一种基于密度诱导支持向量数据描述的故障诊断方法

本发明属于故障诊断领域，涉及支持向量数据描述技术，具体涉及一种基于密度诱导支持向量数据描述递归特征消除的故障诊断方法。

背景技术：

1、由于现代化技术的快速发展，数字化监控在工业过程中占据了不可或缺的地位，通过传感器等设备收集机器在运转过程中的状态、变化和进程等数据可以帮助操作人员更好地监控机器。及时准确地检测出故障以及得到故障发生的原因是监控工业数据的主要任务。为了实现这一目的，由数据驱动的故障检测和故障诊断方法被广泛地应用于工业过程中。

2、支持向量数据描述（support vector data description，svdd）是一种异常检测的学习方法，被广泛应用于工业数据的故障诊断中，但是除了需要检测出故障外，更重要的是找出故障的原因，并对它进行分析，所以利用特征选择的方法将收集到的故障数据进行分类，根据某一故障数据得到的特征子集可以推断出过程中的某一位置或某一状态发生了异常，需要进行排查与维修。所以结合支持向量数据描述方法和特征选择方法构建学习模型能够实现故障诊断的目的。但是支持向量数据描述只是根据正常数据构建一个超球体，只考虑了支持向量对于超球体的影响，而忽略了大部分的数据，易受噪音的干扰。为充分考虑数据的分布，研究人员提出利用密度诱导支持向量数据描述（density-induced supportvector data description，dsvdd）来改善传统的支持向量数据描述在异常检测中的表现。密度诱导支持向量数据描述方法是在构建超球体时引入数据的密度，均衡数据对学习模型的影响。通过密度诱导支持向量数据描述方法得到的故障检测模型可以实现异常数据的监测，但是进一步分析异常数据发生故障的原因还没有实现，需要进一步地完善诊断流程，建立完整的故障诊断模型。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，提供一种基于密度诱导支持向量数据描述递归特征消除的故障诊断方法，该方法的创新点是在密度诱导支持向量数据描述的基础上利用递归特征消除的特征选择方法得到特征排序，从而确认故障类型，实现完整的故障诊断流程。

2、技术方案：为实现上述目的，本发明提供一种基于密度诱导支持向量数据描述递归特征消除的故障诊断方法，包括如下步骤：

3、s1：采集数据并对数据进行标准化预处理，得到正常数据和故障数据；

4、s2：利用正常数据训练得到检测模型；

5、s3：对故障数据进行训练得到故障特征排序集，通过故障特征排序集训练得到诊断模型；

6、s4：对测试数据进行标准化预处理并输入到检测模型进行检测，若测试数据预测为异常数据则进入到步骤s5，否则输出为正常数据：

7、s5：得到异常数据的特征排序，并与故障特征排序集进行对比，确认故障类型。

8、进一步地，所述步骤s1中标准化预处理的具体过程为：

9、a1：对收集到的正常数据，，进行标准化预处理，其中为正常数据的总个数；标准化公式为

10、；

11、其中为的均值，为的标准差；

12、a2：对故障数据进行标准化预处理，标准化公式为,其中为的均值，为的标准差。

13、进一步地，所述步骤s2中检测模型的训练方法为：

14、b1：计算样本间的相对密度，计算方式如下：

15、，

16、其中为样本的k近邻样本，为样本和间的欧式距离，表示所有样本到其k近邻样本的平均距离；当样本点之间的距离越近，那么它们间的相对密度就越高；

17、b2：对预处理后的正常训练数据进行学习得到密度诱导支持向量数据描述模型，模型的目标函数如下：

18、；

19、；

20、其中为相对密度，为惩罚项系数，为最优超球面的半径，为最优超球面的中心，为松弛变量；

21、b3：通过拉格朗日乘子法求解目标函数，得到其对偶形式：

22、；

23、其中为拉格朗日系数；

24、b4：得到系数后计算模型的半径，计算方式如下：

25、；

26、其中为相对密度的均值。

27、进一步地，所述步骤s3中利用密度诱导支持向量数据描述递归特征消除方法对预处理后的故障训练数据进行学习，得到故障特征排序集。

28、进一步地，所述步骤s3中故障特征排序集的获取包括如下步骤：

29、c1：初始化特征集为数据的整个特征集合，即，为特征数量，初始化排序后的特征子集为；

30、c2：利用特征集为的故障数据训练密度诱导支持向量数据描述模型，得到模型的半径；

31、c3：计算剔除特征，此时特征集为，即当前特征集为；

32、c4：取故障数据的特征为训练数据，构建密度诱导支持向量数据描述模型，得到模型的半径为；

33、c5：计算准则函数；

34、c6：找到具有最大准则值的特征，将这个特征从特征子集剔除即，更新特征排序子集；

35、c7：返回步骤c2，直到中剩余最后一个特征为；

36、c8：更新排序子集，得到最终的特征排序集，根据故障特征排序集，确定故障类型，排在前面的特征表明与故障的相关性越大。

37、进一步地，所述步骤s4中检测模型进行检测的方法为：

38、d1：对测试数据进行标准化预处理；

39、d2：对测试样本点进行预测，计算样本点到超球面中心的距离，根据得到的距离进行异常数据和正常数据的判定。

40、进一步地，所述步骤d1中标准化公式为，其中为测试数据的均值，为测试数据的标准差。

41、进一步地，所述步骤d2中样本点到超球面中心的距离表达为：

42、；

43、当样本点在超球体中的距离时，表明该样本为正常数据，否则，即该样本为异常数据。

44、进一步地，所述步骤s5中利用密度诱导支持向量数据描述递归特征消除方法得到异常数据的特征排序。

45、本发明是基于密度诱导支持向量数据描述递归特征消除的故障诊断方法，在密度诱导支持向量数据描述方法的基础上构建故障诊断模型。首先用正常数据训练构建一个密度诱导支持向量数据描述的检测模型，密度诱导支持向量数据描述方法考虑了训练数据的密度分布，比现有的支持向量数据描述方法能更准确地完成异常检测的目的。其次对收集到的故障数据利用密度诱导支持向量数据描述递归特征消除方法进行训练，得到故障特征排序集。然后根据构建的检测模型对测试数据进行检测，当检测到异常数据后，对它进行诊断。所以通过本发明提出的密度诱导支持向量数据描述递归特征消除方法可以得到故障数据的特征排序，根据得到的特征排序查找相应的仪器部分进行检查并确定故障类型。

46、有益效果：本发明与现有技术相比，不仅可以检测出异常数据还可以诊断出与故障相关的特征，便于后续的故障排查与维修。本发明提出基于密度诱导支持向量数据描述递归特征消除的故障诊断方法具有更高的监测性能，并且能够给出故障特征排序，从而得到故障类型并确定产生故障的原因，便于后续的维修检测。