，种群 个体数目，变异缩放因子，交叉概率，认知学习因子，社会学习因子，惯性权重；
[0080] (2)初始化差分进化算法种群，并将差分进化算法种群赋值给粒子群算法，初始化 粒子速度；
[0081] (3)计算差分进化算法中每个个体的适应度，选择最优个体；计算粒子群算法中 每个粒子的适应度，找出粒子个体最优位置和群体最优位置，所述的适应度是通过适应度 函数计算得到，适应度函数为交叉验证的平均诊断正确率。
[0082] (4)比较差分进化算法和粒子群算法的最优解，如果粒子群算法最优粒子的适应 度值大于差分进化算法中最优个体的适应度值，则将粒子群算法的最优粒子作为总体最优 解，并以一定概率赋值给差分进化算法中适应度值最低的个体；如果差分进化算法中最优 个体的适应度值大于或等于粒子群算法中最优粒子的适应度值，则将差分进化算法的最优 个体作为总体最优解并以一定概率赋值给粒子群算法中适应度最差的粒子，其中，所述的 概率设置为0. 8,如果rand〈0. 8,则进行赋值，否则不赋值，其中rand为0-1间的随机数。
[0083] (5)对差分进化算法中的每个个体进行变异、交叉和选择操作；更新粒子群算法 中每个粒子的速度和位置；
[0084] (6)重复步骤（3)~（5)，直到混合算法达到步骤（1)所述的最大进化代数值，输 出最优解作为优化结果，所述最优解包括最优惩罚因子和最优核函数参数。算法流程如图 2所示。
[0085] 6)利用得到的最优惩罚因子和核函数参数训练最小二乘支持向量机进行故障诊 断。
[0086] 下面用实例说明本发明的基于最小二乘支持向量机的柴油机燃油系统故障诊断 方法，但不用来限制本发明的范围。
[0087] 本实例采用柴油机故障实验数据进行验证，该实验系统如图3所示。
[0088] 步骤1，利用加速度传感器采集柴油机正常、供油提前角较大、供油提前角较小、第 五缸失火和第六缸失火状态下各30组振动信号，每组信号包含一个柴油机工作循环，发动 机转速设置为怠速950转/分，采样频率为25kHz，柴油机五种状态振动信号分别如图4a、 图4b、图4c、图4d和图4e所示。
[0089] 步骤2,利用固有时间尺度分解对采集到的振动信号x(t)进行分解，生成若干个 旋转分量PRC k(t)和残差信号e(t);柴油机供油提前角较大状态的分解结果如图5所示。
[0091] 其中，K为旋转分量总数，k为旋转分量标号；
[0092] 步骤3,由于前五阶旋转分量的累计能量贡献率恰好大于0. 9,所以计算前五阶旋 转分量的13种典型频率特征作为故障特征，共获得65个故障特征；
[0093] 步骤4,每种工况随机选择20个样本进行训练，剩余10组进行测试；
[0094] 步骤5,利用差分进化算法和粒子群算法的混合算法对最小二乘支持向量机的惩 罚因子和核函数参数进行优化，具体包括以下子步骤：
[0095] 步骤5. 1初始化差分进化和粒子群控制参数，最大进化代数：100,种群个体数目： 20,变异缩放因子：0. 9,交叉概率：0. 5,认知学习因子：1. 5,社会学习因子：1. 7,惯性权重： 1 ;
[0096] 步骤5. 2惩罚因子和核函数参数取值范围设置为（0, 100]，在此范围内随机初始 化差分进化算法种群，并将该种群赋值给粒子群算法，初始化粒子速度；
[0097] 步骤5. 3计算差分进化算法中每个个体的适应度，选择最优个体；计算粒子群算 法中每个粒子的适应度，找出粒子个体最优位置和群体最优位置。其中，适应度是通过适应 度函数计算得到，适应度函数为5折交叉验证的平均诊断正确率。
[0098] 步骤5. 4比较差分进化算法和粒子群算法的最优解，如果粒子群算法最优粒子的 适应度值大于差分进化算法中最优个体的适应度值，则将粒子群算法的最优粒子作为总体 最优解并以一定概率赋值给差分进化算法中适应度值最低的个体；如果差分进化算法中最 优个体的适应度值大于或等于粒子群算法中最优粒子的适应度值，则将差分进化算法的最 优个体作为总体最优解并以一定概率赋值给粒子群算法中适应度最差的粒子。其中，所述 的概率设置为〇. 8,即如果rand〈0. 8,则进行赋值，否则不赋值，其中rand为0-1间的随机 数。
[0099] 步骤5. 5对差分进化算法中的每个体进行变异、交叉和选择操作；更新粒子群算 法中每个粒子的速度和位置；
[0100] 步骤5. 6重复步骤5. 3-5. 5,直到算法达到步骤5. 1设置的最大进化代数，输出总 体最优解作为优化结果，其中最优惩罚因子为94,最优核函数参数为1. 74。
[0101] 步骤6,利用得到的最优惩罚因子和核函数参数训练最小二乘支持向量机分类模 型进行故障诊断，结果如表1所示。此外，为了说明混合差分进化和粒子群算法的有效性， 利用遗传算法代替差分进化算法和粒子群算法的混合算法对最小二乘支持向量机参数进 行优化。遗传算法种群个体数目设置为20,进化代数为100,变异概率为0. 01，交叉概率为 0.4。
[0102] 表1故障诊断结果
[0104] 从表1可以发现，差分进化和粒子群混合算法优于遗传算法，本发明所提出的故 障诊断方法具有较高的精度，满足故障诊断的要求。
【主权项】
1. 一种基于最小二乘支持向量机的柴油机燃油系统故障诊断方法，其特征在于，包括 W下步骤： 1) 采集柴油机正常和各种故障条件下的振动加速度信号X(t); 2) 利用固有时间尺度分解算法对采集到的振动加速度信号x(t)进行分解，生成若干 个旋转分量PRCk(t)和残差信号e(t);其中，K为旋转分量总数，k为旋转分量标号； 3) 计算前N阶旋转分量的典型频域特征作为故障特征； 4) 划分训练样本和测试样本； 5) 利用差分进化算法和粒子群算法的混合算法对最小二乘支持向量机的惩罚因子和 核函数参数进行优化，得到最优惩罚因子和最优核函数参数； 6) 利用得到的最优惩罚因子和核函数参数训练最小二乘支持向量机进行故障诊断。2. 根据权利要求1所述的基于最小二乘支持向量机的柴油机燃油系统故障诊断方法， 其特征在于，步骤3)中所述的N为满足旋转分量的累计能量贡献率C大于0. 9的最小整数，其中，E(x(t))为信号x(t)的能量，E(PRCk(t))为旋转分量PRCk(t)的能量，P为旋转 分量的个数。3. 根据权利要求1所述的基于最小二乘支持向量机的柴油机燃油系统故障诊断方法， 其特征在于，步骤3)中所述的典型频域特征包括13种特征，具体如下：其中S(m)为信号的频谱，m= 1，2,…，Κ为谱线数，Fk是第k条谱线的频率值，f1表示 第i种典型频域特征。4.根据权利要求1所述的基于最小二乘支持向量机的柴油机燃油系统故障诊断方法， 其特征在于，步骤5)中所述的差分进化算法和粒子群算法的混合算法是采用差分进化算 法和粒子群算法并行寻优，包括W下步骤： (1) 初始化差分进化和粒子群算法控制参数，所述参数包括：最大进化代数，种群个体 数目，变异缩放因子，交叉概率，认知学习因子，社会学习因子，惯性权重； (2) 初始化差分进化算法种群，并将差分进化算法种群赋值给粒子群算法，初始化粒子 速度； (3) 计算差分进化算法中每个个体的适应度，选择最优个体；计算粒子群算法中每个 粒子的适应度，找出粒子个体最优位置和群体最优位置； (4) 比较差分进化算法和粒子群算法的最优解，如果粒子群算法最优粒子的适应度值 大于差分进化算法中最优个体的适应度值，则将粒子群算法的最优粒子作为总体最优解， 并W-定概率赋值给差分进化算法中适应度值最低的个体；如果差分进化算法中最优个体 的适应度值大于或等于粒子群算法中最优粒子的适应度值，则将差分进化算法的最优个体 作为总体最优解并W-定概率赋值给粒子群算法中适应度最差的粒子； (5) 对差分进化算法中的每个个体进行变异、交叉和选择操作；更新粒子群算法中每 个粒子的速度和位置； (6) 重复步骤（3)~巧），直到混合算法达到步骤（1)所述的最大进化代数值，输出最 优解作为优化结果。5. 根据权利要求3所述的基于最小二乘支持向量机的柴油机燃油系统故障诊断方法， 其特征在于，步骤（3)中所述的适应度是通过适应度函数计算得到，适应度函数为交叉验 证的平均诊断正确率。6. 根据权利要求3所述的基于最小二乘支持向量机的柴油机燃油系统故障诊断方法， 其特征在于，步骤（4)中所述的概率设置为0.8,如果rancKO. 8,则进行赋值，否则不赋值， 其中rand为0-1间的随机数。
【专利摘要】一种基于最小二乘支持向量机的柴油机燃油系统故障诊断方法，包括：采集柴油机正常和各种故障条件下的振动加速度信号；利用固有时间尺度分解算法对采集到的振动加速度信号进行分解，生成若干个旋转分量和残差信号；计算前N阶旋转分量的典型频域特征作为故障特征；划分训练样本和测试样本；利用差分进化算法和粒子群算法的混合算法对最小二乘支持向量机的惩罚因子和核函数参数进行优化，得到最优惩罚因子和最优核函数参数；利用得到的最优惩罚因子和核函数参数训练最小二乘支持向量机进行故障诊断。本发明的方法可以快速准确的判别柴油机的运行状态，适用于柴油机在线诊断。
【IPC分类】G01M15/12
【公开号】CN105319071
【申请号】CN201510611395
【发明人】刘昱, 张俊红
【申请人】天津大学
【公开日】2016年2月10日
【申请日】2015年9月21日