CN102706573A - 一种设备的故障分类诊断方法 - Google Patents

一种设备的故障分类诊断方法 Download PDF

Info

Publication number
CN102706573A
CN102706573A CN2012100691763A CN201210069176A CN102706573A CN 102706573 A CN102706573 A CN 102706573A CN 2012100691763 A CN2012100691763 A CN 2012100691763A CN 201210069176 A CN201210069176 A CN 201210069176A CN 102706573 A CN102706573 A CN 102706573A
Authority
CN
China
Prior art keywords
vector machine
square method
supporting vector
method supporting
compound
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
Application number
CN2012100691763A
Other languages
English (en)
Inventor
陈勇旗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN2012100691763A priority Critical patent/CN102706573A/zh
Publication of CN102706573A publication Critical patent/CN102706573A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种设备的故障分类诊断方法，其特征在于包括以下步骤：构建特征加权最小二乘支持向量机的分类器模型；构建复合型特征加权最小二乘支持向量机的分类器模型；构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数；将设备的故障训练样本输入，对复合型特征加权最小二乘支持向量机的分类器模型进行训练；将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的分类器模型中进行故障分类诊断；优点是提高了设备的故障分类准确度和故障诊断精度。

Description

一种设备的故障分类诊断方法
技术领域
本发明涉及一种设备的故障诊断方法，尤其是涉及一种设备的故障分类诊断方法。
背景技术
90年代后期，Vapnik在统计学习理论的基础上提出了支持向量机的机器学习方法。支持向量机在解决小样本问题的同时，又能解决神经网络算法中难以克服的高维问题和局部极值问题，目前已在设备故障诊断领域取得了一定成果。Vapnik提出的支持向量机在训练过程中认为训练样本中各个数据样本的重要性是相同的，但在实际应用中，各个数据样本的重要程度是不同的，特别是在训练样本存在噪声的情况下，如果不考虑各个数据样本对训练过程的不同重要性，在训练过程中将很容易出现过拟合现象。为解决上述问题，Chun-Fu Lin和Sheng-De Wang提出了模糊支持向量机方法，模糊支持向量机引入了模糊隶属度的概念对各个数据样本的重要性进行了区分，在训练过程中根据各个数据样本的重要性赋予其相应的隶属度值，隶属度值的大小决定该数据样本相应的重要性。模糊支持向量机在一定程度上抑制了噪声和故障点对训练过程的影响，提高了故障分类和拟合的精度，目前已在设备故障诊断领域逐步取代支持向量机。模糊支持向量机虽然认为各个数据样本在训练过程中的重要性不同，但是却默认各个数据样本本身的各个不同特征对支持向量机的性能的贡献都是相等。然而当模糊支持向量机应用于设备的故障诊断领域时，训练样本中的各个数据样本的特征属性种类较多，数据样本的某些特征指标在故障分类中占据主要地位，而某些特征指标可能是冗余指标，如果将各个数据样本的各种特征属性的重要程度视为相同，那么在故障诊断过程中，故障的分类准确度将会降低，从而对故障诊断的精度造成不良影响。
发明内容
本发明所要解决的技术问题是提供一种分类准确度高，诊断精度高的设备的故障分类诊断方法。
本发明解决上述技术问题所采用的技术方案为：一种设备的故障分类诊断方法，包
括以下步骤：
（1）构建特征加权最小二乘支持向量机的分类器模型；
（2）构建复合型特征加权最小二乘支持向量机的分类器模型；
（3）构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数；
（4）将设备的故障训练样本输入，对复合型特征加权最小二乘支持向量机的分类
器模型进行训练；
（5）将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的
分类器模型中进行故障分类诊断。
所述的步骤（1）中的特征加权最小二乘支持向量机的分类器模型的构建过程为：
（1）构建最小二乘支持向量机的分类器模型：首先设定                                                
Figure DEST_PATH_IMAGE001
个训练样本 
Figure 412033DEST_PATH_IMAGE002
，
x i为第i个输入数据，，
Figure 314130DEST_PATH_IMAGE004
表示x i所在的输入空间，d表示空间维数,
Figure DEST_PATH_IMAGE005
表示输入数据x i相对应的类别，，表示训练样本从输入空间
Figure 211865DEST_PATH_IMAGE004
到高维特征空间的非线性映射，通过将训练样本从输入空间
Figure 825566DEST_PATH_IMAGE008
映射到高维特征空间，在高维特征空间最小二乘支持向量机的分类问题表述的函数式为:
             
Figure DEST_PATH_IMAGE009
             s.t.
Figure 539444DEST_PATH_IMAGE010
其中min表示求最小值，w表示高维特征空间的权值向量，b表示偏置系数，c 表示惩罚系数，
Figure DEST_PATH_IMAGE011
表示松弛变量，
Figure 647077DEST_PATH_IMAGE012
表示错分的程度，上标T表示转制运算，s.t.表示约束条件；然后引入拉格朗日函数，得到拉格朗日函数的最小值的表达函数式为：
其中
Figure 158131DEST_PATH_IMAGE014
是拉格朗日乘子，
Figure DEST_PATH_IMAGE015
对应的为支持向量，使L对w、b、
Figure 857283DEST_PATH_IMAGE011
、
Figure 186633DEST_PATH_IMAGE014
的偏导数等于零，同时引入核函数
Figure DEST_PATH_IMAGE017
（i =1，2，3，…n；j=1，2，3，…n），计算出
Figure 182271DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
的具体结果，根据
Figure 913466DEST_PATH_IMAGE018
和的结果，得到最小二乘支持向量机的分类决策函数为，即构建了最小二乘支持向量机的分类器模型；
（2）在最小二乘支持向量机的分类器模型的基础上构建特征加权最小二乘支持向量机的分类器模型：首先设置样本特征权值参数为，p=1，2，3，…，m，
Figure 788384DEST_PATH_IMAGE022
，为特征序号，在此基础上构造特征权值矩阵
Figure 439333DEST_PATH_IMAGE024
，利用特征权值矩阵改进最小二乘支持向量机，使权值越小的特征对非线性映射函数和核函数的计算影响越小，改进后的最小二乘支持向量机的分类问题可表述为函数式：
Figure DEST_PATH_IMAGE025
        
s.t. 
Figure 665915DEST_PATH_IMAGE026
  
其中
Figure DEST_PATH_IMAGE027
，
Figure 969857DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，， 
Figure DEST_PATH_IMAGE031
，
Figure 13086DEST_PATH_IMAGE032
，然后通过拉格朗日乘子法进行优化，同时引入核函数，计算可得到如下矩阵等式：
Figure DEST_PATH_IMAGE033
s.t. ，
Figure 201807DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
,
Figure 611448DEST_PATH_IMAGE036
其中，高斯核函数为：
Figure DEST_PATH_IMAGE037
，其中σ表示高斯核函数的径向宽度参数，得到特征加权最小二乘支持向量机的分类决策函数为： ，即构建了特征加权最小二乘支持向量机的分类器模型。
所述的步骤（2）中的复合型特征加权最小二乘支持向量机的分类器模型是在特征
加权最小二乘支持向量机的分类器模型的基础上，以特征加权最小二乘支持向量机的分类准确率作为适应度函数，通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择，获取最优权值向量，再将最优权值向量带入特征加权最小二乘支持向量机的分类器模型，得到复合型特征加权最小二乘支持向量机的分类器模型。
4.根据权利要求3所述的一种设备的故障分类诊断方法，其特征在于所述的复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择的过程包括以下步骤：
（1）生成初始复合型的
Figure DEST_PATH_IMAGE039
个权值顶点
Figure 740126DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
，并将其一一转换成符合约束条件的可行个体集合，将这些权值顶点作为初始权值的集合；
（2）计算复合型的每个权值顶点的特征加权最小二乘支持向量机的分类精度，确定分类精度作为适应度函数的最优权值点
Figure 18661DEST_PATH_IMAGE042
、最差权值点
Figure DEST_PATH_IMAGE043
和次优权值点
Figure 963483DEST_PATH_IMAGE044
；
（3）计算复合型的权值顶点的中心：
Figure DEST_PATH_IMAGE045
；
（4）计算复合型反射点
Figure 378284DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE047
为反射系数，
Figure 117570DEST_PATH_IMAGE048
；
如果反射点的适应度值
Figure DEST_PATH_IMAGE049
优于当前最优点
Figure 617822DEST_PATH_IMAGE042
，则转到步骤（5）；
如果反射点的适应度值
Figure 369264DEST_PATH_IMAGE049
优于当前次优点，则，置
Figure DEST_PATH_IMAGE051
，转到步骤（7）；
如果反射点的适应度值
Figure 739569DEST_PATH_IMAGE049
仅优于当前最差点
Figure 26194DEST_PATH_IMAGE043
，压缩点，如果压缩点的适应度值
Figure DEST_PATH_IMAGE053
优于当前最差点
Figure 762254DEST_PATH_IMAGE043
，则
Figure 909202DEST_PATH_IMAGE054
，置
Figure 999518DEST_PATH_IMAGE051
，则转到步骤（7），如果压缩点的适应度值
Figure 181100DEST_PATH_IMAGE053
差于当前最差点
Figure 698669DEST_PATH_IMAGE043
，则转到步骤（6）；
如果反射点的适应度值
Figure 598492DEST_PATH_IMAGE049
差于当前最差点
Figure DEST_PATH_IMAGE055
，则压缩点
Figure 303885DEST_PATH_IMAGE056
，如果压缩点的适应度值
Figure 339974DEST_PATH_IMAGE053
优于当前最差点
Figure 28444DEST_PATH_IMAGE043
，则
Figure 149984DEST_PATH_IMAGE054
，置
Figure 582103DEST_PATH_IMAGE051
，则转到步骤（7），如果压缩点的适应度值
Figure 738277DEST_PATH_IMAGE053
差于当前最差点
Figure 597649DEST_PATH_IMAGE043
，则转到步骤（6）；
（5）计算扩张点
Figure DEST_PATH_IMAGE057
，
Figure 268802DEST_PATH_IMAGE058
为扩张系数，
Figure DEST_PATH_IMAGE059
，
Figure 239032DEST_PATH_IMAGE060
，置
Figure 312030DEST_PATH_IMAGE051
，转到步骤（7）；
（6）减半操作，保持最优点不变，其余各个顶点都朝最优点
Figure 441365DEST_PATH_IMAGE042
 靠近，靠近公式为
Figure DEST_PATH_IMAGE061
，置
Figure 215286DEST_PATH_IMAGE051
，转到步骤（7）；
（7）如果
Figure 408369DEST_PATH_IMAGE062
，其中0＜
Figure DEST_PATH_IMAGE063
＜0.1，表明本次复合型已经调整到最优状态，迭代结束，获取最优权值
Figure 671861DEST_PATH_IMAGE064
，否则转到步骤（2）。
所述的复合型特征加权最小二乘支持向量机的分类器模型的模型参数包括权值向量
寻优空间、初始权值向量组、惩罚系数、高斯核函数的径向宽度、反射系数、压缩系数、扩张系数和迭代次数。
与现有技术相比，本发明的优点在于首先在最小二乘支持向量机的基础上构建特征加权最小二乘支持向量机，然后通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择，构建复合型特征加权最小二乘支持向量机的分类器模型，可以根据输入数据的各个不同特征对支持向量机的性能的贡献值的大小设定相应的权值向量，避免输入数据的弱相关或不相关的特征对分类结果造成负面影响，提高了设备的故障分类准确度和故障诊断精度。
附图说明
图1为本发明的工作流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例一：一种设备的故障分类诊断方法，其特征在于包括以下步骤：
（1）构建特征加权最小二乘支持向量机的分类器模型；
（2）构建复合型特征加权最小二乘支持向量机的分类器模型；
（3）构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数；
（4）将设备的故障训练样本输入，对复合型特征加权最小二乘支持向量机的分类
器模型进行训练；
（5）将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的
分类器模型中进行故障分类诊断。
上述具体实施例中，特征加权最小二乘支持向量机的分类器模型的构建过程包括： （1）构建最小二乘支持向量机的分类器模型： 
设定
Figure DEST_PATH_IMAGE065
个训练样本 
Figure 52026DEST_PATH_IMAGE002
 ，输入数据
Figure 567321DEST_PATH_IMAGE003
, 
Figure 614912DEST_PATH_IMAGE004
表示x i所在的输入空间，d表示输入空间的维数,
Figure 986987DEST_PATH_IMAGE005
表示输入数据x i相对应的类别，
Figure 857379DEST_PATH_IMAGE006
。一般情况下，直接在输入空间寻找最优分类超平面非常困难，因此需要引入非线性映射函数
Figure 910785DEST_PATH_IMAGE007
，
Figure 812882DEST_PATH_IMAGE007
表示训练样本从输入空间到高维特征空间的非线性映射，通过
Figure 913879DEST_PATH_IMAGE007
将训练样本从输入空间
Figure 567715DEST_PATH_IMAGE008
映射到高维特征空间，在这个高维特征空间中构造最优分类超平面，其函数表达式为：  
Figure 527580DEST_PATH_IMAGE066
                                  (1)      
其中，w表示高维特征空间的权值向量，b表示偏置系数，上标T表示转制运算，输入数据被最优分类超平面分成如下两类情况： 
Figure 241459DEST_PATH_IMAGE068
              (2)
当用一个最优分类超平面不能把输入数据的类别完全分开时（部分输入数据被错分），可以引入松弛变量，使最优分类超平面满足公式：
Figure 541039DEST_PATH_IMAGE010
                               (3)
式（3）为最小二乘支持向量机两分类决策函数，当
Figure DEST_PATH_IMAGE069
时，输入数据
Figure 240190DEST_PATH_IMAGE067
被正确分类，而当
Figure DEST_PATH_IMAGE071
时，输入数据
Figure 572470DEST_PATH_IMAGE067
被错分。因此，
Figure 833687DEST_PATH_IMAGE012
 衡量了输入数据
Figure 502566DEST_PATH_IMAGE067
被错分的程度，同时，最优分类超平面必须使输入数据
Figure 558247DEST_PATH_IMAGE067
的分类空隙Margin=
Figure 312576DEST_PATH_IMAGE072
最大，鉴于上述原因，最优分类超平面的求解问题可转变为求解如下目标函数：
        
s.t.
Figure 900869DEST_PATH_IMAGE010
                          (4) 
式（4）描述了最小二乘支持向量机的分类问题，其中min表示求函数的最小值，c 表示惩罚系数，s.t.表示约束条件；以上优化问题可通过拉格朗日乘子法求解，具体公式如下：
Figure 127451DEST_PATH_IMAGE013
  (5)                                   
其中
Figure DEST_PATH_IMAGE073
是拉格朗日乘子，
Figure 431394DEST_PATH_IMAGE015
对应的
Figure 34413DEST_PATH_IMAGE016
为支持向量。根据最优性条件对上式进行优化，使L对w、b、
Figure 474622DEST_PATH_IMAGE011
、
Figure 75368DEST_PATH_IMAGE073
的偏导数等于零，可得到如下优化条件的函数式组：
Figure 592238DEST_PATH_IMAGE074
                           (6)
Figure DEST_PATH_IMAGE075
                               （7）
Figure 998948DEST_PATH_IMAGE076
                （8）
Figure DEST_PATH_IMAGE077
                                  （9）                                                                                                    
将函数式组（6）～（9）进一步转换为矩阵形式：
Figure 293663DEST_PATH_IMAGE078
                                  (10)
s.t.
Figure 127627DEST_PATH_IMAGE032
，
Figure 140583DEST_PATH_IMAGE034
， 
Figure DEST_PATH_IMAGE079
, 
由于公式
Figure 500206DEST_PATH_IMAGE007
无任何相关信息，因此无法计算上式，但是支持向量机拥有一个非常重要的特性：即无须了解，而是引入核函数
Figure DEST_PATH_IMAGE081
（i =1，2，3，…n；j=1，2，3，…n），我们可以计算出偏置系数
Figure 8252DEST_PATH_IMAGE018
和拉格朗日乘子的具体结果，将其代入最小二乘支持向量机两分类决策函数式（3）中，即可得到最小二乘支持向量机的分类器模型的函数表达式：
(11)
（2）在最小二乘支持向量机的分类器模型的基础上构建特征加权最小二乘支持向量机的分类器模型：设置样本特征权值参数为
Figure 963756DEST_PATH_IMAGE021
，p=1，2，3，…，m，，
Figure 64753DEST_PATH_IMAGE023
为特征序号，在此基础上构造特征权值矩阵
Figure 351377DEST_PATH_IMAGE024
，利用特征权值矩阵改进最小二乘支持向量机，使权值越小的特征对非线性映射函数和核函数的计算影响越小，改进后的最小二乘支持向量机的分类问题可表述为函数式：
Figure 678454DEST_PATH_IMAGE082
        
s.t. 
Figure DEST_PATH_IMAGE083
  
其中
Figure 759542DEST_PATH_IMAGE084
，
Figure 234386DEST_PATH_IMAGE028
，
Figure 262385DEST_PATH_IMAGE030
，
Figure 506284DEST_PATH_IMAGE029
，
Figure 23853DEST_PATH_IMAGE031
，
Figure 658097DEST_PATH_IMAGE032
,然后通过拉格朗日乘子法进行优化，同时引入核函数，计算可得到如下矩阵等式：
Figure 289454DEST_PATH_IMAGE033
s.t. 
Figure 591122DEST_PATH_IMAGE032
，
Figure 279593DEST_PATH_IMAGE034
，
Figure 401132DEST_PATH_IMAGE035
,
Figure 833251DEST_PATH_IMAGE036
选择加权核函数，利用训练样本训练加权，构建特征加权最小二乘支持向量机的分类器模型；加权核函数可以采用线性核函数、多项式核函数或者高斯核函数，本实施例中的采用高斯核函数，得到特征加权最小二乘支持向量机的分类决策函数（即特征加权最小二乘支持向量机的分类器模型）为: 
Figure 989426DEST_PATH_IMAGE038
其中高斯核函数的表达式为：
Figure 848797DEST_PATH_IMAGE037
其中σ表示高斯核函数的径向宽度参数，由高斯核函数的表达式可知，若存在一个特征权值
Figure DEST_PATH_IMAGE085
，
Figure 519950DEST_PATH_IMAGE086
越小，对高斯核函数的计算影响越小，对分类结果的影响越小，当
Figure DEST_PATH_IMAGE087
时，该属性从核函数的计算过程中消失，对分类结果无任何影响。
上述具体实施例中，复合型特征加权最小二乘支持向量机的分类器模型是在特征加
权最小二乘支持向量机的分类器模型的基础上，以特征加权最小二乘支持向量机的分类准确率作为适应度函数，通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择，获取最优权值向量，再将最优权值向量带入特征加权最小二乘支持向量机的分类器模型，得到复合型特征加权最小二乘支持向量机的分类器模型。
复合型算法（复合型最优搜索算法）是求解非线性优化设计问题的一种运用非常广泛的直接局部搜索算法。所谓复合型是在n维空间的约束可行域内，由m个顶点构成复合型，计算每个顶点的适应度函数值，然后对m个适应度函数值进行逐一比较，除掉适应度函数值最差的顶点，构造一个满足约束条件同时适应度函数值较优的点作为新顶点，利用该新顶点，从而不断的构造新复合型，使新的复合型不断向可行域内的最优点靠拢，即各个顶点在迭代过程中不断朝着适应度函数最优的点逼近，直到获取到满足收敛准则的近似解。复合型算法在迭代过程仅仅需要发射、扩张、压缩和旋转等计算，而无须像单纯形法一样计算目标函数的一、二阶导数，也省略了一维最优化方向搜索过程，因此，对目标函数无任何要求。
特征权值
Figure 490180DEST_PATH_IMAGE086
表示每一个特征属性贡献度的大小，从而决定了最小二乘支持向量机的分类精度，复合型特征加权最小二乘支持向量机中采用复合型算法对特征权值的最优值进行迭代选取，其迭代选择过程包括一下步骤：
（1）生成初始复合型的
Figure 563178DEST_PATH_IMAGE039
个权值顶点
Figure 531134DEST_PATH_IMAGE040
，
Figure 689583DEST_PATH_IMAGE041
，并将其一一转换成符合约束条件的可行个体集合，将这些权值顶点作为初始权值的集合；
（2）计算复合型的每个权值顶点的特征加权最小二乘支持向量机的分类精度，确定分类精度作为适应度函数的最优权值点
Figure 401187DEST_PATH_IMAGE042
、最差权值点
Figure 331622DEST_PATH_IMAGE043
和次优权值点
Figure 470479DEST_PATH_IMAGE044
；
（3）计算复合型的权值顶点的中心：
Figure 116224DEST_PATH_IMAGE045
；
（4）计算复合型反射点
Figure 693836DEST_PATH_IMAGE046
，
Figure 475847DEST_PATH_IMAGE047
为反射系数，；
如果反射点的适应度值
Figure 918647DEST_PATH_IMAGE049
优于当前最优点
Figure 34370DEST_PATH_IMAGE042
，则转到步骤（5）；
如果反射点的适应度值
Figure 874150DEST_PATH_IMAGE049
优于当前次优点
Figure 417127DEST_PATH_IMAGE044
，则
Figure 975147DEST_PATH_IMAGE050
，置，转到步骤（7）；
如果反射点的适应度值
Figure 323269DEST_PATH_IMAGE049
仅优于当前最差点
Figure 317375DEST_PATH_IMAGE043
，压缩点
Figure 97112DEST_PATH_IMAGE052
，如果压缩点的适应度值优于当前最差点
Figure 431327DEST_PATH_IMAGE043
，则，置
Figure 583140DEST_PATH_IMAGE051
，则转到步骤（7），如果压缩点的适应度值
Figure 844357DEST_PATH_IMAGE053
差于当前最差点
Figure 513236DEST_PATH_IMAGE043
，则转到步骤（6）；
如果反射点的适应度值
Figure 568916DEST_PATH_IMAGE049
差于当前最差点
Figure 323246DEST_PATH_IMAGE055
，则压缩点
Figure 122575DEST_PATH_IMAGE056
，如果压缩点的适应度值
Figure 645960DEST_PATH_IMAGE053
优于当前最差点
Figure 138121DEST_PATH_IMAGE043
，则
Figure 444993DEST_PATH_IMAGE054
，置
Figure 720117DEST_PATH_IMAGE051
，则转到步骤（7），如果压缩点的适应度值
Figure 425904DEST_PATH_IMAGE053
差于当前最差点
Figure 761071DEST_PATH_IMAGE043
，则转到步骤（6）；
（5）计算扩张点
Figure 552309DEST_PATH_IMAGE057
，
Figure 631124DEST_PATH_IMAGE058
为扩张系数，
Figure 191418DEST_PATH_IMAGE059
，，置
Figure 976020DEST_PATH_IMAGE051
，转到步骤（7）；
（6）减半操作，保持最优点
Figure 920843DEST_PATH_IMAGE042
不变，其余各个顶点都朝最优点
Figure 273327DEST_PATH_IMAGE042
 靠近，靠近公式为
Figure 278192DEST_PATH_IMAGE061
，置
Figure 716126DEST_PATH_IMAGE051
，转到步骤（7）；
（7）如果
Figure 199060DEST_PATH_IMAGE062
，其中
Figure 671630DEST_PATH_IMAGE063
为一个较小的值，其取值范围可以为0＜
Figure 850326DEST_PATH_IMAGE063
＜0.1，表明本次复合型已经调整到最优状态，迭代结束，获取最优权值
Figure 775557DEST_PATH_IMAGE064
，否则转到步骤（2）。
上述具体实施例中，复合型特征加权最小二乘支持向量机的分类器模型的模型参数
包括权值向量寻优空间、初始权值向量组、惩罚系数、高斯核函数的径向宽度、反射系数、压缩系数、扩张系数和迭代次数。
实施例二：在对大型浮吊设备的齿轮故障进行分类诊断时，首先按照实施例一中
的步骤构建复合型特征加权最小二乘支持向量机的分类器模型，本实施例中的齿轮故障训练样本包括齿轮磨损故障样本、转子点蚀故障样本、齿轮裂痕故障样本和无故障样本，齿轮故障训练样本对应公式中的x i ，可以根据需要选择样本的数量，每个样本包含的六个特征属性为：峰值因子、峭度、脉冲指标、裕度指标、啮合频率比和旋转频率比，即
Figure 62181DEST_PATH_IMAGE029
中的m=6，表示每个样本具有6个特征属性。本文所提的故障分类算法中，首先设定权值向量w的寻优空间为0﹤w≤1，初始权值向量组包括10组权值向量，惩罚系数为1.2896，高斯核函数的径向宽度的二次方为0.0881，反射系数为1.5，压缩系数为0.5，扩张系数1.2，迭代次数为50次，10组权值向量分别为、
Figure DEST_PATH_IMAGE089
、
Figure 532663DEST_PATH_IMAGE090
、
Figure 945190DEST_PATH_IMAGE089
、
Figure DEST_PATH_IMAGE091
、
Figure 35506DEST_PATH_IMAGE092
、
Figure DEST_PATH_IMAGE093
、
Figure 279405DEST_PATH_IMAGE094
、
Figure DEST_PATH_IMAGE095
和
Figure 531395DEST_PATH_IMAGE096
；将齿轮故障训练样本输入复合型特征加权最小二乘支持向量机的分类器模型中进行训练，在经过50次迭代后输出最优的权值向量
Figure DEST_PATH_IMAGE097
和分类精度97.5%，即采用本发明的方法，对大型浮吊设备的齿轮故障的分类诊断精度可达到97.5%，如果在相同条件下，应用最小二乘支持向量机的模型分类器对大型浮吊设备的齿轮故障进行分类诊断时，其分类诊断精度为95%，如表1所示。
表1：本发明的方法与现有技术的方法对齿轮故障分类诊断的结果对照表
  最小二乘支持向量机 基于复合型特征加权最小二乘支持向量机
（
Figure 493535DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE099
）		 （1.2896,0.0881） (1.2896,0.0881)
权值
测试分类精度 95% 97.5%
从表1可以看出，最小二乘支持向量机和本实施例中的复合型特征加权最小二乘
支持向量机都采用相同的惩罚系数和高斯核函数参数（1.7202,0.1382），其目的是保证两类支持向量机的训练样本在高维特征空间的分布一致，最小二乘支持向量机的权值全部选取为1，得到最小二乘支持向量机故障分类精度为95%，而本实施例中复合型特征加权最小二乘支持向量机的权值被复合型算法选取为
Figure DEST_PATH_IMAGE103
，最终本实施例中的复合型特征加权最小二乘支持向量机得到的故障分类精度为97.5%。表2所示的齿轮故障样本为复合型特征加权最小二乘支持向量机的分类器模型的测试样本。
            表2：待测齿轮故障（或正常）样品的输入数据表
Figure 911768DEST_PATH_IMAGE104
综上所述，本发明的故障分类精度的提高非常可观，迭代次数越多，故障分类精度越高，当其应用于包含多种故障种类和测试数据的复杂性设备时，对安全生产可以发挥重要的作用。

Claims (5)

1.一种设备的故障分类诊断方法，其特征在于包括以下步骤：
（1）构建特征加权最小二乘支持向量机的分类器模型；
（2）构建复合型特征加权最小二乘支持向量机的分类器模型；
（3）构建复合型特征加权最小二乘支持向量机的分类器模型的模型参数；
（4）将设备的故障训练样本输入，对复合型特征加权最小二乘支持向量机的分类
器模型进行训练；
（5）将设备的待测故障样本输入训练后的复合型特征加权最小二乘支持向量机的
分类器模型中进行故障分类诊断。
2.权利要求1所述的一种设备的故障分类诊断方法，其特征在于所述的步骤（1）
中的特征加权最小二乘支持向量机的分类器模型的构建过程为：
（1）构建最小二乘支持向量机的分类器模型：首先设定                                                
Figure 879414DEST_PATH_IMAGE001
个训练样本 ，
x i为第i个输入数据，
Figure 513974DEST_PATH_IMAGE003
，
Figure 96134DEST_PATH_IMAGE004
表示x i所在的输入空间，d表示空间维数,
Figure 582611DEST_PATH_IMAGE005
表示输入数据x i相对应的类别，，
Figure 127566DEST_PATH_IMAGE007
表示训练样本从输入空间
Figure 998570DEST_PATH_IMAGE004
到高维特征空间的非线性映射，通过
Figure 667449DEST_PATH_IMAGE007
将训练样本从输入空间
Figure 113342DEST_PATH_IMAGE008
映射到高维特征空间，在高维特征空间最小二乘支持向量机的分类问题表述的函数式为:
             
Figure 539776DEST_PATH_IMAGE009
             s.t.
Figure 542367DEST_PATH_IMAGE010
其中min表示求最小值，w表示高维特征空间的权值向量，b表示偏置系数，c 表示惩罚系数，
Figure 252703DEST_PATH_IMAGE011
表示松弛变量，
Figure 416968DEST_PATH_IMAGE012
表示错分的程度，上标T表示转制运算，s.t.表示约束条件；然后引入拉格朗日函数，得到拉格朗日函数的最小值的表达函数式为：
Figure 596276DEST_PATH_IMAGE013
其中
Figure 323930DEST_PATH_IMAGE014
是拉格朗日乘子，
Figure 639505DEST_PATH_IMAGE015
对应的
Figure 240250DEST_PATH_IMAGE016
为支持向量，使L对w、b、
Figure 893473DEST_PATH_IMAGE011
、
Figure 237867DEST_PATH_IMAGE014
的偏导数等于零，同时引入核函数
Figure 673527DEST_PATH_IMAGE017
（i =1，2，3，…n；j=1，2，3，…n），计算出
Figure 366546DEST_PATH_IMAGE018
和的具体结果，根据
Figure 402952DEST_PATH_IMAGE018
和
Figure 942386DEST_PATH_IMAGE019
的结果，得到最小二乘支持向量机的分类决策函数为
Figure 619355DEST_PATH_IMAGE020
，即构建了最小二乘支持向量机的分类器模型；
（2）在最小二乘支持向量机的分类器模型的基础上构建特征加权最小二乘支持向量机的分类器模型：首先设置样本特征权值参数为
Figure 994973DEST_PATH_IMAGE021
，p=1，2，3，…，m，
Figure 868120DEST_PATH_IMAGE022
，
Figure 75110DEST_PATH_IMAGE023
为特征序号，在此基础上构造特征权值矩阵
Figure 126243DEST_PATH_IMAGE024
，利用特征权值矩阵改进最小二乘支持向量机，使权值越小的特征对非线性映射函数和核函数的计算影响越小，改进后的最小二乘支持向量机的分类问题可表述为函数式：
Figure 51474DEST_PATH_IMAGE025
        
s.t. 
Figure 477381DEST_PATH_IMAGE026
  
其中
Figure 742140DEST_PATH_IMAGE027
，
Figure 26491DEST_PATH_IMAGE028
，
Figure 360389DEST_PATH_IMAGE029
，
Figure 326071DEST_PATH_IMAGE030
， 
Figure 507654DEST_PATH_IMAGE031
，
Figure 149856DEST_PATH_IMAGE032
，然后通过拉格朗日乘子法进行优化，同时引入核函数，计算可得到如下矩阵等式：
Figure 49679DEST_PATH_IMAGE033
s.t. 
Figure 553473DEST_PATH_IMAGE032
，
Figure 589562DEST_PATH_IMAGE034
，
Figure 402666DEST_PATH_IMAGE035
,
Figure 524206DEST_PATH_IMAGE036
其中，高斯核函数为：
Figure 831691DEST_PATH_IMAGE037
，其中σ表示高斯核函数的径向宽度参数，得到特征加权最小二乘支持向量机的分类决策函数为： 
Figure 177746DEST_PATH_IMAGE038
，即构建了特征加权最小二乘支持向量机的分类器模型。
3.根据权利要求1所述的一种设备的故障分类诊断方法，其特征在于所述的步骤
（2）中的复合型特征加权最小二乘支持向量机的分类器模型是在特征加权最小二乘支持向量机的分类器模型的基础上，以特征加权最小二乘支持向量机的分类准确率作为适应度函数，通过复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择，获取最优权值向量，再将最优权值向量带入特征加权最小二乘支持向量机的分类器模型，得到复合型特征加权最小二乘支持向量机的分类器模型。
4.根据权利要求3所述的一种设备的故障分类诊断方法，其特征在于所述的复合型算法对特征加权最小二乘支持向量机的权值向量进行迭代选择的过程包括以下步骤：
（1）生成初始复合型的个权值顶点
Figure 521319DEST_PATH_IMAGE040
，
Figure 429233DEST_PATH_IMAGE041
，并将其一一转换成符合约束条件的可行个体集合，将这些权值顶点作为初始权值的集合；
（2）计算复合型的每个权值顶点的特征加权最小二乘支持向量机的分类精度，确定分类精度作为适应度函数的最优权值点
Figure 626865DEST_PATH_IMAGE042
、最差权值点
Figure 532504DEST_PATH_IMAGE043
和次优权值点
Figure 628636DEST_PATH_IMAGE044
；
（3）计算复合型的权值顶点的中心：
Figure 527190DEST_PATH_IMAGE045
；
（4）计算复合型反射点
Figure 595641DEST_PATH_IMAGE046
，
Figure 734498DEST_PATH_IMAGE047
为反射系数，
Figure 239297DEST_PATH_IMAGE048
；
如果反射点的适应度值
Figure 754592DEST_PATH_IMAGE049
优于当前最优点，则转到步骤（5）；
如果反射点的适应度值
Figure 177188DEST_PATH_IMAGE049
优于当前次优点
Figure 982333DEST_PATH_IMAGE044
，则
Figure 973423DEST_PATH_IMAGE050
，置
Figure 153DEST_PATH_IMAGE051
，转到步骤（7）；
如果反射点的适应度值
Figure 480813DEST_PATH_IMAGE049
仅优于当前最差点
Figure 976517DEST_PATH_IMAGE043
，压缩点
Figure 568035DEST_PATH_IMAGE052
，如果压缩点的适应度值
Figure 714852DEST_PATH_IMAGE053
优于当前最差点
Figure 366413DEST_PATH_IMAGE043
，则
Figure 83833DEST_PATH_IMAGE054
，置，则转到步骤（7），如果压缩点的适应度值
Figure 480365DEST_PATH_IMAGE053
差于当前最差点，则转到步骤（6）；
如果反射点的适应度值
Figure 507544DEST_PATH_IMAGE049
差于当前最差点
Figure 896325DEST_PATH_IMAGE055
，则压缩点
Figure 565203DEST_PATH_IMAGE056
，如果压缩点的适应度值
Figure 496250DEST_PATH_IMAGE053
优于当前最差点
Figure 437530DEST_PATH_IMAGE043
，则
Figure 440121DEST_PATH_IMAGE054
，置
Figure 901190DEST_PATH_IMAGE051
，则转到步骤（7），如果压缩点的适应度值
Figure 65455DEST_PATH_IMAGE053
差于当前最差点
Figure 494031DEST_PATH_IMAGE043
，则转到步骤（6）；
（5）计算扩张点
Figure 972417DEST_PATH_IMAGE057
，
Figure 350309DEST_PATH_IMAGE058
为扩张系数，
Figure 138005DEST_PATH_IMAGE059
，
Figure 539030DEST_PATH_IMAGE060
，置
Figure 883424DEST_PATH_IMAGE051
，转到步骤（7）；
（6）减半操作，保持最优点
Figure 293984DEST_PATH_IMAGE042
不变，其余各个顶点都朝最优点 靠近，靠近公式为
Figure 953952DEST_PATH_IMAGE061
，置
Figure 23408DEST_PATH_IMAGE051
，转到步骤（7）；
（7）如果
Figure 375892DEST_PATH_IMAGE062
，其中0＜
Figure 256124DEST_PATH_IMAGE063
＜0.1，表明本次复合型已经调整到最优状态，迭代结束，获取最优权值
Figure 881009DEST_PATH_IMAGE064
，否则转到步骤（2）。
5.根据权利要求1所述的一种设备的故障分类诊断方法，其特征在于所述的复合型特征加权最小二乘支持向量机的分类器模型的模型参数包括权值向量寻优空间、初始权值向量组、惩罚系数、高斯核函数的径向宽度、反射系数、压缩系数、扩张系数和迭代次数。
CN2012100691763A 2012-03-15 2012-03-15 一种设备的故障分类诊断方法 Pending CN102706573A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100691763A CN102706573A (zh) 2012-03-15 2012-03-15 一种设备的故障分类诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100691763A CN102706573A (zh) 2012-03-15 2012-03-15 一种设备的故障分类诊断方法

Publications (1)

Publication Number Publication Date
CN102706573A true CN102706573A (zh) 2012-10-03

Family

ID=46899516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100691763A Pending CN102706573A (zh) 2012-03-15 2012-03-15 一种设备的故障分类诊断方法

Country Status (1)

Country Link
CN (1) CN102706573A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454113A (zh) * 2013-09-16 2013-12-18 中国人民解放军国防科学技术大学 一种适用于工况变化情况下的旋转机械健康监测方法
CN103499924A (zh) * 2013-09-22 2014-01-08 浙江大学 加权的农药废液焚烧炉有害物排放达标控制***及方法
CN103512765A (zh) * 2013-09-13 2014-01-15 中国科学院苏州生物医学工程技术研究所 一种血型离心机变学习速率小波bp神经网络故障检测方法
CN104142254A (zh) * 2014-08-06 2014-11-12 浙江大学 一种汽轮机通流部分故障诊断方法
CN104330257A (zh) * 2014-11-26 2015-02-04 天津工业大学 一种行星齿轮传动***故障诊断方法
CN105158137A (zh) * 2015-07-28 2015-12-16 昆明理工大学 一种基于最小二乘支持向量机的水松纸透气度检测方法
CN105842273A (zh) * 2016-03-16 2016-08-10 华北电力大学（保定） 一种压缩因子的获取方法及***
CN106546439A (zh) * 2016-10-13 2017-03-29 南京航空航天大学 一种液压agc***的复合故障诊断方法
CN108764265A (zh) * 2018-03-26 2018-11-06 海南电网有限责任公司电力科学研究院 一种基于支持向量机算法的故障诊断方法
CN109063743A (zh) * 2018-07-06 2018-12-21 云南大学 基于半监督多任务学习的医疗数据分类模型的构建方法
CN109635864A (zh) * 2018-12-06 2019-04-16 佛山科学技术学院 一种基于数据的容错控制方法及装置
CN109828230A (zh) * 2019-04-02 2019-05-31 国网新疆电力有限公司电力科学研究院 电能表自动化检定流水线表位故障的定位方法
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN112816553A (zh) * 2021-01-22 2021-05-18 国电锅炉压力容器检验有限公司 一种基于支持向量机的耐热钢老化等级评估方法
CN113779236A (zh) * 2021-08-11 2021-12-10 齐维维 一种基于人工智能的问题分类的方法及装置

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103512765A (zh) * 2013-09-13 2014-01-15 中国科学院苏州生物医学工程技术研究所 一种血型离心机变学习速率小波bp神经网络故障检测方法
CN103454113B (zh) * 2013-09-16 2016-02-03 中国人民解放军国防科学技术大学 一种适用于工况变化情况下的旋转机械健康监测方法
CN103454113A (zh) * 2013-09-16 2013-12-18 中国人民解放军国防科学技术大学 一种适用于工况变化情况下的旋转机械健康监测方法
CN103499924A (zh) * 2013-09-22 2014-01-08 浙江大学 加权的农药废液焚烧炉有害物排放达标控制***及方法
CN103499924B (zh) * 2013-09-22 2015-12-23 浙江大学 加权的农药废液焚烧炉有害物排放达标控制***及方法
CN104142254A (zh) * 2014-08-06 2014-11-12 浙江大学 一种汽轮机通流部分故障诊断方法
CN104142254B (zh) * 2014-08-06 2017-01-18 浙江大学 一种汽轮机通流部分故障诊断方法
CN104330257A (zh) * 2014-11-26 2015-02-04 天津工业大学 一种行星齿轮传动***故障诊断方法
CN105158137A (zh) * 2015-07-28 2015-12-16 昆明理工大学 一种基于最小二乘支持向量机的水松纸透气度检测方法
CN105842273B (zh) * 2016-03-16 2018-08-28 华北电力大学（保定） 一种压缩因子的获取方法及***
CN105842273A (zh) * 2016-03-16 2016-08-10 华北电力大学（保定） 一种压缩因子的获取方法及***
CN106546439A (zh) * 2016-10-13 2017-03-29 南京航空航天大学 一种液压agc***的复合故障诊断方法
CN106546439B (zh) * 2016-10-13 2019-01-15 南京航空航天大学 一种液压agc***的复合故障诊断方法
CN108764265A (zh) * 2018-03-26 2018-11-06 海南电网有限责任公司电力科学研究院 一种基于支持向量机算法的故障诊断方法
CN109063743A (zh) * 2018-07-06 2018-12-21 云南大学 基于半监督多任务学习的医疗数据分类模型的构建方法
CN109635864A (zh) * 2018-12-06 2019-04-16 佛山科学技术学院 一种基于数据的容错控制方法及装置
CN109828230A (zh) * 2019-04-02 2019-05-31 国网新疆电力有限公司电力科学研究院 电能表自动化检定流水线表位故障的定位方法
CN110991295A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN110991295B (zh) * 2019-11-26 2022-05-06 电子科技大学 一种基于一维卷积神经网络的自适应故障诊断方法
CN112816553A (zh) * 2021-01-22 2021-05-18 国电锅炉压力容器检验有限公司 一种基于支持向量机的耐热钢老化等级评估方法
CN113779236A (zh) * 2021-08-11 2021-12-10 齐维维 一种基于人工智能的问题分类的方法及装置

Similar Documents

Publication Publication Date Title
CN102706573A (zh) 一种设备的故障分类诊断方法
Zhao et al. Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine
CN109766921B (zh) 一种基于深度领域自适应的振动数据故障分类方法
CN108319962A (zh) 一种基于卷积神经网络的刀具磨损监测方法
CN106548230A (zh) 基于改进粒子群优化神经网络的变压器故障诊断方法
CN109186973A (zh) 一种无监督深度学习网络的机械故障诊断方法
CN106777606A (zh) 一种风电机组齿轮箱故障预测诊断算法
CN108875772B (zh) 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN108875771A (zh) 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法
CN104751229A (zh) 一种改进bp神经网络估值的缺失数据轴承故障诊断方法
CN111199252A (zh) 一种电力通信网络智能运维***的故障诊断方法
Guo et al. Improved adversarial learning for fault feature generation of wind turbine gearbox
CN111310722A (zh) 一种基于改进神经网络的电力设备图像的故障识别方法
Su et al. Generative adversarial networks for gearbox of wind turbine with unbalanced data sets in fault diagnosis
Gu et al. Identification of concurrent control chart patterns with singular spectrum analysis and learning vector quantization
CN106485326B (zh) 一种矿石破碎生产过程中的硬度检测方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
Aqlan et al. Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings
CN104182511B (zh) 一种簇特征加权的模糊紧致散布聚类方法
CN113159225B (zh) 多变量工业过程故障分类方法
Xiao et al. Fault diagnosis of rolling bearing based on knowledge graph with data accumulation strategy
CN105843212B (zh) 一种高炉故障诊断***及方法
CN109164794A (zh) 基于偏f值selm的多变量工业过程故障分类方法
CN110674893A (zh) 一种旋转机械故障诊断知识库中诊断经验自适应修正方法
CN113610148B (zh) 一种基于偏置加权AdaBoost的故障诊断方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20121003