向量，x_f'的个数为n_l，x_g'表示二分类SVM法的目标向量，β_g'为优化权值系数，

(4)将测试数据集(x_d',y_d')代入式(2)中，计算f(x_d',y_d')的值，将f(x_d',y_d')＝+1的数据分为一类故障，将f(x_d',y_d')＝-1的数据分为另一类故障。

9.根据权利要求8所述的电机故障诊断系统，其特征在于，在进行二分类支持向量机法故障诊断时，先将异常测试数据输入第一分类器(SVM1)，若判别式输出为1，则判定测试数据属于故障1，分类结束；判别式输出为-1，则将异常测试数据输入给第二分类器(SVM2)，进行上述判断，以此类推，直到分类结束；若最终输出为-1，则说明测试样本所属类别不在这k类故障之中。

10.权利要求1所述的电机故障诊断系统的诊断方法，其特征在于，包括以下步骤：

S1、标定工序，数据采集模块一边使电机以规定的运转模式运转，一边测定所述电机的振动信号取得标定数据，并将标定数据传输至信号处理模块；

S2、信号处理工序，信号处理模块对采集的数据进行降噪处理，对降噪后的信号进行时域分析得到时域指标，并构造特征矩阵；

S3、测试工序，在所述电机的运转后，一边使所述电机再次以所述规定的运转模式运转，一边测定电机振动信号而取得测试数据，使用所述信号处理工序对测试数据进行信号处理，构造特征矩阵；

S4、生成工序，使用所述标定数据作为练习数据，而生成一类支持向量机法的映射空间的正常区域；使用所述测试数据作为追加的标定数据，使用二分类支持向量机法构造若干二分类器生成新的映射空间的异常区域；将正常区域和异常区域存储到数据存储模块；

S5、诊断工序，诊断模块将电机运转新增加的数据与数据储存模块的数据进行诊断，具体的，先用一类支持向量机法区分正常数据和异常数据，再用二分类支持向量机法对新增加的异常数据进行分类，一类支持向量机法能够预测电机的寿命。

Images