[发明专利]一种设备的故障分类诊断方法

说明书

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                                                个训练样本 ，

x_i为第i个输入数据，，表示x_i所在的输入空间，d表示空间维数,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:

             

             s.t.

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，表示松弛变量，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：

其中是拉格朗日乘子，对应的为支持向量，使L对w、b、、的偏导数等于零，同时引入核函数（i =1，2，3，…n；j=1，2，3，…n），计算出和的具体结果，根据和的结果，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，，为特征序号，在此基础上构造特征权值矩阵，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：

        

s.t.