[发明专利]一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法

说明书

技术领域

本发明涉及一种旋转机械早期故障诊断的一体化智能诊断方法，特别是涉及一种基于遗 传退火优化多核支持向量机的旋转机械早期故障一体化智能诊断方法。

背景技术

旋转机械的早期故障是威胁旋转机械安全可靠运行的主要问题，如果能够对旋转机械的 早期故障进行可靠诊断，提前掌握旋转机械的运行状态，即可避免旋转机械的早期故障逐渐 渐变发展成典型故障，最终导致旋转机械突然停机等恶性事件发生。广义上讲，旋转机械设 备早期故障诊断是针对目前正在运行的旋转机械设备，辨识旋转机械设备当前的运行状态， 找出其故障源和故障部位，分析其故障成因，并提出合理的解决方案。其研究内容主要涉及 机械动力学、材料学、机械设备测试技术、工程信号处理技术、计算机技术等，其主要方法 是依据机械动力学和材料学的理论，分析旋转机械的故障机理，采用传感器测出旋转机械当 前的运行状态信号，对信号进行分析处理，并构造智能化算法对旋转机械设备当前的运行状 态进行诊断辨识。

传统在旋转机械设备早期故障诊断过程中，技术人员首先利用机械动力学和材料学的知 识分析旋转机械的故障机理，并利用各类传感器采集旋转机械的运行状态信号；随后对获取 的各类运行状态信号进行分析处理，提取状态信号的主要特征指标；最后利用人工智能、计 算机技术建立故障诊断模型，根据特征指标的量值大小，推理出旋转机械设备当前的运行状 态。对于旋转机械而言，振动信号对其运行状态的反映最为直接，因此，对旋转机械而言一 般是采用振动信号进行分析，但是反映旋转机械早期故障的振动信号强度相对较小，虽然通 过现代高精度的传感器能够采集到早期故障特征信息，但是受到信号传播途径、传播介质等 环境因素的干扰，很难精确提取出旋转机械早期故障的振动特征。在故障诊断模型的构建过 程中，目前应用最多的是二类分类法、K近邻分类算法、人工神经网络(ArtificialNeural Network，ANN)和支持向量机(SupportVectorMachine，SVM)等，二类分类法、K近邻 分类算法简单，但是可靠性低，ANN的可靠性有所改善，但是容易出现过学习或欠学习而陷 入局部极小，SVM在这之中性能相对最优，但是参数选择以及核函数的构造也具有一定的随 机性，因此要建立合理可靠的早期故障智能诊断模型也并非易事。

本发明主要针对旋转机械基于支持向量机的智能诊断算法进行的更新改进。在传统采用 支持向量机进行故障诊断过程中，一般是直接将获取的早期故障特征指标输入到支持向量机 进行分类辨识，对于支持向量机的结构，通常采用的是单核支持向量机，对于支持向量机的 参数通常采用试凑法或者是简单的优化算法获取。本发明中，对于支持向量机的结构，在传 统单核SVM的基础上，通过对各类独立核进行加权融合而形成的一种新型机器学习模型，即 多核混合支持向量机(Multi-kernelSupportVectorMachine，MSVM)，MSVM继承了传统单 核SVM的泛化推广能力和自学习能力。在利用MSVM进行旋转机械早期故障的诊断过程中， 各个独立核的核函数参数及其权重因子的合理选择将直接影响MSVM的辨识性能，通过综合 遗传算法(GeneticAlgorithm,简称GA)和模拟退火算法(SimulatedAnnealing,简称SA)各 自的优势，构造了遗传退火算法(GeneticSimulatedAnnealingAlgorithm,简称GA-SA)，进而 实现了对MSVM控制参数的最佳择优。由此形成的基于遗传退火优化多核支持向量机的旋转 机械早期故障诊断方法，该方法具有较好的抗干扰能力，泛化推广能力强，为旋转机械的早 期故障智能诊断提供了一种新的途径。

发明内容