[发明专利]一种基于SVM的大型设备健康状况评估方法

说明书

本发明提供了一种基于SVM的大型设备健康评估方法，涉及机电领域和机器学习等应用领域。包括S1、对已有设备健康状况数据集，对其中多个健康相关属性，采用SVM多分类算法进行模型训练；S2、获取所需评估设备的多个健康相关属性；S3、根据训练出的模型，对所需评估设备的多个健康相关属性信息进行计算分析，以获得健康状况评估的结果信息。本发明方法相比传统的大型设备健康状况的评估方法切实可行，评估效果好，评估结果可以为售后服务、二手交易、产品改进等提供参考。

技术领域

本发明提供了一种基于SVM的大型设备健康评估方法，涉及机电领域和机器学习等应用领域。

背景技术

随着现代科技工业技术的迅速发展，在机械设备制造、通信设备制造以及建筑工业等各个领域的大型设备日趋复杂，大量纷繁复杂的功能得到进一步扩展，智能化程度不断提高。大型机电设备价格昂贵，其健康状态易受工作环境、人为误操作、设备磨损等因素影响，由于零部件较多且封装性较高造成很多设备故障和功能失效难以通过设备的外部特征及时发现，因此基于数据分析方法的大型设备的健康状况评估方法成为研究者们关注的焦点。在售后服务、二手交易、产品改进等使用环境下，传统的计划维修或者事后维修已不再适应需求。因此，如何根据设备的在保状况、购机时长、保养及时率、违规作业记录、设备故障情况等信息正确评估大型设备的健康状况，及时有效的进行售后服务、为二手大型设备交易服务以及对产品进行及时升级，成为售后服务中心日常运营中的一项重要工作。

而基于数据的机器学习是现代智能技术中的重要方面，研究从观测样本出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。在机器学习中，支持向量机(Support Vector Machine，SVM)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。一个SVM模型的例子，如在空间中的点映射，使得所述不同的类别的例子是由一个明显的差距是尽可能宽划分的表示。新的实施例则映射到相同的空间中，并预测基于它们落在所述间隙侧上属于一个类别。支持向量机的重要理论基础是统计学习理论的VC维理论和结构风险最小化原理。根据统计学习理论，学习机器的实际风险由经验风险值和置信范围值两部分组成。传统的统计模式识别方法在进行机器学习时，强调经验风险最小化。而基于经验风险最小化准则的学习方法只强调了训练样本的经验风险最小误差，没有最小化置信范围值，会产生“过学习问题”，其推广能力较差。SVM根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷以期获得最好的推广能力，从而使其学习机获得了更好的推广性能，这恰恰是统计学习理论最重要的目标之一。SVM可以自动寻找对分类有较好区分能力的支持向量，由此构成的分类器可以最大化类与类之间的间隔。SVM有严格的数学推理，可以进行小样本分类，特别适合处理复杂的非线性分类问题。但是其训练时间非常长，对于多分类问题是无法直接处理的。

综上所述，传统的计划维修或者事后维修已不再适应大型设备的使用需求，而支持向量机是用来进行二值分类的有效方法，在多分类中使用较少。因此，本发明旨在采用基于支持向量机SVM的多分类算法对大型设备的多个健康属性数据进行建模，以便准确的评估设备健康状况。

大型设备的健康状况涉及到多种数据：在保状况、购机时长、保养及时率、违规作业记录以及设备故障情况等。如何对这些数据进行处理，使得其在之后的设备健康评估中起作用是一个很重要的问题。因此需要提出一种有效的健康状况评估方法，可以准确的进行健康状况评估。

发明内容

本发明针对当前技术无法正确评估大型设备健康状况的缺陷，提供一种基于SVM的大型设备健康状况评估方法，具体的是使用SVM多分类方法对大型设备健康状况进行评估的方法，以正确评估大型设备的健康状况。

本发明是采取以下技术方案实现的：