基于粒子群和支持向量机的控制系统执行器故障诊断方法
【技术领域】
[0001] 本发明涉及一种基于多群体协同混沌模拟退火粒子群优化算法-支持向量机 (MCCSAPS0-SVM)的控制系统执行器故障诊断方法，属于控制系统信号处理与执行器故障诊 断技术领域。
【背景技术】
[0002] 由于现代控制系统组成复杂，常常需要在不同环境条件下长时间、高负荷工作，这 就造成控制系统不可避免的会出现各类故障。特别是在航空航天、医疗、规模化机械生产等 领域，细微的故障有时会造成极其严重的经济损失和人员伤害的后果，因此对设备运行的 状态监测和故障诊断就成为了重要的研究课题。控制系统执行器的故障诊断可分为故障检 测和故障隔离，这两者是两种具有不同目的和方法的技术。故障检测的目的是判断系统当 前运行状态是否正常;故障隔离的目的是确定故障的类型和发生的位置。搭建一个快速、有 效、可靠的执行器故障诊断系统，其关键在于：1)准确获取能够反映控制系统当前运行状态 的特征信息;2)建立一种泛化能力强，能够处理小样本故障诊断的算法。故障特征提取的优 劣对诊断结果将起到至关重要的作用，经验模态分解(Empirical Mode Decomposition， EMD)是一种非常适合应用于非线性、非平稳信号的特征提取方法。由于现场采集控制系统 状态信号常常存在较强的随机噪声，因此在控制系统中在应用经验模态分解前，必须先对 采样信号进行适当且必要的降噪处理。
[0003] 故障诊断是一个典型的小样本问题，控制系统执行器发生故障具有突发性且难以 复现，因此可用的故障样本十分有限。基于统计学习理论的支持向量机在处理小样本、非线 性、高维问题的模式识别中具有极强的泛化能力，相较于神经网络具有所需样本少、结构更 明确、收敛速度快等优点。
[0004] 在支持向量机的实际应用中，选择适合样本数据的有效核函数，能够增强支持向 量机决策函数的可解释性与鲁棒性。将多个单一核函数进行线性组合而成的组合核函数可 以弥补单一核函数对多源复杂样本数据可解释性不足的缺点。组合核函数在通过结合其构 成中各单一核函数的优势，得到性能更加优越的支持向量机的同时，仍然存在以下两个问 题：1)由于组合核函数的核参数较多，选取不当极易造成组合核函数的性能不及单一核函 数的性能；2)在已确定组合核函数所包含的单一核函数种类以及核参数的情况下，各单一 核函数所占权重的选择也会对组合核函数的性能造成影响。
[0005] 通常将核函数的参数与惩罚因子等规则化参数统称为支持向量机的结构参数。目 前，对支持向量机结构参数的优化方法主要有:试凑法、交叉验证法、网格搜索法、遗传算 法、粒子群算法、人工免疫算法、蚁群算法等。其中，粒子群优化算法（Particle Swarm Optimization，PS0)需要调整的参数较少，且具有结构简单，容易实现，收敛速度快等优势， 但是由于粒子多样性的快速消失，算法极易陷入局部极值，无法寻找出全局最优解。将混沌 思想引入PS0,不仅改善了粒子群优化算法跳出局部极值点的能力，也在一定程度上提高了 算法的收敛速度和精度，然而由于混沌PS0无法克服单独个体表现出的缺陷，从而容易造成 粒子信息交流的误判。模拟退火算法(Simulated Annealing，SA)利用概率突跳特性随机寻 找优化函数的全局最优解，也能够很好的避免在搜索过程中陷入局部的最优解，具有良好 的全局优化性能，但是因为初始值决定了该算法找出问题的全局最优解的性能，所以该算 法也存在一定的局限性。
【发明内容】
[0006] 发明目的：针对上述现有技术，提出一种基于多群体协同混沌模拟退火粒子群优 化算法-支持向量机(MCCSAPS0-SVM)的控制系统执行器故障诊断方法，能够通过利用基于 多群体协同混沌模拟退火粒子群优化算法(MCCSAPS0)优化结构参数和采用组合核函数的 偏二叉树支持向量机的输出，实时有效地判断出控制系统执行器是否发生故障，并且能够 在执行器发生故障时较为准确地确定出故障类型。
[0007] 技术方案：一种基于多群体协同混沌模拟退火粒子群优化算法-支持向量机 (MCCSAPS0-SVM)的控制系统执行器故障诊断方法，通过联合降噪和改进经验模态分解 (EMD)方法，对采集到的执行器输出信号进行降噪处理和特征提取;利用多群体协同混沌模 拟退火粒子群优化算法(MCCSAPS0)优化支持向量机结构参数;采用组合核函数保证了支持 向量机良好的泛化能力与学习能力;利用训练数据构建一种把一个复杂的多分类问题转化 为若干个二分类问题的偏二叉树支持向量机，降低了计算量，提高了诊断的实时性;通过偏 二叉树支持向量机的输出，能够实时有效地判断出控制系统执行器是否发生故障，并且能 够在执行器发生故障时较为准确地确定出故障类型，包括如下具体步骤：
[0008] 步骤1)将离散含噪信号f(k)(信号长度为N)先进行中值滤波处理得到/0)，滤除 可能的脉冲噪声；
[0009] 步骤2)对中值滤波处理后的进行改进小波阀值降噪处理：
[0010] 步骤2.1)将进行第j层(从j = l开始)小波分解，其中j的确定方式为:对小波 分解得到的高频细节系数山(k)进行式（1)自相关系数λ计算，若满足自由度1的X2分布，则对 山继续进行j+Ι层分解，直到不满足X 2分布为止;式中，山(k)高频细节系数,?为山(k)的平均 值；
[0011]
⑴
[0012] 步骤2.2)将分解得到的小波系数W(k)带入式(2)加以处理;式中，W为信号/⑷小 波变换后的小波系数Wj(k)，y(y>0)，v(v>l)，p(pe[0，l])，q(q> 〇)均为可调参数，Ws为经 过阀值降噪后的小波系数，<
为阀值，〇为噪声标准差；
[0013]
[0014] 步骤2.3)对处理后的各小波系数进行小波逆变换，得到降噪后的真实信号的估计 Kk)>
[0015] 步骤3)对联合降噪后的信号进行EMD分解，通过比较各本征模态函数aMF)与信号 奴〇的相关系数P与预设阀值ζ的大小剔除max(P)后的所有小于阀值的IMF即"伪分量"；其 中，P通过式(3)计算，〇[ ·]为标准差，G = 〇.lmax(p);
[0016]
(3)
[00 17 ]步骤4 )对剔除"伪分量"后的η个IM F分量，计算各IM F分量c i ( k )的能量
J提取出的特征向量戈
[0018] 步骤5)利用多群体协同混沌模拟退火粒子群优化算法(MCCSAPS0)优化组合核函 数支持向量机结构参数：
[0019] 步骤5.1)构建粒子群优化算法迭代公式(4)，该迭代公式能够使得粒子群在迭代 初期具备较强的搜索能力，能搜索到较大的解空间，并具有不断搜索新区域的能力，而在迭 代后期，算法快速收敛到全局最优区域;式中， C1、c2为学习因子，n、r2为介于[0，1]之间的 随机数，Pibest= (Pil，Pi2,…，PiD)为粒子历史最优适应值，gbest= (gl，g2,…，gD)为全局最 优适应值，W为惯性权重，tmax为最大迭代次数，Wmin，Wmax是惯性权重W的最值，通过调节引入 的收敛因子S，可以加快粒子群的收敛速度；
[0020]
(4)
[0027] 式中，Rmax、Rmin为gbest的上下限。接着对当前序列中的最优粒子位置和速度进行P 次迭代后产生混沌序列为1?=(1^，1?2，···，Rp)，通过式(8)可以得到如式(9)所示的最优粒子 序列；
[0028] gbest,p = Rmin+Rn(Rmax-Rmin)，n=l，2，."，P (8)
[0029]
(9)
[0030] 步骤5.5)主群更新:在每一代主群选取从群体中最好的粒子，并根据从群的经验 进行状态更新，其速度和位置更新方程为式(10):
[0031]
[0032] 式中，Μ为主群，S为从群，C1为学习因子，r3为介于[0，1]之间的随机数，Φ为满足式 (11 )的迀移因子，gMbest和gSbest分别为主群和从群中的全局最优适应值，GMbest和Gsbest分别为 由gMbest和gSbest确定的适应值；
[0033]
(11)
[0034] 步骤5.6)退火优化:计算每个粒子更新后的适应值屯\及适应值变化量Δ Ψ1 = Ψ\-Ψ?;若Α ΨΧΟ,或Δ Ψ!>〇时exp(-A Ψ/Τ)在区间[0，1]上，则进行降温操作Τ-ΚτΤ， 否则温度不变；
[0035] 步骤5.7)终止条件：当满足温度降至To,或达到最大迭代次数tmax时停止迭代，否 则返回步骤5.3;
[0036]步骤6)构造组合核函数支持向量机：
[0037]步骤6.1)构造式（12)形式的组合核函数，式中，d为多项式核函数的阶数，〇为高斯 核函数的核半径，P为权重；
[0038] K = pKP〇iy+(l-p)KRBF = p(xxi+l)d+(l-p)exp(-||x-Xi||2/°2) (