一种基于广义支持向量机的液压部件健康状态检测方法与流程

本发明属于设备状态监测相关
技术领域：
，更具体地，涉及一种基于广义支持向量机的液压部件健康状态检测方法。
背景技术：
：液压系统是工业机电设备中的关键组成部分，其运行状态直接影响整个机电设备的稳定性与可靠性。若液压系统出现突发故障，将会导致设备停机，影响企业生产效率，给企业带来严重经济损失。因此，对液压系统进行健康状态感知是非常必要的。液压系统健康状态并不能简单地划分为正常运行与故障损坏，其损坏过程是一个长期的、不断加深的过程。健康状态感知是对其损坏过程中的任意时间节点进行感知，得到的故障状态可能会有多种，工作人员需要根据对液压系统部件的健康状态感知得到的不同的故障状态做出相应的维修处理措施，以防止事故的发生，避免经济损失及人员伤害。支持向量机(supportvectormachine，svm)是一种有监督的机器学习方法，可以实现对损坏与非损坏的特征值分类，具有样本量需求小，诊断速度快等优点。然而，经典支持向量机只适用于二分类的诊断问题，常用的帮助支持向量机进行多分类的方法ovo、ova等又会导致诊断效果下降，且其他分类方法的样本需求量较大，诊断速度较慢。相应地，本领域存在着发展一种精度较好的基于广义支持向量机的液压部件健康状态检测方法的技术需求，以实现机电设备液压系统的健康状态的准确感知。技术实现要素：针对现有技术的以上缺陷或改进需求，本发明提供了一种基于广义支持向量机的液压部件健康状态检测方法，其基于现有液压系统的健康状态监测特点，研究及设计了一种精度较好的基于广义支持向量机的液压部件健康状态检测方法。所述检测方法采用了基于不同核函数的广义支持向量机对液压系统的各种液压部件的多种健康状态进行感知，并使用集成学习方法将基于广义支持向量机的健康状态感知结果进行集成以得到最终的健康状态感知结果，由此实现了液压部件的健康状态的感知，提高了检测精度及灵活性，适用性较强。为实现上述目的，本发明提供了一种基于广义支持向量机的液压部件健康状态检测方法，所述检测方法包括以下步骤：(1)获取多组样本液压部件处于不同健康状态下的传感器信号以作为样本数据，且同时获得每个样本数据对应的样本液压部件所处的健康状态数据；(2)对所述样本数据进行数据清洗，并对清洗后的所述样本数据提取统计特征；(3)基于皮尔森相关系数计算所得到的特征数据与所述健康状态数据之间的相关性，并将所述特征数据按照对应的相关性自大到小进行排序，选取排在前预定个数的特征作为训练特征；(4)基于所述训练特征及所述训练特征所对应的健康状态数据，采用堆叠集成学习方法构建多个广义支持向量机模型，并采用所述广义支持向量机模型训练过程中所输出的数据来训练得到随机森林模型，由此得到了由堆叠集成学习方法集成的广义支持向量机检测模型；(5)在线实时获取待测液压部件的传感器信号数据，并将得到的传感器信号数据进行处理后输入到所述广义支持向量机检测模型，进而所述广义支持向量机检测模型对待测液压部件进行健康状态检测。进一步地，所述传感器信号包括温度、流量、压力及功率。进一步地，所述统计特征包括绝对均值、有效值、方根幅值、歪度、峭度、峭度指标、歪度指标及波形指标。进一步地，采用中值滤波对所述样本数据进行清洗。进一步地，采用皮尔森相关系数进行特征选择时，样本数据与健康状态标签数据的相关性系数的计算公式为：式中，cov(x，y)表示协方差；σx表示所提取的特征数据集x的标准差；σy表示y的标准差；x[i]表示第i种特征的样本数据；y表示样本数据对应的健康状态标签数据。进一步地，所述预定个数为3个。进一步地，所述广义支持向量机模型包括多个不同核函数。进一步地，获取不同健康状态下的样本液压部件所关联的两个传感器的信号作为样本数据。总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于广义支持向量机的液压部件健康状态检测方法主要具有以下有益效果：1.基于皮尔森相关系数计算所得到的特征数据与所述健康状态数据之间的相关性，使用皮尔森相关性系数，可以直观反映提取特征值与部件健康状态的相关程度，以用来选择相关性最高，效果最好的特征值数据，进而提高最终分类效果的精度，进而提高检测精度。2.采用堆叠集成学习方法构建多个广义支持向量机模型，并采用所述广义支持向量机模型训练过程中所输出的数据来训练得到随机森林模型，由此得到了由堆叠集成学习方法集成的广义支持向量机检测模型，使用stacking集成学习方法，可以将多种分类器集成起来，提高了准确率，其中stacking方法中还包括k折交叉验证，此方法可以有效降低分类器训练时的过拟合。3.使用广义支持向量机方法，可以弥补传统svm只能二分类的问题，而且对比其他的多分类方法，广义支持向量机训练时间短，分类效果更好。4.所述检测方法能够及时感知液压部件的健康状态，并提高了液压部件健康状态感知的准确性和有效性，且还可以用于液压系统健康状态的感知，为解决液压系统健康状态感知问题提供了一种新思路。附图说明图1是本发明提供的基于广义支持向量机的液压部件健康状态检测方法的流程示意图；图2是图1中的基于广义支持向量机的液压部件健康状态检测方法涉及的堆叠集成广义多分类支持向量机的模型构建与在线样本测试的流程示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。请参阅图1及图2，本发明提供的基于广义支持向量机的液压部件健康状态检测方法，所述检测方法能够实现机电设备健康状态诊断的精确化，其主要包括以下步骤：步骤一，获取多组样本液压部件处于不同健康状态下的传感器信号以作为样本数据，且同时获得每个样本数据对应的样本液压部件所处的健康状态数据。具体地，获取不同健康状态下的样本液压部件所关联的两个传感器的信号，如温度、流量、压力、功率等传感器信号作为样本数据，并且得到每个传感器信号所对应的样本液压部件的健康状态数据。本实施方式中，获取样本液压部件在y种健康状态下的2个关联传感器信号，而每个信号样本对应的状态也是可以获取的；当然，当对象为液压系统时，可以针对液压系统的多个液压部件分别进行健康状态检测，进而综合得到的多个所述健康状态检测结果来确定所述液压系统的健康状态，这里关联的传感器是由液压系统来确定的，不同的液压系统里的某个液压部件对应的传感器不同，选择的传感器数量也就不同。步骤二，对所述样本数据进行数据清洗，并对清洗后的所述样本数据提取统计特征。具体地，对得到的所述样本数据进行数据清洗以去除奇异值，并对清洗后的所述样本数据提取统计特征，所述统计特征包括绝对均值、有效值、方根幅值、歪度、峭度、峭度指标、歪度指标及波形指标。对所述样本数据进行清洗时涉及到中值滤波，具体包括以下步骤：(21)基于所述样本数据选择所对应的传感器中的一个传感器所采集的传感器信号数据的组数为m，每组包含数据点数为n，即传感器采集了m组数据，每组数据具有n个样本点。(22)确定中值滤波窗口的长度k。(23)在第一组数据中取前k个数据，则：n(k+i-1)/2＝median(ni，ni+1，…，ni+k-1)式中，ni表示第i个数据；i初始为1；median()表示求中值，当(k+i-1)为奇数时加1。(24)i＝i+1，重复步骤(23)，直到i+k＝n，如此所有m组数据都经过处理以得到中值滤波后的数据集。(25)基于所述样本数据选择所对应的传感器中的另一个传感器所得到的m组传感器数据(每组包含n个数据点)进行步骤(22)至步骤(24)的处理。本实施方式中所使用的8个统计特征值见表1。表1统计特征指标表中，xi为第i次采样的信号序列；i＝1，2，…，n，n为总采样次数；σ为数据的标准差。所提出的统计特征集合为f＝[f1，f2，…，f8]，统计特征参数包含有量纲特征参数和无量纲特征参数，[f1，f2，…，f5]为有量纲统计指标，[f6，f7，f8]为无量纲统计特征指标。步骤三，基于皮尔森相关系数计算所得到的特征数据与所述健康状态数据之间的相关性，并将所述特征数据按照对应的相关性自大到小进行排序，选取排在前预定个数的特征作为训练特征。具体地，所述预定个数为n，其可以根据最终效果进行改变。使用皮尔森相关系数进行的特征选择主要包括以下步骤：(31)确定所提取的特征数据对应的真实的健康状态标签数据集y，所选择的传感器中的一个的特征数据集x，x中包含提取的8种特征数据，x[i]表示第i种特征的样本数据。(32)使用以下公式计算获得x[i]与y的相关性系数：得到8种特征的8组相关系数，其中cov(x，y)表示协方差；σx表示x的标准差，σy表示y的标准差。(33)根据每个特征得到的相关系数，取相关系数最大的3种特征作为堆叠(stacking)集成广义多分类支持向量机模型的输入数据集。(34)对所选择的另一个传感器提取的特征进行步骤(31)至步骤(33)处理，同样选择3种特征作为堆叠集成广义多分类支持向量机模型的输入数据集。步骤四，基于所述训练特征及所述训练特征所对应的健康状态数据，采用堆叠集成学习方法构建多个广义支持向量机模型，并采用所述广义支持向量机模型训练过程中所输出的数据来训练得到随机森林模型，由此得到了由堆叠集成学习方法集成的广义支持向量机检测模型。具体地，使用得到的n个特征与每个训练特征对应的健康状态，构建k×m个广义支持向量机模型并得到模型训练过程中输出的数据，使用k×m个广义支持向量机的输出数据再去训练一个随机森林模型，至此得到由堆叠(stacking)方法集成的广义支持向量机检测模型。本实施方式中，广义支持向量机检测模型的构建主要包括以下步骤：(41)使用得到的两种传感器的经过选择的特征值数据，每一个传感器的特征值数据有m组，将每个传感器的m组特征值数据合并至一个大数据集x，假设每个传感器有4种特征，一个传感器有100组数据，则x中数据为2*4＝8列，100行。(42)使用大数据集x中的每一行特征值数据对应的健康状态标签数据y，y为m行1列。(43)确定k折交叉验证中参数k的值，将x按行均分为k个集合，每个集合有行数据，将k个集合组合k次，每种组合包含训练集与校验集，确保k个集合中的每一个集合都在k种组合中作为一次校验集，而每种组合的训练集为剩下的k-1个集合的组合。具体的，假如k＝3，则将x按行均分为3个集合a，b，c；将3个集合组合三次，其中第一个组合里a为校验集，b、c共同作为训练集，第二个组合里b为校验集，a、c共同作为训练集，第三个组合类似。(44)使用k个线性核的广义多分类支持向量机对k种组合进行训练与分类，每次训练后对校验集进行预测，以得到对校验集的预测数据，k个已训练的线性核广义支持向量机模型对校验集预测得到k个预测数据集合，将k个集合校验集预测数据合并，以得到与原始x数据集的行数m相同行数的数据，将这个集合命名为h，h作为随机森林模型的训练输入数据。(45)使用k个多项式(poly)核，k个径向基(rbf)核的广义多分类支持向量机，重复步骤(44)，以得到另外两个集合h2，h3。所述支持向量机包括多个不同核函数。(46)使用随机森林模型，用数据集h，h2，h3训练一个随机森林模型，最终得到由堆叠(stacking)集成的广义多分类支持向量机检测模型。步骤五，在线实时获取待测液压部件的传感器信号数据，并将得到的传感器信号数据输入到所述广义支持向量机检测模型，进而所述广义支持向量机检测模型对待测液压部件进行健康状态检测。其中，所述传感器信号数据所对应的特征与所述训练特征相一致。为了对本发明进行进一步的详细说明，使用液压系统健康状态数据来验证本方法，实验装置模拟了四种故障，其故障模式与控制参数如表2所示。表2液压系统故障模式及其控制参数每种进行健康状态感知的部件都有不同的健康状态，如表3所示：表3健康状态标签与含义液压系统平台实验数据集中包含18种传感器数据，包括压力、功率、流量、温度、振动、效率传感器等，各传感器分别布置在相应部件位置，压力、功率传感器频率为100hz，流量传感器频率为10hz，温度、振动、效率传感器频率为1hz。共采集了2205组数据，一组数据为60s，根据传感器频率不同每种传感器的一组数据中数据点也不同，每组数据都有相应的健康状态标签。对于冷却器的健康状态感知选择了温度传感器ts3，ts4；对于阀的健康状态感知选择了压力传感器ps1、ps2；对于泵的健康状态感知选择了流量传感器fs1，系统效率传感器数据se；对于蓄能器的健康状态感知选择功率传感器eps1，压力传感器ps2。进行中值滤波得到滤波后的数据，之后对每种部件所选取的每个传感器的每组数据提取8种统计特征。使用皮尔森系数进行相关性分析，以得到和部件的健康状态数据相关性最强的特征值数据。和冷却系统健康状态相关性最强的特征为有效值、绝对均值、峭度指标；和阀健康状态相关性最强的特征为方根幅值、歪度、波形指标；和泵健康状态相关性最强的特征为方根幅值、绝对均值、歪度指标；由于蓄能器的相关特征值的相关系数都很小，故使用所有的特征值。将每种部件对应的特征值数据分别合并为一个矩阵，即每种部件都有2205组数据，而由于选择特征值数目、传感器数量不同，得到的列数不同。同时得到相对应的4种2205行1列的标签数据集，每种数据集的标签种类如表3所示。对每种部件的特征值矩阵中随机抽取70％作为训练集，30％作为测试集。使用stacking集成广义支持向量机方法，其中取3折交叉验证，广义支持向量机分别取线性核、poly核、rbf核。对于每种核的广义支持向量机，在试验中不断调试参数，最终得到的参数如下：线性核：k＝0，p＝1，lambda＝1*10-8，epsilon＝1*10-6；poly核：k＝0，p＝2，lambda＝1*10-8，epsilon＝1*10-6；rbf核：k＝0，p＝1，lambda＝1*10-8，epsilon＝1*10-6。最终结果如表4所示：表4分类结果与准确率故障位置训练集个数测试集个数第一层准确率测试集预测准确率冷却系统1506649100％100％阀v101506649100％100％mp1泵1335580100％100％蓄能器泄露133558082％76％为了说明本方法的准确性，将本方法与lda方法、ann方法、线性核svm、rbf核svm进行了对比，结果如表5所示，本方法的健康状态感知正确率优于其他方法。表5不同方法之间比较本发明提供的基于广义支持向量机的液压部件健康状态检测方法，所述检测方法结合了皮尔森相关系数、堆叠集成学习方法及广义支持向量机，提高了最终分类效果的精度，进而提高检测精度，且灵活性较好，适用性较强。本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12