一种基于多分类SVM信息感知的地铁风机智能诊断方法技术

本发明专利技术公开了一种基于多分类SVM信息感知的地铁风机智能诊断方法，步骤如下：通过安装于车站内风机上的振动传感器收集振动信号；将振动信号通过傅里叶分析得到频谱分析；依靠专家知识运用模糊方法将信号频率进一步划分提取频率分布；利用生成的历史数据对支持向量机模型进行训练学习；利用支持向量机模型实时监控振动频率信号。本发明专利技术所述的方法能够对地铁风机在线监测，迅速确认故障类型并提供报警，为维修人员提供维护、检修的意见，一定程度上减少了轨道交通非计划停机时间、增加了设备运行的安全性和经济性和提高设备有效利用率。行的安全性和经济性和提高设备有效利用率。行的安全性和经济性和提高设备有效利用率。

【技术实现步骤摘要】
一种基于多分类SVM信息感知的地铁风机智能诊断方法


[0001]本专利技术涉及机器学习实际应用，特别是一种基于多分类SVM信息感知的地 铁风机智能诊断方法。

技术介绍

[0002]近年来，我国积极推动工业化进程，交通运输事业蓬勃发展，全国各大城市 都在兴建地铁，轻轨等现代化交通工程。其中，地铁作为城市居民出行的主要交 通工具，在整个交通运输系统中有着重要的意义。
[0003]为了避免城市地面拥挤并充分利用空间，地铁大部分时间在地下运行，而地 下通常是密闭空间。因此，当地铁成功运营时，地铁上的通风系统需要保持地下 空间与外界的正常换气，满足地铁及时通风和设备正常运行。地铁风机是通风系 统中维持设备安全可靠运行的核心设备。它主要应用于地铁隧道及区间站厅、站 台的排风及火灾排烟，是保证地铁安全运行的重要手段，是实现地铁环境控制的 重要保证，对地铁安全运营起重要的保障作用。地铁风机的工作内容决定了其必 须具有高可靠性。如今，随着人们对于设备的安全性和可靠性的要求越来越高， 现代化机械的结构和功能日益复杂，对于设备故障诊断方面的需求也不断提高。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种基于多分类SVM信息感知的地铁风机 智能诊断方法，从而能够迅速确认故障类型并提供报警，一定程度上减少了轨道 交通非计划停机时间，增加了设备运行的安全性和经济性和提高设备有效利用率。
[0005]技术方案：本专利技术所述的一种基于多分类SVM信息感知的地铁风机智能诊 断方法，包括以下步骤：<br/>[0006](1)通过安装于车站内风机轴承上设置的振动传感器提取振动信号；
[0007](2)将振动信号通过傅里叶分析得到频谱分析，振动信号f(t)可以表示为：
[0008][0009]其中，ω是频率，t代表时间，e
‑
2πikt
是复变函数；
[0010](3)运用模糊方法将信号频率进一步划分提取频率分布，利用先验的专家知 识来处理数据，提取更准确的有效信息；
[0011](4)利用生成的历史数据对支持向量机模型进行训练学习：
[0012]对于线性可分问题求解转化为约束最优化问题的求解，输入训练样本集：
[0013](x1,y1),(x2,y2),
…
,(x
l
,y
l
)
[0014]其中为m维输入向量，y
i
＝{
‑
1,1}为对应的样本标签，l为 样本数，i＝1,2,
…
,l；
[0015]构造最化问题：
[0016][0017]其中：ω为超平面(ω,b)的超平面的法向量；b是超平面截距；C为惩罚因子； ξ
i
为松弛变量；进一步求解得到分类函数表达式：
[0018][0019]对于非线性问题，通过引入核函数(kernel function)将其转化为高维空间的 线性可分问题，并保持转化前后内积保持不变；核函数K(x,z)满足：
[0020]K(x,z)＝φ(x)
×
φ(z)
[0021]其中φ(x)为映射函数，φ(x)
×
φ(z)为内积；
[0022]最常用的核函数为高斯径向基函数(RBF)：
[0023][0024]最终分类函数表达式转化为：
[0025][0026](5)利用支持向量机模型实时监控振动频率信号。
[0027]所述步骤(3)具体为：
[0028](3.1)根据现场经验和理论分析，把频谱分析的频率模糊化处理，分为9个 等级，分别为：0～0.39f，0.4～0,49f，0.5f,，0.51～0.99f，1f，2f，3～5f，奇数倍f，&gt;5f；
[0029](3.2)对风机的常见故障进行诊断研究，常见故障包括质量不平衡、转子不 对中、轴向摩擦、轴裂纹、轴承座松动、轴承损坏、联轴器损坏、间隙引起振动；
[0030](3.3)通过对风机常见故障的机理研究以及专家和现场经验，通过信号分析 以及模糊化处理，得出以上常见故障的特征向量，每类故障的部分结果如表1所 示。
[0031]表1风机常见故障样本故障类型
[0032][0033]所述步骤(4)中采用一对多支持向量机(One vs All SVM)，在一类样本和 剩余样本之间构造超平面，达到多分类的目的。
[0034]一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行 时实现上述的一种基于多分类SVM信息感知的地铁风机智能诊断方法。
[0035]一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运 行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于多分类 SVM信息感知的地铁风机智能诊断方法。
[0036]有益效果：与现有技术相比，本专利技术具有如下优点：
[0037]1、本专利技术能够对地铁风机在线监测，可以迅速确认故障类型并提供报警，为 维修人员提供维护、检修的意见，一定程度上减少了轨道交通非计划停机时间、 增加了设备运行的安全性和经济性和提高设备有效利用率。
[0038]2、本专利技术在只有少量训练样本的条件下，准确性基于优于支持回归模型的方 法，更加适应实际工程需要，降低了使用门槛，提高了对设备的适用性。
附图说明
[0039]图1为本专利技术的步骤流程图。
具体实施方式
[0040]下面结合附图对本专利技术的技术方案作进一步说明。
[0041]如图1所示，一种基于多分类SVM信息感知的地铁风机智能诊断方法，包 括以下步骤：
[0042](1)通过安装于车站内风机轴承上设置的振动传感器提取振动信号；
[0043](2)将振动信号通过傅里叶分析得到频谱分析，振动信号f(t)可以表示为：
[0044][0045]其中，ω是频率，t代表时间，e
‑
2πikt
是复变函数；
[0046](3)运用模糊方法将信号频率进一步划分提取频率分布，利用先验的专家知 识来处理数据，提取更准确的有效信息；
[0047]根据现场经验和理论分析，把频谱分析的频率模糊化处理，分为9个等级， 分别为：0～0.39f，0.4～0,49f，0.5f,，0.51～0.99f，1f，2f，3～5f，奇数倍f，&gt;5f；
[0048]地铁风机由于长时间高负荷的运行，经常发生故障，本实施例主要对风机的 常见故障进行诊断研究，包括质量不平衡、转子不对中、轴向摩擦、轴裂纹、轴 承座松动、轴承损坏、联轴器损坏、间隙引起振动等8类故障；
[0049]通过对风机常见故障的机理研究以及专家和现场经验，通过信号分析以及模 糊化处理，得出以上常见故障的特征向量，每类故障的部分结果如表1所示，利 用该向量作为一对多支持向量机(OVR)和支持向量回归(SVR)的故障训练样 本，网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分类SVM信息感知的地铁风机智能诊断方法，其特征在于，包括以下步骤：(1)通过安装于车站内风机轴承上设置的振动传感器提取振动信号；(2)将振动信号通过傅里叶分析得到频谱分析，振动信号f(t)可以表示为：其中，ω是频率，t代表时间，e
‑
2πikt
是复变函数；(3)运用模糊方法将信号频率进一步划分提取频率分布，利用先验的专家知识来处理数据，提取更准确的有效信息；(4)利用生成的历史数据对支持向量机模型进行训练学习：对于线性可分问题求解转化为约束最优化问题的求解，输入训练样本集：(x1，y1)，(x2，y2)，
…
，(x
l
，y
l
)其中为m维输入向量，y
i
＝{
‑
1，1}为对应的样本标签，l为样本数，i＝1，2，
…
，l；构造最化问题：其中：ω为超平面(ω，b)的超平面的法向量；b是超平面截距；C为惩罚因子；ξ
i
为松弛变量；进一步求解得到分类函数表达式：对于非线性问题，通过引入核函数将其转化为高维空间的线性可分问题，并保持转化前后内积保持不变；核函数K(x，z)满足：K(x，z)＝φ(x)
×
φ(z)其中φ(x)为映射函数，φ(x)
×
φ(z)为内积；最常用的核函数为高斯径向基函数：最...

【专利技术属性】
技术研发人员：杨国彬，李聪，朱祁，吴永城，李燕，张雅婷，
申请(专利权)人：南瑞轨道交通技术有限公司，
类型：发明
国别省市：