[发明专利]一种基于支持向量机增量学习的冷水机组故障诊断方法

权利要求书

1.一种基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于，包括以下步骤：

S1，收集冷水机组故障历史数据，包括初始训练集数据；

S2，对S1中的所述历史数据进行预处理，得到处理后的初始训练集数据；

S3，选择径向基核函数作为SVM(支持向量机)的核函数，构建基于SVM模型的诊断器；

S4，在所述诊断器中应用S2中处理后的所述初始训练集数据进行训练后得到初始诊断器；

S5，现场采集新数据，并对所述新数据进行预处理得到新样本集数据；

S6，采用增量学习方法自适应更新所述初始诊断器，得到最终诊断器；

S7，实时采集冷水机组的运行数据并进行预处理；

S8，将S7中预处理后的所述运行数据输入到S6中的所述最终诊断器中，得到诊断结果。

2.根据权利要求1所述的支持向量机增量学习的冷水机组故障诊断方法，其特征在于：

其中，所述预处理采用归一化处理。

3.根据权利要求1所述的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于：

其中，所述径向基核函数的表达式为：

σ为所述径向基函数的宽度，g是径向基核参数，x为判别样本；x_i为训练样本。

4.根据权利要求3所述的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于：

其中，所述诊断器模型的表达式为：

sgn为符号函数，y_i为判定样本的类别；α为Lagrange乘数；b为阈值，i表示样本序列号，N表示样本总个数。

5.根据权利要求3所述的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于：

其中，采用交叉验证的方法优化惩罚系数C和所述核参数g，对训练样本进行训练时,log2c设定-10到10之间,内核参数log2g设定-10到10，执行交叉验证参数寻优程序,选取最优参数best c作为惩罚参数,选取最优内核参数best g作为核参数。

6.根据权利要求1所述的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于：

其中，更新所述初始诊断器包括以下步骤：

S6-1，使用所述初始训练集数据训练SVM得到初始诊断器，所述初始训练集数据包括第一支持向量集数据；

S6-2，所述新样本集数据应用在所述初始诊断器后，得到的数据包括第一测试错误集数据；如果所述第一测试错误集数据为零，则迭代结束，不更新所述初始诊断器，否则将所述第一测试错误集数据与所述第一支持向量集数据作为第一训练样本集数据对所述初始诊断器进行训练，得到新诊断器，同时获得第二支持向量集数据；

S6-3，用所述新样本集数据和所述新数据验证所述新诊断器，得到的数据包括第二测试错误集数据；如果所述第二测试错误集数据等于零，所述新诊断器为最终诊断器；否则将所述第一支持向量集数据、所述第二支持向量集数据、所述第一测试错误集数据以及所述第二测试错误集数据作为第二训练样本集数据对所述新诊断器进行训练，得到所述最终诊断器。

7.根据权利要求1所述的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于：

所述结果包括发生故障或无故障，

如果发生故障，进行故障报警后进行人工判断，如果无故障，进行人工判断。

8.根据权利要求1所述的基于支持向量机增量学习的冷水机组故障诊断方法，其特征在于：

还包括S9，人工判断是否停止制冷系统运行，判断为否，回到S5，判断为是，制冷系统运行停止，诊断工作结束。