基于SVDD与信息融合技术的设备性能退化评估

　　对大型设备的工作状态智能维护已经逐渐成为故障诊断领域新的研究热点。对设备性能退化的评估是智能维护技术的重要组成部分[1, 2],也是对设备运行状态做出合理预测的基础。一般而言,从设备性能开始退化到设备完全失效通常要经过一系列不同的性能退化状态[3]。如果能够在设备性 能退化的过程中识别出设备性能退化的程度,就可以有针对性地组织生产和设备维修,防止设备异常失效的发生。性能退化评估所针对的设备往往是布置了多测点, 使用多通道监测的关键大型机械。对该类设备的性能评估,不同于基于零件的局部评估,而是需要运用信息融合技术,综合来自各零部件的状态信息,同时消除各部 件信息之间冗余与矛盾,降低不确定性,从而得出符合实际的性能评价。

　　1　SVDD方法在状态评估的应用

　　支持向量数据描述是一种以统计学习理论为基础的全新的数据描述方法,它通过给定的训练数据集合建立高维空间,使同类数据尽可能多地被包含在该高 维空间内,而不属于该类的数据被排斥在此高维空间以外[4, 5]。在性能退化状态评估过程中,研究的关注点不仅局限在样本点属于何种状态,还包括系统状态的转移过程,即样本点相对于各状态空间距离的变化情况。

　　1·1　SVDD算法

　　对于给定的一组含有N组数据样本的数据集{xi, i=1,…,N},用SVDD进行描述时,其根本目的是用尽量少的支持向量建立一个包含该集尽可能多数据的超球体,该球面可以用球心a和球半径R表示,为 了避免集合内出现的瑕疵点给超球面的敏感度带来影响,特别引入了松弛因子ξi和惩罚参数C[6,7]。如公式(1)所示:

　　1·2　SVDD对设备性能状态的评估

　　设备的性能退化阶段通常会持续较长的时间,因此在对设备的性能进行评估时,可以将设备的状态划分为正常状态,初始退化状态以及深度退化状态,故 首先需要获得三种状态下的典型数据,再分别对三种状态建立超球体S1,S2,S3。与超球体距离越小,说明监测样本越接近超球体所代表的状态。为了避免由 于超球体半径对状态识别的不合理影响,利用相对距离Hi=di/Ri对状态进行识别[4],Hi越小,与超球体Si所代表的状态越接近。在性能退化过程 中,设备的运行状态是一个状态转移的过程,为了尽可能准确地描述这一转移过程,采用了模糊数学的隶属度概念,对状态进行描述。用X代表待评估样本的状态, 则利用模糊数学中的扎德记号表示为:X=u1/A+u2/B+u3/C,其中A, B, C分别代表正常状态,初始退化状态以及深度退化状态, u1, u2, u3,分别代表对应状态的隶属度,隶属度函数采用降半正态型,即: