一种基于多分类SVM信息感知的地铁风机智能诊断方法与流程

一种基于多分类svm信息感知的地铁风机智能诊断方法
技术领域
1.本发明涉及机器学习实际应用，特别是一种基于多分类svm信息感知的地 铁风机智能诊断方法。


背景技术：

2.近年来，我国积极推动工业化进程，交通运输事业蓬勃发展，全国各大城市 都在兴建地铁，轻轨等现代化交通工程。其中，地铁作为城市居民出行的主要交 通工具，在整个交通运输系统中有着重要的意义。
3.为了避免城市地面拥挤并充分利用空间，地铁大部分时间在地下运行，而地 下通常是密闭空间。因此，当地铁成功运营时，地铁上的通风系统需要保持地下 空间与外界的正常换气，满足地铁及时通风和设备正常运行。地铁风机是通风系 统中维持设备安全可靠运行的核心设备。它主要应用于地铁隧道及区间站厅、站 台的排风及火灾排烟，是保证地铁安全运行的重要手段，是实现地铁环境控制的 重要保证，对地铁安全运营起重要的保障作用。地铁风机的工作内容决定了其必 须具有高可靠性。如今，随着人们对于设备的安全性和可靠性的要求越来越高， 现代化机械的结构和功能日益复杂，对于设备故障诊断方面的需求也不断提高。


技术实现要素：

4.发明目的：本发明的目的是提供一种基于多分类svm信息感知的地铁风机 智能诊断方法，从而能够迅速确认故障类型并提供报警，一定程度上减少了轨道 交通非计划停机时间，增加了设备运行的安全性和经济性和提高设备有效利用率。
5.技术方案：本发明所述的一种基于多分类svm信息感知的地铁风机智能诊 断方法，包括以下步骤：
6.(1)通过安装于车站内风机轴承上设置的振动传感器提取振动信号；
7.(2)将振动信号通过傅里叶分析得到频谱分析，振动信号f(t)可以表示为：
[0008][0009]
其中，ω是频率，t代表时间，e-2πikt
是复变函数；
[0010]
(3)运用模糊方法将信号频率进一步划分提取频率分布，利用先验的专家知 识来处理数据，提取更准确的有效信息；
[0011]
(4)利用生成的历史数据对支持向量机模型进行训练学习：
[0012]
对于线性可分问题求解转化为约束最优化问题的求解，输入训练样本集：
[0013]
(x1,y1),(x2,y2),
…
,(x
l
,y
l
)
[0014]
其中为m维输入向量，yi＝{-1,1}为对应的样本标签，l为 样本数，i＝1,2,
…
,l；
[0015]
构造最化问题：
[0016][0017]
其中：ω为超平面(ω,b)的超平面的法向量；b是超平面截距；c为惩罚因子； ξi为松弛变量；进一步求解得到分类函数表达式：
[0018][0019]
对于非线性问题，通过引入核函数(kernel function)将其转化为高维空间的 线性可分问题，并保持转化前后内积保持不变；核函数k(x,z)满足：
[0020]
k(x,z)＝φ(x)
×
φ(z)
[0021]
其中φ(x)为映射函数，φ(x)
×
φ(z)为内积；
[0022]
最常用的核函数为高斯径向基函数(rbf)：
[0023][0024]
最终分类函数表达式转化为：
[0025][0026]
(5)利用支持向量机模型实时监控振动频率信号。
[0027]
所述步骤(3)具体为：
[0028]
(3.1)根据现场经验和理论分析，把频谱分析的频率模糊化处理，分为9个 等级，分别为：0～0.39f，0.4～0,49f，0.5f,，0.51～0.99f，1f，2f，3～5f，奇数倍f，》5f；
[0029]
(3.2)对风机的常见故障进行诊断研究，常见故障包括质量不平衡、转子不 对中、轴向摩擦、轴裂纹、轴承座松动、轴承损坏、联轴器损坏、间隙引起振动；
[0030]
(3.3)通过对风机常见故障的机理研究以及专家和现场经验，通过信号分析 以及模糊化处理，得出以上常见故障的特征向量，每类故障的部分结果如表1所 示。
[0031]
表1风机常见故障样本故障类型
[0032][0033]
所述步骤(4)中采用一对多支持向量机(one vs all svm)，在一类样本和 剩余样本之间构造超平面，达到多分类的目的。
[0034]
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行 时实现上述的一种基于多分类svm信息感知的地铁风机智能诊断方法。
[0035]
一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运 行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于多分类 svm信息感知的地铁风机智能诊断方法。
[0036]
有益效果：与现有技术相比，本发明具有如下优点：
[0037]
1、本发明能够对地铁风机在线监测，可以迅速确认故障类型并提供报警，为 维修人员提供维护、检修的意见，一定程度上减少了轨道交通非计划停机时间、 增加了设备运行的安全性和经济性和提高设备有效利用率。
[0038]
2、本发明在只有少量训练样本的条件下，准确性基于优于支持回归模型的方 法，更加适应实际工程需要，降低了使用门槛，提高了对设备的适用性。
附图说明
[0039]
图1为本发明的步骤流程图。
具体实施方式
[0040]
下面结合附图对本发明的技术方案作进一步说明。
[0041]
如图1所示，一种基于多分类svm信息感知的地铁风机智能诊断方法，包 括以下步骤：
[0042]
(1)通过安装于车站内风机轴承上设置的振动传感器提取振动信号；
[0043]
(2)将振动信号通过傅里叶分析得到频谱分析，振动信号f(t)可以表示为：
[0044][0045]
其中，ω是频率，t代表时间，e-2πikt
是复变函数；
[0046]
(3)运用模糊方法将信号频率进一步划分提取频率分布，利用先验的专家知 识来处理数据，提取更准确的有效信息；
[0047]
根据现场经验和理论分析，把频谱分析的频率模糊化处理，分为9个等级， 分别为：0～0.39f，0.4～0,49f，0.5f,，0.51～0.99f，1f，2f，3～5f，奇数倍f，》5f；
[0048]
地铁风机由于长时间高负荷的运行，经常发生故障，本实施例主要对风机的 常见故障进行诊断研究，包括质量不平衡、转子不对中、轴向摩擦、轴裂纹、轴 承座松动、轴承损坏、联轴器损坏、间隙引起振动等8类故障；
[0049]
通过对风机常见故障的机理研究以及专家和现场经验，通过信号分析以及模 糊化处理，得出以上常见故障的特征向量，每类故障的部分结果如表1所示，利 用该向量作为一对多支持向量机(ovr)和支持向量回归(svr)的故障训练样 本，网络目标输出如表2所示。
[0050]
表1风机常见故障样本故障类型
[0051][0052][0053]
表2网格目标输出
[0054][0055]
(4)利用生成的历史数据对支持向量机模型进行训练学习：
[0056]
对于线性可分问题求解转化为约束最优化问题的求解，输入训练样本集：
[0057]
(x1,y1),(x2,y2),
…
,(x
l
,y
l
)
[0058]
其中为m维输入向量，yi＝{-1,1}为对应的样本标签，l为 样本数，i＝1,2,
…
,l；
[0059]
构造最化问题：
[0060][0061]
其中：ω为超平面(ω,b)的超平面的法向量；b是超平面截距；c为惩罚因子； ξi为松弛变量；进一步求解得到分类函数表达式：
[0062][0063]
对于非线性问题，通过引入核函数(kernel function)将其转化为高维空间的 线性可分问题，并保持转化前后内积保持不变；核函数k(x,z)满足：
[0064]
k(x,z)＝φ(x)
×
φ(z)
[0065]
其中φ(x)为映射函数，φ(x)
×
φ(z)为内积；
[0066]
最常用的核函数为高斯径向基函数(rbf)：
[0067][0068]
最终分类函数表达式转化为：
[0069]
[0070]
利用上述故障样本库对一对多支持向量模型进行训练，并分别利用 linearsvc模型和logisticregression模型对表3的未知故障样本进行诊断。 linearsvc模型的诊断结果由距离决策平面的距离最大值决定，如图表4所示。 logisticregression模型由每个分类的最大可能性决定，如图表5所示。
[0071]
表3待识别的故障样本
[0072][0073]
表4故障样本与各超平面的距离
[0074][0075]
表5故障样本各个故障的可能性
[0076][0077]
从表4可以看出，对于第一组输入数据，输出故障4具有最大距离-0.546， 所以故障类型为轴裂纹；对于第二组输入数据，输出故障7具有最大距离-0.543， 所以故障类型为联轴器损坏，对于最后一组输入数据,输出故障3具有最大值
ꢀ‑
0.536所以故障类型为轴向摩擦。诊断结果与实际检修结果一致。而从表5可以 看出，对于第一组数据，输出故障4具有最大可能性0.1297，所以故障类型为联 轴器损坏；对于第二组数据，输出故障2具有最大可能性0.1301，所以故障类型 为转子不对中；对于第三组数据，输出故障3具有最大可能性0.1282，所以故障 类型为轴向摩擦。除第二组外，诊断结果与实际检查结果一致。
[0078]
从上述研究结果可以得出，linearsvc模型和logisticregression模型可以实 现故障特征和故障类型的映射关系，并且利用logisticregression等支持向量回归 模型来进行多故障诊断的准确性不及linearsvc模型的准确性。这是由于回归模 型的准确性是随着数据量的增加而提高，支持向量机模型的准确性只由支持向量 绝对，数据量的影响较小。因此，在只有少量训练样本的条件下，支持向量机模 型的准确性优于支持回归模型。
[0079]
(5)利用支持向量机模型实时监控振动频率信号。