摘 要

随着机器与自动化的高速发展，利用计算机实现信息化逐渐成为潮流。在传感器也大幅发展的今天，利用传感器多方面、高频次的收集压缩机运行参数也成为可能。而收集的数据在维数和量上都过于庞大使得人工或者简单的算法都无法实现快速判别实际运行状态。

支持向量机（Support Vector Machine， SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习方法。

本项目前期使用传感器收集数据，开发采用 C# 实现特征表示，进行信息归类，提供给matlab环境进行学习，实现信息分析，最终输出分析结果，并使用测试数据优化算法参数使得结果更加可靠。

关键词：SVM；传感器；特征表示；故障预测

Compressor monitoring data feature representation

and fault prediction

ABSTRACT

With the rapid development of machine and automation, the use of computers to achieve informationization has gradually become a trend. In today's sensor development, it is also possible to use a variety of sensors, high-frequency collection of compressor operating parameters. But the collected data is too large in both dimension and quantity, so that manual or simple algorithms can not quickly determine the actual running state.

Support Vector Machine (SVM) is a generalized linear classifier that classifies data by supervised learning. The decision boundary is the maximum margin hyperplane for solving learning samples. SVM can perform nonlinear classification by kernel method, which is a common nuclear learning method.

In the early stage of the project, we use sensors to collect data. The development uses C# to implement feature representation, classify information, provide learning in matlab environment, implement information analysis, and finally output analysis results. Also we use test data to optimize algorithm parameters to make the results more reliable.

Key words: SVM; sensor; feature representation; fault prediction

目录

1绪论 1

1.1 国内外研究现状 1

1.2 开发的目的和意义 2

1.3 研究内容 2

2开发技术与开发环境介绍 3

2.1 SVM技术简介 3

2.1.1支持向量机的历史与简介 3

2.1.2结构风险 3

2.1.3 SVM的特性 4

2.2 .NET Framework简介 5

2.3 Matlab简介 5

3压缩机数据监测方式与故障预测需求 7

3.1 建立泵机组状态监测系统的必要性和效能 7

3.2 泵机组状态监测系统的设计原则 7

3.3 状态监测系统监测项目及应用方向 8

3.4 传感器选型 9

3.4.1传感器选型例1:机组摆度传感器 9

3.4.2传感器选型例2:转速键相传感器 9

3.4.3传感器选型例3:机组轴向位移传感器 10

3.4设备状态的统计评级报告 10

3.5设备运行故障或缺陷分析诊断报告 11

4算法设计与解决方案实现 13

4.1前期数据 13

4.1.1错误数据 14

4.2数据处理 14

4.3导入数据训练 18

4.4 SVM参数选择 19

4.4.1调用参数 19

4.4.2 核函数选择 20

4.5 对比其他分类方式 24

结 论 26

致 谢 27

参考文献 28

1绪论

目前，在人们现实生活中，对于机器的依赖已超乎人们的想象。日常的出行要开车或乘坐地铁等、在企业制造生产中，机器的加入规范了流程，减少了人力，但是这些机器或系统一定会发生故障。当风险很高的时候，需要对系统进行常规性维护，因为故障的代价要远高于表面上的代价。例如，高铁每晚的例行检测，轿车每年要进行的年检，但纯粹的人工检查实际上是一种资源的浪费，形成过度、甚至过剩维修保养。

预测性维护能预测故障，提前采取行动，甚至预知何时会出现故障，能极大地节省开销、带来高的可预测性和增强系统的可用性。故障预测系统可以检测异常和故障模式，提早给出预警信息，最小化为维修故障而停机的时间，从而大大提高维护效率和效益。

为了提高设备安全运行效率，缩短维修时间，延长设备使用寿命，减少甚至避免由于某些设备发生故障而产生的影响，在合理时间内安排分布式维修计划，让停机造成的损失降低到最低限度，本项目提供一种针对压缩机的基于机器学习的故障预测方法。

1.1国内外研究现状

国外的很多国家非常重视机器运行的检测，并为其投入了大量人力物力。随着企业设备使用的广度与深度增加，设备状态检测作为一种先进的维修制度，与设备定期检修模式相互补，通过对设备的实际运行状态进行监测，使得在设备的后续维修中有迹可循。设备状态检测的关键在于及时准确地了解和监控设备的实际运行状态，为安排检修周期和检修项目提供数据支持。 设备状态检测和监测是设备检修的基础，为状态检修提供数据支持和故障诊断依据，在此基础上的状态检修，可避免定期检修带来的人力、物力和财力的浪费，同时避免成设备损坏率和人身事故率上升。同时，设备的日常维护和保养同样需要以状态检测数据为依据进行。

常用的算法比如BP神经网络由于自学习和自适应能力强而广泛使用在大数据预测领域，但是随着应用范围的逐步扩大，BP神经网络的弊端也逐渐显现，比如最常见的问题是局部最小化。从数学角度看，由于神经网络对权值与阈值非常敏感，因此以随机数方式初始化的权重和阈值往往会导致每次训练得到不同的结果。