一种基于SSA-SVM的稀土萃取搅拌轴故障诊断方法及系统技术方案

一种基于SSA‑SVM的稀土萃取搅拌轴故障诊断方法及系统，属于稀土萃取设备故障诊断领域，通过优化加速度信号设置初始SSA模型的上下限阈值，得到更新SSA模型；通过更新SSA模型对初始SVM模型中的核函数和惩罚参数进行优化，得到核函数最优值和惩罚参数最优值，进而诊断稀土萃取搅拌轴故障类型；本发明专利技术通过将SVM模型中的线性表示通过SSA进行了线性优化，将惩罚参数和核函数寻找出最优的线性表示，提高了故障分类判断的准确率；此外，本发明专利技术仅通过对原始的振动加速度信号进行采样，便可构建了更新SSA模型和更新SVM模型，输入量单一简单的情况下，能够达到故障类型判断精确的效果。

【技术实现步骤摘要】
一种基于SSA-SVM的稀土萃取搅拌轴故障诊断方法及系统
本专利技术涉及稀土萃取设备故障诊断领域，具体包括一种基于SSA-SVM的稀土萃取搅拌轴故障诊断方法及系统。
技术介绍
稀土行业的发展，受到工业设备发展的极大限制，工业生产设备的发展程度，显示了我国工业发展整体上并不先进，这也是稀土行业发展的关键。对于矿产资源开发生产企业来说，粉体材料行业的萃取生产过程自动化程度仍然比较落后，大量工作依靠人工操作来完成，离线分析，组分检测，手动控制，生产效率较低。在稀土生产工艺过程中，关键工艺就是萃取剂与被萃取元素的溶解充分与否，不充分溶解的结果就是造成质量事故，浪费资源。造成不完全溶解的因素有很多，比如传动带的打滑；搅拌电机的不正常运转，甚至停止生产。当传动带发生打滑，以及搅拌电机进行二次提取，影响生产效率，严重的会导致停工。因此，对生产过程有效的故障监测是生产质量、安全生产的保障。SVM是有监督学习方法，对均衡数据的检测效果最为理想。目前，稀土故障检测最常用的方法是神经网络方法，但是神经网络方法容易出现维数灾难、局部极值等问题，检测效果往往不是本文档来自技高网...

【技术保护点】
1.一种基于SSA-SVM的稀土萃取搅拌轴故障诊断方法，其特征在于，所述故障诊断方法，包括：/n获取搅拌轴末端加速度信号，通过奇异值分解并进行归一化处理，得到优化加速度信号；/n基于所述优化加速度信号设置初始SSA模型的上下限阈值，得到更新SSA模型；通过所述更新SSA模型对初始SVM模型中的核函数和惩罚参数进行优化，得到核函数最优值和惩罚参数最优值；/n基于所述优化核函数和所述优化惩罚参数，构建更新SVM模型，并基于所述优化加速度信号，得到故障类型。/n

【技术特征摘要】
1.一种基于SSA-SVM的稀土萃取搅拌轴故障诊断方法，其特征在于，所述故障诊断方法，包括：
获取搅拌轴末端加速度信号，通过奇异值分解并进行归一化处理，得到优化加速度信号；
基于所述优化加速度信号设置初始SSA模型的上下限阈值，得到更新SSA模型；通过所述更新SSA模型对初始SVM模型中的核函数和惩罚参数进行优化，得到核函数最优值和惩罚参数最优值；
基于所述优化核函数和所述优化惩罚参数，构建更新SVM模型，并基于所述优化加速度信号，得到故障类型。


2.如权利要求1所述的故障诊断方法，其特征在于，所述通过所述更新SSA模型对初始SVM模型中的核函数和惩罚参数进行优化，得到核函数最优值和惩罚参数最优值，包括：
基于初始SVM模型中的核函数范围和惩罚参数范围，构建实数向量；
将所述实数向量带入所述更新SSA模型，得到核函数最优值和惩罚参数最优值。


3.如权利要求2所述故障诊断方法，其特征在于，所述将所述实数向量带入所述更新SSA模型，得到核函数最优值和惩罚参数最优值，包括：
将所述实数向量带入到目标函数，得到适应值；
将所述适应值与所述更新SSA模型的上下限阈值内进行对比，得到核函数最优值和惩罚参数最优值；
所述适应值为包括设定数量元素的单列矩阵。


4.如权利要求3所述的故障诊断方法，其特征在于，所述目标函数如下式所示：



其中：g为所述惩罚参数范围，k为所述核函数范围，b为常数，a*为拉格朗日乘子。


5.如权利要求3所述的故障诊断方法，其特征在于，所述将所述适应值与所述更新SSA模型的上下限阈值内进行对比，得到核函数最优值和惩罚参数最优值，包括：
判断所述适应值是否在所述更新SSA模型的上下限阈值范围，若所述适应值在所述更新SSA模型的上下限阈值范围，则得到所述核函数最优值和所述惩罚参数最优值；
否则，将...

【专利技术属性】
技术研发人员：罗奕，李安昊，王腾飞，程哲，何宇华，唐亮，徐浩天，宋明谦，殷豪，张筵凯，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45