[发明专利]一种集成SVM机制的冷水机组故障诊断方法

权利要求书

1.一种集成SVM机制的冷水机组故障诊断方法，其特征在于，包括下述步骤：

步骤1：通过现场冷水机组系统中安装的传感器获得机组无故障运行和各类故障运行的历史数据；

步骤2：对机组无故障运行和各类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理；

步骤3：处理后的数据形成包括机组无故障和各类故障运行的数据训练集，利用该数据训练集分别构建无故障和各类故障运行数据对应的DW-SVDD模型和全故障SVM模型；现场冷水机组系统中传感器采集的机组无故障运行和各类故障运行的历史数据被包含在无故障和各类故障运行数据构建的以a'为中心R'为半径的DW-SVDD模型的超球体中和各类故障运行数据对应的全故障SVM模型的超平面中；

步骤4：进行在线故障检测，将现场冷水机组系统中采集的无故障运行或各类故障运行实测数据，采用与步骤2相同的稳态筛选、特征选择和标准化处理后，通过构建的无故障DW-SVDD模型进行故障检测；

步骤5：如果该实测数据到无故障DW-SVDD模型超球体中心a'的距离D'与无故障DW-SVDD模型比较，满足D'≤R'小于等于时，则现场冷水机组系统运行正常，故障检测结束；如果不满足，则进入下一步；

步骤6：若实测数据仅满足其中一个故障模型D'≤R'的条件，则诊断为该故障类型；若实测数据满足其中两个或多个故障模型D'≤R'的条件，则使用步骤3构建的全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障；

所述步骤3中，对DW-SVDD模型和全故障SVM模型中三个参数即k近邻中的k值，惩罚因子C和核参数g进行优化，步骤如下：

3a)对于给定训练集中的无故障和各类故障样本数据，首先给定k的一个取值区间，迭代计算出训练集各数据集点的密度权重，并分别训练DW-SVDD模型，从中选出无故障样本训练集自检测虚警率最低且低于10％时，所对应的k值为最优值；

3b)在训练DW-SVDD模型时，采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在90％～95％范围内，选择所对应的惩罚因子C和核参数g值并训练DW-SVDD模型，当训练的DW-SVDD模型对训练集的自检虚警率小于10％时，确定所对应的C，g值为最优值；

3c)在训练全故障SVM模型时，同样采用五折交叉验证及网格搜索的方法对C，g值进行参数优化，将训练集样本数据的交叉验证正确率控制在95％～100％范围内，选择所对应的惩罚因子C和核参数g值为最优的C，g值，将最优的C，g值代入SVM模型中，利用各类故障数据进行全故障SVM模型训练。

2.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述现场冷水机组系统中的传感器包括温度、压力、流量或功率传感器，获得数据包括机组储存历史数据和实测数据。

3.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述稳态筛选包括：通过传感器采集到的冷水机组系统中历史数据中包括掺杂的瞬态数据，该瞬态数据对于检测机组当前的运行状态会产生干扰，采用计算几何加权平均值和几何加权方差的方法进行稳态筛选。

4.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述特征选择包括冷水机组系统中成本低和对故障的敏感特征，所述成本低是指由温度传感器和压力传感器获得的特征；所述对故障敏感特征是指故障能引起特征的显著变化。

5.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述标准化处理是为了消除数据特征变量量纲和变量自身变异大小和数值大小的影响，将采集到的历史数据压缩到[-3,3]之间，采用数理统计中求解均值、均方差和标准化的方法，公式如下：

式中，x_i,j为样本数据中的参数，M_j为样本数据第j列特征参数的均值，σ_j为样本数据第j列特征参数的均方差，n为样本数据的个数，为标准化处理后样本数据中的参数。