[发明专利]改进多分类孪生支持向量机的电动执行器故障诊断方法

权利要求书

1.一种改进多分类孪生支持向量机的电动执行器故障诊断方法，其特征在于，包括：

步骤1、采集燃气轮机电动执行器健康状态下的数据F(t)及在不同工况下故障状态的数据f(t)，作为原始数据集；

步骤2、利用小波包分析，对原始数据集提取特征向量；

步骤3、对特征向量进行病态测试，并归一化处理特征向量，构建训练样本集、测试样本集并保存记录未知故障类型；

步骤4、利用多分类孪生支持向量机训练、测试完成故障诊断。

2.根据权利要求1所述的一种改进多分类孪生支持向量机的电动执行器故障诊断方法，其特征在于，所述步骤2包括：

步骤21、确定小波包分解层数并重构；

步骤22、利用小波包算法提取数据特征向量；

步骤23、利用小波包提取特征向量技术优化多分类支持向量机参数；

所述步骤22中的小波包分析数据提取特征向量包括：

步骤221、对原始数据集F(t)、f(t)的系数分解：使用小波包分解递推方法，如下：

其中，μ_j,n(m)为小波包函数φ(t)的小波包系数，j为尺度，u_j,n(k)为尺度上的分解系数，μ_j,2n(m)为尺度为j的近似值，μ_j,2n+1(m)为尺度为j+1的近似系数，h为低通滤波器系数，g为高通滤波器系数，k为分解级数(k＝0,1....n)；

步骤222、对原始数据集F(t)、f(t)的系数重构：使用离散小波包逆变换方法，如下：

其中，h(m-2k)、g(m-2k)为小波向量，m为数据长度；

步骤223、计算频带中原始数据集F(t)、f(t)的能量，由步骤222可得第三层各节点相对应的能量公式如下：

其中，x_jk{j＝0,1....7；k＝0,1....n}为重构数据离散点的幅值；

步骤224、由步骤223，构造特征向量如下：

利用小波包分析数据，分解层数为3层，特征向量为8。

3.根据权利要求1所述的一种改进多分类孪生支持向量机的电动执行器故障诊断方法，其特征在于，所述步骤3包括：

步骤31、利用病态双因子检测数据是否存在于故障类型库中，关系式如下；

其中，E为特征向量，n为特征向量个数，x为二维函数插值，p、q为病态双因子系数，W为检测参数。当W大于等于0时，故障类型已知；当W小于0时，故障类型未知；

步骤32、将未知数据缓存到故障类型库中，记为fn，并标记故障类型。

4.根据权利要求3所述的一种改进多分类孪生支持向量机的电动执行器故障诊断方法，其特征在于，所述在步骤32之后，进行步骤33、归一化处理小波包分析提取到的特征向量每一行，关系式如下：

其中，A_ij表示矩阵中的第i行、第j列的元素，A′_ij为变换后的特征矩阵中的元素；将特征向量归一化结果分为训练集与测试集，并作为特征向量输入到进行特征识别的多分类孪生支持向量机分类器中进行网络自学习训练及测试。

5.根据权利要求1所述的一种改进多分类孪生支持向量机的电动执行器故障诊断方法，其特征在于，所述步骤4分为：

步骤41、建立多分类孪生支持向量机模型；步骤41包括：步骤411和步骤412；

步骤411、为i个约束添加拉格朗日乘子式α_i≥0，建立拉格朗日函数如下：

其中，y_i(w^Tx_i+b)≥1为i个约束条件，α为输入数据，b为约束参数，w_i为法向量；

步骤412、在步骤411的基础上，构建分类器的第i个超平面：

先区分数据的线性和非线性情况：对于低维数据，通过可视化方式区分；对于高维数据，通过叠加定理区分；

再计算第i个超平面：

当数据为线性情况时，计算方法如下：

其中，求得的w_i为第i个超平面的法向量，f_i为偏移量，g_i是取值为正数的惩罚参数，ξ_i≥0为约束条件，和为元素全为1的列向量，A_i、B_i分别为两种分类器的第i个超平面拟合系数；

当数据为非线性情况时，计算方法如下：

其中，u_i为第i个超平面的法向量，f_i为偏移量，g_i是取值为正数的惩罚参数，ξ_i≥0为约束条件，和为元素全为1的列向量，A_i、B_i分别为两种分类器的第i个超平面拟合系数，N、C为核函数固定参数；

步骤42、根据步骤412可得到多分类孪生支持向量机的决策函数Lable(x)如下：

当数据为线性情况时：

当数据为非线性情况时：

通过多分类孪生支持向量机训练、测试得出的决策函数作为故障诊断分类结果，比较故障诊断结果与初始设定的故障类型及故障强度判断出所需验证的故障诊断方法的效果。