[发明专利]一种基于特征处理的复杂设备故障诊断方法

说明书

本发明提供一种基于特征处理的复杂设备故障诊断方法，步骤如下：1、对动作电流信号进行实时采集；2、对动作电流曲线进行区段划分；3、对动作曲线进行区段划分；4、构建设备动作电流曲线的高维特征表示数据集；5、对高维特征表示数据集进行特征选择；6、对高维特征表示数据集进行特征提取；7、对特征表示数据集进行划分处理；8、对SVM的参数进行寻优求解；9、进行SVM监督学习，得到故障诊断模型；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，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。

技术领域

本发明提供一种基于特征处理的复杂设备故障诊断方法，它涉及一种基于特征处理的复杂设备故障诊断方法的实现，属于复杂设备可靠性、复杂设备故障诊断领域。

背景技术

故障诊断是根据设备运行状态信息查找故障源，并确定相应决策的一门综合性新兴科学。故障诊断技术始于20世纪60年代，经过50多年的发展，已经取得了长足的进步。其内涵从简单设备的故障诊断发展到复杂系统的故障诊断，如今故障诊断技术已在各工业部门取得了广泛应用。目前，针对复杂设备的故障诊断主要涉及到两个难题：一是不同工作模式下复杂设备对应的特征描述，其难点在于如何对设备的工作状态进行简明且高效的特征组合；二是故障诊断模型的构建，其难点在于如何对诊断模型的适应性和容错性进行设计，使模型可以根据复杂设备的不同工作状态作出智能决策，对故障进行准确地判断与识别。针对以上两个问题，本发明提出一种基于特征处理的复杂设备故障诊断方法，该方法通过智能分区的融合特征表示、费希尔(Fisher)特征选择、主成分分析(Principal ComponentAnalysis，简称PCA)等技术对复杂设备的电流信号进行特征表示、选择和提取以构成特征数据，并使用支持向量机(Support Vector Machine，简称SVM)对特征数据进行监督学习，建立故障诊断模型，用于复杂设备的故障诊断。

该方法基于特征处理和支持向量机技术融合故障分析与故障处理等相关理论、方法和技术进行实现，在提高复杂设备维护性的同时，达到提高复杂设备可靠性、安全性、可用性的目的。

发明内容

(一)本发明目的

在复杂设备故障诊断的研究中，存在的问题有：

●故障诊断的输入信息不明确。尽管针对故障诊断分类方法的研究较多，但对于故障有效特征表示的讨论较少。虽然目前有一些特征表示方法，但依据不明确；

●机器学习方法训练时间长、训练繁琐。虽然基于机器学习的优化算法多种多样，但用于故障诊断的机器学习方法优化效果较差；

●对复杂设备进行故障判断的研究居多。故障识别在故障诊断中处于忽视或者是辅助的地位，判断与识别不能同时结合，进行完整的复杂设备故障诊断。

针对上述问题，本发明将克服现有技术的不足，提出一种基于特征处理的复杂设备故障诊断方法。该方法首先根据设备的动作电流数据进行智能分区的融合特征表示。然后使用Fisher特征选择方法对然融合特征进行筛选，保留利于故障诊断的特征数据，并在此基础上采用PCA方法对筛选的特征进一步提取，以最少、最有效的特征组合表示设备的运行数据。最后采用遗传算法(Genetic Algorithm，简称GA)与粒子群优化方法(ParticleSwarm Optimization，简称PSO)相结合的优化算法(GA-PSO算法)和SVM方法构建故障诊断分类器模型，实现对设备特征数据的故障诊断。可以看出基于机器学习的复杂设备故障诊断方法不仅可以对故障的有效特征进行表示，还可以采用优化的诊断模型对故障进行判断与识别，为故障诊断领域提供了一种新的解决方法，并对现有的故障诊断方法进行了创新。

(二)技术方案

本发明一种基于特征处理的复杂设备故障诊断方法，其步骤如下：