[发明专利]一种燃机压气机设备故障趋势预测方法

说明书

本发明公开了一种燃机压气机设备故障趋势预测方法，选择压气机某一运行状态下特定的运行参数组成特征向量，表征这个运行状态，通过高斯核函数将特征向量映射到高斯核函数空间中完成分类，选用分数范数作为高维空间中距离度量的准则，基于分数范数对高斯核函数空间样本点可分性指标求解。本发明的优点在于：对高斯核函数空间样本点可分性指标求解的公式是基于分数范数构造的，对特征向量在高斯空间中的映射点的形式进行改造，使其满足工程计算精度需要并节省时间成本。

技术领域

本发明涉及高维数据的处理方法技术领域，尤其涉及一种燃机压气机设备故障趋势预测方法。

背景技术

目前服役燃机机组较少，设备运行状态参数较少，因此燃机压气机设备故障趋势预测属于小样本辨识范畴。燃机压气机设备故障过程是一个复杂的过程，单一运行参数不足以反映设备的性能状态，需要结合多种参数进行组合预测，多维数据的预测属于高维空间分类识别范畴。因此燃机压气机设备故障趋势预测存在两个典型特征——小样本和高维空间分类识别。

对燃机压气机运行过程中不同退化阶段的预测是个多分类问题。多分类问题通常是通过构造一系列的二类分类器并将他们通过某种方式组合在一起间接实现多类分类。故障诊断系统中存在多个二类分类器，每个分类器中的正负类样本选取都会直接影响该分类器的分类精度，进而影响到整个系统的诊断正确率。基于此，应该选择易于区别的两类故障作为分类器的正负类，即需要一个不同类别的可分性判据。

目前表现较为优异的二类分类器例如支持向量机(Support Vector Machine,SVM)、相关向量机(Relevance Vector Machine,RVM)均是通过核函数将低维数据映射到高维空间中完成分类。由于分类器是在高维空间中完成分类，正负类别的选取应该基于样本数据在高维空间中的可分性，低维空间中的可分性判据往往并不适用于高维空间中。同时在高维空间中，存在着度量集中现象，传统的基于几何距离的类内类间方差并不适用于高斯核函数空间。

发明内容

本发明所要解决的技术问题是提供一种可以更好地反映样本在高斯核函数空间中的可分性的燃机压气机设备故障趋势预测方法。

本发明是通过以下技术方案解决上述技术问题的：一种燃机压气机设备故障趋势预测方法，包括以下步骤：选择压气机某一运行状态下特定的运行参数组成特征向量，表征这个运行状态，通过高斯核函数将特征向量映射到高斯核函数空间中完成分类；

选用分数范数作为高维空间中距离度量的准则，基于分数范数对高斯核函数空间样本点可分性指标求解；

设X＝(x₁,x₂,…,x_i)，Y＝(y₁,y₂,…,y_z)，其中i＝1,2,…n₁，z＝1,2,…,n₂，X和Y是原始数据空间中的两类样本，

X和Y在高斯核函数空间中的均值向量μ_x和μ_y分别为：

X和Y的类间离散度距离S_xy为：

X和Y的类内距离S_x和S_y分别为：

式中μ_xi和μ_yi分别表示向量μ_x和μ_y中第i维数值，

和分别表示向量和中的第m维和第n维数值；

则X和Y在高斯核函数空间内的可分性指标d_xy为：