一种基于粒子群优化支持向量回归的设备故障预测方法与流程

本发明属于设备故障预测领域，更具体地，涉及一种基于粒子群优化支持向量回归的设备故障预测方法。

背景技术：

如今随着计算机控制和信息管理技术的快速发展，工业生产制造朝着大型化、智能化、自动化等方向升级，组成生产系统的各个生产设备或环节相互关联、相互影响，一旦其中任何一个设备或环节出现故障，轻则导致系统功能失效，影响正常的生产，造成企业重大经济损失，严重时会造成人员安全事故，给国家和人民带来损失。

从安全生产和企业经济效益的角度来说，通过对工业生产关键设备的运行数据进行故障预测是十分必要的。故障预测是根据历史运行数据和当前运行状态对未来一段时间将要发生的故障进行预测。

现有的故障预测方法可以分为基于模型的预测方法、基于概率统计的预测方法、基于数据驱动的预测方法。基于模型的预测方法是依据相关的专业理论和知识得到对象系统的精确数学模型，对故障机理进行分析后评估系统部件的剩余寿命，这种方法要求系统模型相对精确，一旦模型不合理，那么预测状态结果就会偏差很大。基于概率统计的预测方法是运用数理统计原理，以少样本推测整体的特性，通过分析设备或系统的特性变化，实现对故障的预测，该方法实现较为简单，但对于复杂多变的系统预测精度相对较低。基于数据驱动的预测方法对系统模型精度要求不高，通过数据挖掘算法进行故障预测，但预测精度依赖于数据挖掘算法的参数优化，不同的参数训练出来的模型会有差异，如果参数不进行优化或优化效果不好，则预测精度也不准确。同时，预测算法的参数优化方法也存在效率低的问题。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明基于数据驱动的预测方法，提供了一种基于粒子群优化支持向量回归的设备故障预测方法，由此解决现有的故障预测方法预测结果偏差大、预测精度相对较低，以及预测算法的参数优化效率低的问题。

为实现上述目的，本发明提供了一种基于粒子群优化支持向量回归的设备故障预测方法，包括：

(1)基于小波分解方法，对待预测设备的振动信号数据进行多层小波分解得到特征数据；

(2)按照所述特征数据的时间顺序，从所述特征数据中取前n个连续的特征数据构成时间序列，按照预设的映射维数m，将所述时间序列构建成行数为n-m+1，列数为m的待预测输入样本；

(3)根据所述待预测输入样本，使用训练好的支持向量回归模型，得到待预测设备的未来振动信号数据，以判断所述待预测设备是否会发生故障。

优选地，步骤(1)包括：

对工业生产待预测设备的振动信号数据在连续小波变换后，进行离散小波变换，将振动信号数据分别经过低通滤波器和高通滤波器，得到低频分量和高频分量，接着对低频分量继续进行低通滤波器和高通滤波器分解，得到次低频分量和次高频分量，对次低频分量继续进行低通滤波器和高通滤波器分解，重复执行以上分解操作，直至达到预设分解次数，计算各个分量的能量和总能量，将各个分量能量占总能量的比值作为特征数据。

优选地，所述预设分解次数为3～6次。

优选地，步骤(2)包括：

按照所述特征数据的时间顺序，从所述特征数据中取前n个连续的特征数据构成时间序列{x1,x2,...,xn}，按照预设的映射维数m，依次建立行向量：{x1,x2,...,xm},...,{xn-m+1,xn-m+2,...,xn}，进而建立行数为n-m+1，列数为m的输入样本x：

其中，x中的元素表示特征数据。

优选地，对于设备故障预测问题，是根据输入样本x，通过待预测设备的未来振动信号数据判断待预测设备是否会发生故障。

优选地，所述训练好的支持向量回归svr模型的训练过程包括：

基于小波分解方法，对经过标记的设备振动信号数据进行多层小波分解得到特征数据；

按照所述特征数据的时间顺序，从所述特征数据中取前n个连续的特征数据构成时间序列，按照预设的映射维数m，将所述时间序列构建成行数为n-m+1，列数为m的训练数据集；

由所述训练数据集训练支持向量回归svr模型，采用粒子群pso算法优化svr的关键参数，将使得训练数据集分类准确率最高的svr模型参数作为svr模型的最优参数组合，得到训练好的支持向量回归svr模型，以通过训练好的支持向量回归svr模型对待预测设备进行故障预测，其中，svr的关键参数包括核函数的惩罚系数c、高斯核带宽σ和不敏感系数ε。

优选地，所述经过标记的设备振动信号数据是指已知设备运行状态是正常状态的数据还是故障状态的数据，以及是属于哪一种故障状态。

优选地，所述支持向量回归svr模型的核函数为高斯径向基核函数，以空间向量(c,σ,ε)作为粒子群算法中的粒子，c表示svr的核函数的惩罚系数，σ表示高斯核带宽，ε表示不敏感系数，通过粒子群优化算法选取出最优的粒子，以得到支持向量回归svr模型的惩罚系数、高斯核带宽及不敏感系数的最优组合，包括：

s1：初始化参数，设定最大迭代次数gmax、粒子位置的限定范围、粒子速度的限定范围及粒子种群规模，随机为粒子种群中的每个粒子指定初始位置和速度参数，粒子i的位置为(xi,c,xi,σ,xi,ε)，其中xi,c代表惩罚系数c值大小，xi,σ代表高斯核带宽σ值大小，xi,ε代表不敏感参数ε值大小，粒子i的速度为(vi,c,vi,σ,vi,ε)；

s2：将粒子的位置(xi,c,xi,σ,xi,ε)作为参数训练svr模型，用均方误差的倒数衡量粒子的适应度值；

s3：更新各粒子的速度和位置，若粒子速度及位置超出了各自的限定范围，则取边界值，限制粒子速度和位置，对于更新后的每个粒子，若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度，则将当前位置作为该粒子的最佳位置；

s4：更新种群位置，将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较，若某个粒子当前最佳位置对应的适应度值更高，则将该粒子当前最佳位置作为种群的最佳位置；

s5：若迭代次数小于预设最大迭代次数，且最佳适应度值小于预设阈值，则返回步骤s2继续迭代，否则结束迭代，将得到的种群最佳位置作为svr模型的惩罚系数、高斯核带宽及不敏感系数的最优组合。

优选地，所述粒子的适应度值为均方误差的倒数，均方误差的计算公式为：mse表示均方误差，q为粒子样本数，yi表示已知的设备振动信号的实际特征量，表示用svr模型计算出来的设备振动信号的预测特征量，mse值越小，粒子的适应度值越高，说明预测与实际值之间差别越小，预测精度越高。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明可以实现基于数据驱动的工业生产关键设备故障预测，采用粒子群算法优化支持向量回归模型关键参数，利用支持向量回归(supportvectorregression，svr)模型，根据设备历史振动信号数据和当前实时振动信号数据，进行设备故障预测分析，提高了预测精度。

(2)支持向量回归模型参数的选取一般是根据数据样本统计信息与核函数参数间的关系，依据经验确定核函数参数的取值，这种方式确定参数后，在svr构造过程中不再进行更改，不能适应多类型的数据，而且根据经验给定值并不能确保是最优的，手动调节参数效率也不高。因此，本发明采用粒子群算法对支持向量回归的svr模型核函数参数进行优化，提供了一种可行、有效的svr模型参数优化方法。

(3)本发明方法使用pso(particleswarmoptimization，粒子群优化)算法对支持向量回归模型的3个关键参数：惩罚系数c、高斯核带宽σ和不敏感系数ε进行优化，同时得到最优的3个关键参数，而不是逐个参数进行优化，提高了优化效率。

附图说明

图1是本发明实施例提供的一种基于粒子群优化支持向量回归的设备故障预测方法的流程示意图；

图2是本发明的第一实施例提供的一种离散小波变换分解结构示意图；

图3是本发明的第一实施例提供的一种电机轴承振动数据的6层dwt分解图；

图4是本发明实施例提供的一种基于粒子群算法进行支持向量回归模型参数的优化流程示意图；

图5是本发明实施例提供的一种基于粒子群优化支持向量回归的设备故障预测方法的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于粒子群优化的支持向量回归故障预测方法，包括：

(1)基于小波分解方法，对待预测设备的振动信号数据进行多层小波分解得到特征数据；

(2)按照所述特征数据的时间顺序，从所述特征数据中取前n个连续的特征数据构成时间序列，按照预设的映射维数m，将所述时间序列构建成行数为n-m+1，列数为m的待预测输入样本；

(3)根据所述待预测输入样本，使用训练好的支持向量回归模型，得到待预测设备的未来振动信号数据，以判断所述待预测设备是否会发生故障。

实施例1

本发明实施例1的数据集来自采矿行业的提升机电机轴承振动数据，每隔10分钟获取一次振动数据，振动数据的时间窗口为1秒，采样率为20khz。经过以下步骤，进行电机的故障预测：

步骤(1)：使用基于小波分解方法，对工业生产待预测设备的振动信号数据进行特征提取。

连续小波变换(continuouswavelettransform，cwt)公式为：

其中，a是尺度参数,代表频率的倒数；b是平移参数；f(t)代表原始信号；ψ(t)代表小母波函数。

由于采集到的振动信号是离散信号，因此进行离散小波变换(discretewavelettransform，dwt)，具体方法是：

在连续小波变换的基础上，用2^j和2^k分别替换掉公式(1)中的a和b，得到公式(2)：

原始信号f(t)，分别经过低通滤波器l和高通滤波器h，得到低频分量ca和高频分量cd，接着对低频分量继续进行滤波器l和h分解，得到次低频分量和次高频分量，依此进行迭代分解，最终进行k次分解得到k+1组分量。

进一步地，在本发明实施例中的迭代分解次数可以选取3～6次。

图2给出了3层dwt分解结构示意图，迭代次数为3次。f(t)第一次小波分解得到低频分量ca1和高频分量cd1，对ca1进行第二次分解得到次低频分量ca2和次高频分量cd2，再对ca2进行第三次分解得到低频分量ca3和高频分量cd3，最终得到(ca3,cd3,cd2,cd1)四组分量。

如图3所示，对电机轴承振动数据采用6层dwt分解，迭代次数为6次。截取1200个连续数据进行分解，得到(ca6,cd6,cd5,cd4,cd3,cd2,cd1)七组分量的信息。

然后计算各个分量的能量e1,e2,...,em，计算公式为：

其中，ej代表原信号分解后的第j个小波谱能量，xj(i)代表dwt分解后的第j个分量，m表示总体小波谱能量分解后的分量能量的个数，w表示第j个分量的离散量的个数。

原信号的总体小波谱能量s等于各个分量能量之和，即s＝e1+e2+...+em，各个分量能量占总能量的比值为：

将各个分量能量占总能量的比值作为特征数据，获得7维特征量。

在本发明实例中，m＝7。

步骤(2)：按照所述特征数据的时间顺序，从所述特征数据中取前n个连续的特征数据构成时间序列{x1,x2,...,xn}，按照预设的映射维数m，依次建立行向量：{x1,x2,...,xm},...,{xn-m+1,xn-m+2,...,xn}，进而建立行数为n-m+1，列数为m的输入样本x：

其中，x中的元素表示特征数据。

其中，n与m的值可以根据实际需要确定。

进一步地，对于设备故障预测问题，是根据输入样本x，通过预测设备的未来振动信号数据判断设备是否会发生故障。

步骤(3)：使用训练好的支持向量回归模型，判断所述待预测设备是否会发生故障。

进一步地，训练过程包括：使用步骤(1)和(2)，将经过标记的设备振动信号数据作为训练数据集，训练支持向量回归svr模型，采用粒子群pso算法优化svr的关键参数，svr的关键参数包括核函数的惩罚系数c、高斯核带宽σ和不敏感系数ε，将使得训练数据集分类准确率最高的svr模型参数作为svr模型的最优参数组合，得到训练好的支持向量回归svr模型，以通过训练好的支持向量回归svr模型对待预测设备进行故障预测。

进一步地，标记的设备振动信号数据是指已知设备运行状态是正常状态的数据还是故障状态的数据，以及是属于哪一种故障状态。

进一步地，支持向量回归svr模型的核函数为高斯径向基核函数，以空间向量(c,σ,ε)作为粒子群算法中的粒子，c表示svr的核函数的惩罚系数，σ表示高斯核带宽，ε表示不敏感系数。

如图4所示，通过粒子群优化算法选取出最优的粒子，以得到支持向量回归svr模型的惩罚系数、高斯核带宽及不敏感系数的最优组合，包括：

s1：初始化参数，设定最大迭代次数gmax，粒子位置、速度的限定范围分别为[xmin,c,xmax,c][xmin,σ,xmax,σ][xmin,ε,xmax,ε]和[-vmax,c,vmax,c][-vmax,σ,vmax,σ][-vmax,ε,vmax,ε]，粒子种群规模n，随机为粒子种群中的每个粒子指定初始位置和速度参数，粒子i的位置为(xi,c,xi,σ,xi,ε)，其中xi,c代表惩罚系数c值大小，xi,σ代表高斯核带宽σ值大小，xi,ε代表不敏感参数ε值大小，粒子i的速度为(vi,c,vi,σ,vi,ε)，其中，vi,c表示粒子i的惩罚系数c分量的飞行速度矢量，vi,σ表示粒子i的高斯核带宽σ分量的飞行速度矢量，vi,ε表示粒子i的不敏感参数ε分量的飞行速度矢量；

s2：将粒子的位置(xi,c,xi,σ,xi,ε)作为参数训练svr模型，粒子群样本数量为q，用均方误差的倒数衡量粒子的适应度值，均方误差(mse)表达式为：

其中，yi表示已知的设备振动信号的实际特征量，表示用svr模型计算出来的设备振动信号的预测特征量，mse值越小，粒子的适应度值越高，说明预测与实际值之间差别越小，预测精度越高；

s3：更新各粒子的速度和位置，若粒子速度及位置超出了各自的限定范围，则取边界值，限制粒子速度和位置，对于更新后的每个粒子，若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度，则将当前位置作为该粒子的最佳位置，

具体地，粒子i的最佳位置pbesti＝(pi,c,pi,σ,pi,ε)，pbesti用于记录粒子i的适应度值最高的位置信息；

依据下面两个公式更新各粒子的速度和位置：vi与xi，假如粒子位置、速度超出了设定区间，则取边界值，限制粒子速度和位置：

其中，表示第k次迭代中，粒子i的惩罚系数c分量的飞行速度矢量；w表示惯性权重(本实施例中，取值为0.8)；表示第k-1次迭代中，粒子i的惩罚系数c分量的飞行速度矢量；c1和c2表示加速度常数(本实施例中，取值为1.5)，用于调整更新步长；r1和r2是范围在0到1的随机数，用以增强搜索随机性；pi,c表示粒子i个体经过的最佳位置pbesti＝(pi,c,pi,σ,pi,ε)中的惩罚系数c分量的最佳位置；表示第k-1次迭代中，粒子i的惩罚系数c分量的位置矢量；gc表示种群经过的最佳位置gbest＝(gc,gσ,gε)中的惩罚系数c分量的最佳位置；

表示第k次迭代中，粒子i的高斯核带宽σ分量的飞行速度矢量；表示第k-1次迭代中，粒子i的高斯核带宽σ分量的飞行速度矢量，pi,σ表示粒子i个体经过的最佳位置pbesti＝(pi,c,pi,σ,pi,ε)中高斯核带宽σ分量的最佳位置；表示第k-1次迭代中，粒子i的高斯核带宽σ分量的位置矢量；gσ表示种群经过的最佳位置gbest＝(gc,gσ,gε)中的高斯核带宽σ分量的最佳位置；

表示第k次迭代中，粒子i的不敏感参数ε分量的飞行速度矢量；表示第k-1次迭代中，粒子i的不敏感参数ε分量的飞行速度矢量；pi,ε表示粒子i个体经过的最佳位置pbesti＝(pi,c,pi,σ,pi,ε)中的不敏感参数ε分量的最佳位置；表示第k-1次迭代中，粒子i的不敏感参数ε分量的位置矢量；gε表示种群经过的最佳位置gbest＝(gc,gσ,gε)中的不敏感参数ε分量的最佳位置。

表示第k次迭代中，粒子i的惩罚系数c分量的位置矢量；

表示第k次迭代中，粒子i的高斯核带宽σ分量的位置矢量；

表示第k次迭代中，粒子i的不敏感参数ε分量的位置矢量。

s4：更新种群位置，将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较，若某个粒子当前最佳位置对应的适应度值更高，则将该粒子当前最佳位置作为种群的最佳位置；

具体地，种群的最佳位置gbest＝(gc,gσ,gε)，gbest用于记录群体中所有粒子在迭代过程中的最高适应度值所对应的位置信息；

s5：若迭代次数k小于预设最大迭代次数gmax，且最佳适应度值小于给定阈值，则返回步骤s2继续迭代，否则结束迭代，将得到的种群最佳位置作为svr模型的惩罚系数、高斯核带宽及不敏感系数的最优组合。

训练完成后，使得训练数据集分类准确率最高的种群最佳位置即是所述svr模型的最优参数解，包含惩罚系数c、高斯核带宽σ和不敏感参数ε最优组合。本实施例中，训练完成后的最优参数：惩罚系数c＝244、高斯核带宽σ＝14.569448和不敏感参数ε＝0.001464。

如图5所示为本发明实施例提供的一种基于粒子群优化支持向量回归的设备故障预测方法结构图，实现基于数据驱动的工业生产关键设备故障预测。首先对电机轴承振动数据，进行多层小波分解得到特征数据，然后构造输入样本，使用支持向量回归模型，对设备进行故障预测。

利用pso算法，同时优化支持向量回归模型的3个关键参数，为支持向量回归模型参数的优化提供了一种可行、高效的方法，并提高了利用支持向量回归算法进行设备故障预测的准确性。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。