[发明专利]基于支持向量机的风机故障诊断方法

权利要求书

1.一种基于支持向量机的风机故障诊断方法，包括以下步骤：

1)用小波包对风电机组齿轮箱振动信号进行特征提取，形成总的训练集和测试集；

2)按照二叉树分类方法形成的3个分类器所分的类别，将总的训练集和测试集拆分成3个子训练集和3个子测试集；

3)分别用+1和-1对各子训练集和子验证集中的类别进行标识；

4)结合CV原理，利用改进PSO算法确定模型参数，建立LS-SVM算法的故障诊断模型；

5)将测试集代入分类器中，得到各测试集中样本的对应类别。

2.根据权利要求1所述的基于支持向量机的风机故障诊断方法，其特征在于，步骤1)中对振动信号进行特征提取的过程为：

①利用sym4小波对振动信号进行了3层分解消噪，滤除一些干扰成分；

②采用了db3小波对降噪后的振动信号进行3层小波包分解，分解后第3层各频段信号的小波包分解系数为{x₃₀，x₃₁，x₃₂，x₃₃，x₃₄，x₃₅，x₃₆，x₃₇}；

③对第三层不同频段信号的小波包系数进行重构，重构后的分解系数为{X₃₀，X₃₁，X₃₂，X₃₃，X₃₄，X₃₅，X₃₆，X₃₇}；

④对重构后的分解系数构造能量特征向量，各频段的能量为N为信号采样点数，再进行归一化处理，最后得到特征向量T＝[E₃₀，E₃₁，E₃₂，E₃₃，E₃₄，E₃₅，E₃₆，E₃₇]，作为LS-SVM的输入。

3.根据权利要求1所述的基于支持向量机的风机故障诊断方法，其特征在于，步骤2)中3个分类器分别为：LS-SVM0、LS-SVM1、LS-SVM2；以y_i＝{0，1，2，3}表示轴承正常状态、滚动体故障、内圈故障和外圈故障；每种故障状态取16组进行算例分析，其中10组作为训练样本，另外6组作为测试样本。

4.根据权利要求1所述的基于支持向量机的风机故障诊断方法，其特征在于，步骤4)中几个重要原理介绍：

A、模型所需的适应度函数为p折CV的平均分类准确率：

F=1pΣm=1p(lTmlm×100%)]]>

式中：l_Tm为第m个验证集中被正确分类的个数；l_m为该验证集的样本个数；

B、粒子群优化算法优化参数的过程为：

①初始化粒子的速度和位置；

②计算粒子的适应度值；

③寻找个体极值和群体极值；

④更新粒子的速度和位置；

⑤计算粒子的适应度值；

⑥更新个体极值和群体极值；

⑦若满足终止条件，输出最优参数；若不满足，返回到④；

C、LS-SVM的原理为：

在SVM中，设{(x₁，y₁)，(x₂，y₂)，..，(x_l，y_l)为样本个数为l的训练集，样本x_i(i＝1，2，...，l)对应的类别y_i∈{-1，1}，则存在最优分类超平面满足如下条件：

式中：ω为超平面的法向量，β为偏置量，则分类决策函数为：

LS-SVM是1999年由J.A.K.Suykens提出的，在SVM的基础上有所改进，

LS-SVM是1999年由J.A.K.Suykens提出的，在SVM的基础上有所改进，从机器学习的损失函数入手，将最小二乘线性系统作为损失函数，代替二次规划，用等式约束条件来代替标准算法中的不等式约束条件，提高了收敛速度；

LS-SVM非线性分类模型可通过求解优化函数来表示：

minω,ξiJ(ω,ξi)=12||ω||2+12CΣi=1lξi2---(3)]]>

式中：C为规则化因子；ξ_i为误差变量；

式(3)需要满足如下的等式约束：

式中为非线性映射，把样本集从输入空间映射到高维的特征空间；

构造Langrange方程为：

式中α_i为Langrange乘子；

最优化条件为：

联立式(5)和式(6)，消去变量ω和ξ_i得到线性方程(7)，因此可以将优化问题转化为求解线性方程：

0yTyΩ+C-1Iβα=0Il---(7)]]>

矩阵其中，K(x_i，x_j)为支持向量机的核函数，j＝1，2，...，l；y^T＝[y₁，y₂，...，y_l]；I为单位矩阵；I_l＝[1，1，...，1]^T；α＝[α₁，α₂，...，α_l]^T；则LS-SVM的分类决策函数为：

f(xi)=sgn(Σi=1lαiyiK(xi,xj)+β)---(8)]]>

LS-SVM的核函数必须是正定的且满足Mercer定理。