[发明专利]一种基于特征处理的复杂设备故障诊断方法

权利要求书

1.一种基于特征处理的复杂设备故障诊断方法，其特征在于：其步骤如下：

步骤1、按照合适的采样间隔对复杂设备的动作电流信号进行实时采集，获得设备的动作曲线数据，并分析动作电流曲线形态与设备故障类型对应的关系；

步骤2、从时域角度对设备的动作电流曲线进行区段划分，并提取各区段动作曲线数据的时间特征信息；

步骤3、从值域角度对设备的动作曲线进行区段划分，并提取各区段动作曲线数据的电流值特征信息；

步骤4、将设备动作的时间特征信息和电流值特征信息融合，构建设备动作电流曲线的高维特征表示数据集；

步骤5、使用Fisher方法对高维特征表示数据集进行特征选择，筛选出最具代表性、可分性能最好的特征，并剔除模棱两可、不易判别的特征，从而降低特征表示集的维数；

步骤6、使用PCA方法对高维特征表示数据集进行特征提取，消除冗余信息，进一步降低特征表示集的维数；

步骤7、对特征表示数据集进行划分处理，得到SVM训练样本集数据和测试样本集数据；

步骤8、在训练样本集的基础上，采用GA-PSO优化算法对SVM的参数进行寻优求解；

步骤9、使用优化的参数和训练集样本数据进行SVM监督学习，得到故障诊断模型；

步骤10、使用测试集数据对故障诊断模型的诊断准确率进行验证；

通过上述步骤，能实现基于特征处理的复杂设备故障诊断方法，该方法以复杂设备为对象，首先，根据设备不同故障模式的故障特点，对工作电流信号进行智能分区的融合特征表示；然后，使用Fisher特征选择方法对融合特征进行筛选，保留利于进行故障诊断的特征，并结合PCA方法对筛选的特征进一步提取；最后，使用GA与PSO结合的GA-PSO优化算法得到SVM优化参数，并通过参数优化的SVM方法实现故障诊断分类器，完成对设备工作电流曲线的特征数的故障识别与分析。

2.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法，其特征在于：

在步骤1中所述的分析动作电流曲线形态与设备故障类型对应的关系，其作法如下：对设备的正常模式和典型故障模式进行分析，总结各故障模式的故障类型、发生现象以及产生原因，查找设备动作电流曲线形态与故障类型的对应关系，用于后续的故障诊断步骤。

3.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法，其特征在于：

在步骤2中所述的从时域角度对设备的动作电流曲线进行区段划分，并提取各区段动作曲线数据的时间特征信息，其作法如下：

所述的从时域角度对设备的动作曲线进行区段划分，其具体作法如下：分析设备进行不同动作的电流信号数据，得到动作的电流值域信息，根据电流域值信息对动作曲线的时域即x轴对应设置时间分割点，这样将动作曲线的时域划分为不同区段，每个时域区段代表设备发生不同动作所持续的时间；

所述的提取各区段动作曲线数据的时间特征信息，其具体作法如下：使用时间作为自变量描述动作曲线数据的物理量，以最基本、最直观的表达方式反应设备各动作区段的工作状态；将最大值、最小值、平均值、方差值、有效值、均方差、峰峰值、峭度值、峰值因子、波形因子、脉冲因子和裕度因子作为时域特征参数，将时间域所划分的各个区段都进行最大值、最小值、平均值、方差值、有效值、均方差、峰峰值、峭度值、峰值因子、波形因子、脉冲因子和裕度因子特征参数的采集。

4.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法，其特征在于：

在步骤3中所述的从值域角度对设备的动作曲线进行区段划分，其作法如下：首先，将动作电流曲线向电流值域即y轴进行投影，根据设备动作电流信号的采集精度对投影区间精度进行设定，这里为避免投影区间对分割电流值区域的影响，设定投影区间精度值与采集精度值一致；然后，对投影区间点数少于5点的零散电流值点置零，不计入统计；最后，根据设备的动作的电流信息对电流值域进行分段；

在步骤3中所述的提取各区段动作曲线数据的电流值特征信息，其作法如下：按照电流值域分段分析，提取各个区段的非零电流区域，并对这些区域以统计特征进行参数表示；将总数、均值、极差、众数、方差、标准差、中值、平均绝对误差作为统计特征参数，对每个区段进行总数、均值、极差、众数、方差、标准差、中值、平均绝对误差特征参数的采集，以表示设备的动作电流特征。