一种基于粒子群优化支持向量回归的设备故障预测方法技术

本发明专利技术公开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，首先，基于小波分解方法对工业生产关键设备中的振动信号数据进行特征提取，得到特征数据；然后，构建特征数据的时间序列，从中选取前n个连续的特征数据，按照设定的映射维数m，建立行数为n‑m+1，列数为m的输入样本；最后，利用输入样本，使用训练好的支持向量回归模型对设备进行故障预测。本发明专利技术采用粒子群算法，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。

A Fault Prediction Method for Equipment Based on Particle Swarm Optimization and Support Vector Regression

The invention discloses a method of equipment fault prediction based on particle swarm optimization support vector regression. Firstly, feature data is extracted from vibration signal data of key equipment in industrial production based on wavelet decomposition method, and feature data is obtained. Then, time series of feature data is constructed, from which the first n continuous feature data are selected and rows are established according to the set mapping dimension M. The number of input samples is n m + 1 and the number of columns is m. Finally, using input samples, the trained support vector regression model is used to predict equipment failure. The invention adopts particle swarm optimization algorithm and optimizes three key parameters of support vector regression model, provides a feasible and efficient method for the optimization of parameters of support vector regression model, and improves the accuracy of equipment fault prediction by using support vector regression algorithm.

【技术实现步骤摘要】
一种基于粒子群优化支持向量回归的设备故障预测方法
本专利技术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。
技术介绍
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本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化支持向量回归的设备故障预测方法，其特征在于，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。

【技术特征摘要】
1.一种基于粒子群优化支持向量回归的设备故障预测方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求1或2所述的方法，其特征在于，所述预设分解次数为3～6次。4.根据权利要求1所述的方法，其特征在于，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。5.根据权利要求1或4所述的方法，其特征在于，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。6.根据权利要求1所述的方法，其特征在于，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...

【专利技术属性】
技术研发人员：彭刚，阮景，佘建煌，成栋梁，
申请(专利权)人：湖北博华自动化系统工程有限公司，深圳市中金岭南有色金属股份有限公司凡口铅锌矿，华中科技大学，
类型：发明
国别省市：湖北,42