基于支持向量機(jī)的汽輪機(jī)組部件健康率監(jiān)測系統(tǒng)

哈爾濱工程大學(xué)機(jī)電工程學(xué)院 富 威 劉 琪 許 凱 徐蕓潔 馬佳瑞

隨著計算機(jī)技術(shù)的迅猛發(fā)展，在電力設(shè)備運行狀態(tài)監(jiān)測領(lǐng)域，基于人工智能及其相關(guān)技術(shù)的設(shè)備健康監(jiān)測系統(tǒng)研究和應(yīng)用已成為工程技術(shù)人員的研究熱點[1]。傅雷[2]提出一種基于VMD-Ren yi熵多信息融合的支持向量機(jī)（SVM）分類方法；韓中合、劉明浩[3]構(gòu)建了一套以支持向量機(jī)算法為核心的汽輪機(jī)振動故障診斷系統(tǒng)；石志標(biāo)、宋全剛[4]等人利用一種改進(jìn)的粒子群算法（MPSO）對支持向量機(jī)進(jìn)行參數(shù)優(yōu)化，并利用故障數(shù)據(jù)進(jìn)行模式識別。本文將支持向量機(jī)應(yīng)用于汽輪機(jī)狀態(tài)監(jiān)測系統(tǒng)中，基于支持向量機(jī)構(gòu)建健康率預(yù)測模型，實現(xiàn)對汽輪機(jī)組部件的狀態(tài)監(jiān)測。

1 支持向量機(jī)模型的建立

1.1 支持向量機(jī)模型建立流程

支持向量機(jī)預(yù)測模型建立流程如圖1所示。對原始樣本集進(jìn)行預(yù)處理，將樣本集分為訓(xùn)練集、驗證集和測試集三個部分。針對訓(xùn)練集中的特征數(shù)據(jù)選取適當(dāng)?shù)膯我荒Ｐ瓦M(jìn)行訓(xùn)練，在訓(xùn)練的過程中調(diào)整參數(shù)，得到相關(guān)支持向量機(jī)模型；再利用驗證集中的特征數(shù)據(jù)對模型進(jìn)行驗證；若不滿足需求，則繼續(xù)調(diào)整模型的參數(shù)，直至模型滿足要求；模型構(gòu)建完成后，利用測試集數(shù)據(jù)進(jìn)行測試，進(jìn)而得到預(yù)測結(jié)果。支持向量機(jī)模型建立的大致過程可以歸納為三個步驟：獲取原始樣本集、數(shù)據(jù)預(yù)處理和構(gòu)建支持向量機(jī)模型。

圖 1 支持向量機(jī)模型建立流程圖

1.2 獲取原始樣本數(shù)據(jù)集

本文所使用的數(shù)據(jù)集來自核電廠核電凝汽式1000MW汽輪機(jī)（HN1000-6.43）日常運行監(jiān)測數(shù)據(jù)，利用pandas實現(xiàn)對數(shù)據(jù)的讀取，pandas在代碼中用pd表示。實現(xiàn)讀取數(shù)據(jù)的代碼形式如下：dataset1=pd.read_csv('G:/3dOSG/osg18.6.8 final/data/7_train_data1.csv')

1.3 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)分析與建模的過程中，數(shù)據(jù)預(yù)處理是一個非常重要的環(huán)節(jié)，主要包括數(shù)據(jù)去重、數(shù)據(jù)歸約、數(shù)據(jù)降維、數(shù)據(jù)拆分。數(shù)據(jù)去重是將數(shù)據(jù)中重復(fù)的部分進(jìn)行刪除，完成數(shù)據(jù)去重的代碼為：dataset1.drop_duplicates(inplace=True)

數(shù)據(jù)歸約的目的是在保持?jǐn)?shù)據(jù)原貌的前提下，對數(shù)據(jù)進(jìn)行壓縮、精簡，降低數(shù)據(jù)集的規(guī)模。其代碼為：trains.drop(delete_columns,axis=1,inplace=True)，online_test.drop(delete_columns,axis=1,inplace=True)

數(shù)據(jù)降維是將高維度數(shù)據(jù)中較為重要的特征保留下來，去除次要特征，提高數(shù)據(jù)處理速度，本文中數(shù)據(jù)降維選用主成分分析方法（PCA）。其代碼如下：

from sklearn.decomposition import PCA

train_pca=PCA(n_components='mle')

train_pca.fit(trains) #訓(xùn) 練；n_compoe nts='mle' #表示自動確定需要保留的特征數(shù)

train_pca.transform(trains) #降維

train_pca.inverse_transform(trains) #反轉(zhuǎn)

數(shù)據(jù)拆分是將數(shù)據(jù)集劃分成訓(xùn)練集、驗證集和測試集的過程，隨機(jī)將數(shù)據(jù)集的60%劃為訓(xùn)練集，剩余的數(shù)據(jù)等分為驗證集和測試集。其代碼為：

print("數(shù)據(jù)拆分")

train_xy,offline_test=train_test_split(trains,test_size=0.2,random_state=21)

train,val=train_test_split(train_xy,test_size=0.2,random_state=21)

print("訓(xùn)練集")

y=train.is_trade #訓(xùn)練集標(biāo)簽

X=train.drop(['instance_id','is_trade'], axis=1) #訓(xùn)練集特征矩陣

print("驗證集")

val_y=val.is_trade #驗證集標(biāo)簽

val_X=val.drop(['instance_id','is_trade'], axis=1) #驗證集特征矩陣

print("測試集")

offline_test_X=offline_test.drop(['instance_id','is_trade'],axis=1) #線下測試特征矩陣

online_test_X=online_test.drop(['instance_id'],axis=1) #線上測試特征矩陣

1.4 構(gòu)建支持向量機(jī)模型

支持向量機(jī)的預(yù)測性能與模型構(gòu)建過程中核函數(shù)的選擇及相關(guān)參數(shù)的選取有著直接關(guān)系[5]。本文從sklearn中導(dǎo)入支持向量機(jī)模型，選取高斯徑向基核函數(shù)，構(gòu)建模型過程的代碼如下。

from sklearn.svm import SVC;global model

model=SVC(kernel="rbf",probability=True,verbose=False).fit(x_train,y_train) #創(chuàng)建模型

def validate_model()：

print("模型驗證")

score=model.score(x_valid,y_valid)

print(score);return score #模型驗證

def predict_model(datapath)：

create_model(datapath)

print("模型預(yù)測");global list

list=model.predict_proba(x_test)

list=list[:,0];list=list.tolist()

model_score=validate_model()

list.insert(0,model_score);return list #模型預(yù)測

2 系統(tǒng)實現(xiàn)

2.1 系統(tǒng)設(shè)計方案

為滿足狀態(tài)監(jiān)測系統(tǒng)的基本要求，對系統(tǒng)的功能模塊進(jìn)行設(shè)計。所設(shè)計搭建的汽輪機(jī)狀態(tài)監(jiān)測系統(tǒng)主要功能有文件功能、編輯功能、構(gòu)建功能、模型訓(xùn)練、模型監(jiān)測、視圖、設(shè)置和指標(biāo)等。

2.2 系統(tǒng)功能的實現(xiàn)

本系統(tǒng)使用c++語言作為編寫語言，在c++中調(diào)用python來實現(xiàn)支持向量機(jī)，完成模型訓(xùn)練和模型預(yù)測；利用Qt進(jìn)行界面設(shè)計，通過OSG（Open Scene Gragh）完成三維模型在系統(tǒng)界面中的渲染。本文系統(tǒng)所使用的三維模型，對汽輪機(jī)的控制設(shè)備和凝汽部分進(jìn)行了省略，高壓缸和低壓缸部分都實現(xiàn)了較好的三維復(fù)現(xiàn)。本系統(tǒng)的操作是在汽輪機(jī)三維模型的基礎(chǔ)上進(jìn)行的，主要采用結(jié)構(gòu)樹的方式表達(dá)汽輪機(jī)三維模型當(dāng)前狀態(tài)，通過選擇結(jié)構(gòu)樹中相應(yīng)的子模型，進(jìn)而實現(xiàn)對三維模型的相關(guān)操作。

2.3 系統(tǒng)運行測試

將數(shù)據(jù)導(dǎo)入到系統(tǒng)后，系統(tǒng)利用數(shù)據(jù)開始訓(xùn)練模型，進(jìn)行支持向量機(jī)模型的構(gòu)建。模型構(gòu)建完成后，對模型的正確率進(jìn)行驗證，得到當(dāng)前模型的正確率為94.6027%，滿足模型準(zhǔn)確率的需要。在模型構(gòu)建完成且其正確率滿足要求后，系統(tǒng)就可對設(shè)備部件進(jìn)行健康率監(jiān)測，監(jiān)測結(jié)果以百分比的形式滾動顯示在健康率監(jiān)測模塊中。由監(jiān)測結(jié)果可以得出1#徑向軸承的健康率為90.1067%，可推斷出1#徑向軸承的健康程度很高，與從核電廠工作人員了解到的情況相符。

3 結(jié)語

圖2 三維模型結(jié)構(gòu)樹

本文所設(shè)計的汽輪機(jī)狀態(tài)監(jiān)測系統(tǒng)對汽輪機(jī)組軸系部件進(jìn)行健康率監(jiān)測，得到的健康率結(jié)果，能較為直觀的體現(xiàn)設(shè)備的健康程度，有效指導(dǎo)設(shè)備的運行維護(hù)。本文主要對基于支持向量機(jī)的汽輪機(jī)狀態(tài)監(jiān)測系統(tǒng)相關(guān)內(nèi)容進(jìn)行闡述，重點介紹了支持向量機(jī)模型的構(gòu)建流程及關(guān)鍵代碼，對系統(tǒng)的實現(xiàn)進(jìn)行具體說明。對后續(xù)的汽輪機(jī)運行狀態(tài)監(jiān)測系統(tǒng)設(shè)計具有一定的參考價值。