[发明专利]一种基于特征处理的复杂设备故障诊断方法

摘要

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。 1

主权项

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。

5.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4中所述的将设备动作的时间特征信息和电流值特征信息融合，其作法如下：首先，对划分的各时域区段的12项特征信息进行汇总，构成多维时域特征向量；然后，对划分的各电流值域区段的8项特征信息进行汇总，构成多维电流值域特征向量；最后，对这两项多维特征向量进行融合作为设备动作电流曲线的高维特征表示集。

6.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5中所述的Fisher方法，是指一种经典的二类特征选择方法，该方法将各个特征表示值的类间距离与类内距离的比值作为Fisher准则函数，函数值越大，则表示该项特征对于分类识别的鉴别性能越强；使用单个特征的Fisher准则函数，对特征排序并选择出鉴别性能较强的特征，能形成新的低维特征表示集，实现特征降维的目的；

在步骤5中所述的使用Fisher方法对高维特征表示数据集进行特征选择，其作法如下：首先，使用Fisher准则二类特征选择法，计算每一种典型故障模式与正常模式间准则函数值，第i类故障模式的设备动作电流曲线的第d维特征F_d的Fisher准则函数为：

这里，类间方差S_B,d与类内方差S_W,d分别定义为：

这里，m_i,d和σ_i,d分别是特征F_d在第i类中的均值与标准差；然后，确定特征选择标准，采取过半选择的方式，即以该故障模式的Fisher准则函数值最大值的一半为标准，各维特征数据的Fisher准则函数值超过此标准的，则被选择，低于此标准，则被丢弃；最后，将选择出