动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置与流程

本发明涉及故障诊断与健康管理领域，尤其涉及一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置。

背景技术：

吊舱是悬挂在运动载体(飞机、船舶)外舱体有效载荷容器装置，根据设备功能，吊舱可以分为导航吊舱、捕控指令吊舱、瞄准吊舱、红外测量吊舱、电子干扰吊舱以及电子情报吊舱。吊舱在使用过程中具有反复性，工作时吊挂在飞机下随飞机飞行。随着军队飞行任务的日益加剧，吊舱在频繁的挂飞训练过程中受到起降时振动冲击以及高空飞行超低温环境的侵蚀，导致吊舱的故障率不断提升，吊舱的测试保障任务日益加剧。吊舱是配合精确制导武器使用的必不可少的部件，保证吊舱的完好率是武器测试维修保障的重要内容。但是在吊舱测试设备研制中专用测试设备复杂、扩展能力差，测试设备的投资巨大，重复使用率低，不能满足武器装备设计生产的“三化”要求。同时，吊舱测试设备缺乏有效的故障诊断方法，多停留在以采集到的实时数据来初判故障类型，缺乏对复杂信号的故障诊断能力。

技术实现要素：

鉴于上述的分析，本发明旨在提供一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置，用完全或者至少部分地解决上述问题。

为解决上述问题，本发明主要是通过以下技术方案实现的：

本发明一方面提供了一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法，该方法包括：

步骤一、获取吊舱故障诊断样本，对数据进行标准化处理，提取特征向量，对数据进行归一化处理，并将其划分为训练集和测试集；

步骤二、初始化种群，将种群划分为若干个子种群，构建粒子群优化算法，利用每次环境下多种群方法找到局部和全局最优解信息，保存在记忆体中；

步骤三、当吊舱类型或环境发生变化，选取记忆体中粒子组成新的种群，新种群经历相同的循环，直至达到停止条件；

步骤四、取得支持向量机模型的最优结构参数，建立多核支持向量机故障诊断模型，由多项式核函数和径向基(Radial Basis Function，RBF)核函数构成的组合核，采用训练集对构建的模型进行训练，直到达到停止条件；

步骤五、采用训练集样本对模型进行训练，交叉验证分类模型准确率；

步骤六、将测试集数据输入到优化后的支持向量机故障诊断模型，检验模型的故障诊断准确率，并输出结果。

进一步地，所述步骤二具体包括：将种群划分为多个子种群，采用多线程记忆制粒子群算法充分利用每次环境下多种群方法得到的局部和全局最优解信息，将当前环境下能找到的局部和全局最优解保存在记忆体中。

进一步地，所述步骤三具体包括：采用适于动态环境的粒子群算法，当检测环境发生变化，取出记忆体中的粒子，当记忆体中的粒子数小于种群个数，则随机PopSize-NUM个粒子，组成新的种群，当记忆体中粒子大于种群个数，则选择适应度较好的前PopSize个粒子组成新的种群，然后进入到新的循环中，直至达到停止条件。

进一步地，所述步骤四具体包括：基于粒子群算法寻优得到的支持向量机的最优结构参数，建立多核支持向量机故障诊断模型。

进一步地，所述步骤五具体包括：采用交叉验证的方式，选用训练集中分类准确率最高支持向量机模型，在分类准确率相同的情况下选用惩罚因子C最小的一组，然后采用测试集验证模型的检测性能。

本发明另一方面还提供了一种动态粒子群算法优化的多核支持向量机吊舱故障诊断装置，该装置包括，

获取单元，用于获取吊舱故障诊断样本，对数据进行标准化处理，提取特征向量，对数据进行归一化处理，并将其划分为训练集和测试集；

初始化单元，用于初始化种群，将种群划分为若干个子种群，构建粒子群优化算法，利用每次环境下多种群方法找到局部和全局最优解信息，保存在记忆体中；

第一处理单元，用于当吊舱类型或环境发生变化，选取记忆体中粒子组成新的种群，新种群经历相同的循环，直至达到停止条件；

第二处理单元，用于取得支持向量机模型的最优结构参数，建立多核支持向量机故障诊断模型，由多项式核函数和径向基(Radial Basis Function，RBF)核函数构成的组合核，采用训练集对构建的模型进行训练，直到达到停止条件；

验证单元，用于采用训练集样本对模型进行训练，交叉验证分类模型准确率；

输出单元，用于将测试集数据输入到优化后的支持向量机故障诊断模型，检验模型的故障诊断准确率，并输出结果。

所述初始化单元还用于，将种群划分为多个子种群，采用多线程记忆制粒子群算法充分利用每次环境下多种群方法得到的局部和全局最优解信息，将当前环境下能找到的局部和全局最优解保存在记忆体中。

所述第一处理单元还用于，采用适于动态环境的粒子群算法，当检测环境发生变化，取出记忆体中的粒子，当记忆体中的粒子数小于种群个数，则随机PopSize-NUM个粒子，组成新的种群，当记忆体中粒子大于种群个数，则选择适应度较好的前PopSize个粒子组成新的种群，然后进入到新的循环中，直至达到停止条件。

所述第一处理单元还用于，基于粒子群算法寻优得到的支持向量机的最优结构参数，建立多核支持向量机故障诊断模型。

所述验证单元还用于，采用交叉验证的方式，选用训练集中分类准确率最高支持向量机模型，在分类准确率相同的情况下选用惩罚因子C最小的一组，然后采用测试集验证模型的检测性能。

本发明有益效果如下：

本发明结合动态粒子群算法建立多核支持向量机模型适合多型吊舱的故障诊断，该算法具有一定的适应性、鲁棒性和准确性，可以有效的对吊舱故障进行定性、定量和定位诊断。

本发明的其他特征和优点将在随后的说明书中阐述，并且部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

图1为本发明实施例的一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法的流程示意图；

图2为本发明实施例的一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法的流程图；

图3是采用本发明的支持向量机模型吊舱故障诊断结果示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。为了清楚和简化目的，当其可能使本发明的主题模糊不清时，将省略本文所描述的器件中已知功能和结构的详细具体说明。

本发明提供了一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置，本发明结合动态粒子群算法建立多核支持向量机模型适合多型吊舱的故障诊断，该算法具有一定的适应性、鲁棒性和准确性，可以有效的对吊舱故障进行定性、定量和定位诊断。以下结合附图以及几个实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。

本发明实施例提供了一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法，参见图1，该方法包括：

S101、获取吊舱故障诊断样本，对数据进行标准化处理，提取特征向量，对数据进行归一化处理，并将其划分为训练集和测试集；

S102、初始化种群，将种群划分为若干个子种群，构建粒子群优化算法，利用每次环境下多种群方法找到局部和全局最优解信息，保存在记忆体中；

S103、当吊舱类型或环境发生变化，选取记忆体中粒子组成新的种群，新种群经历相同的循环，直至达到停止条件；

S104、取得支持向量机模型的最优结构参数，建立多核支持向量机故障诊断模型，由多项式核函数和RBF核函数构成的组合核，采用训练集对构建的模型进行训练，直到达到停止条件；

S105、采用训练集样本对模型进行训练，交叉验证分类模型准确率；

S106、将测试集数据输入到优化后的支持向量机故障诊断模型，检验模型的故障诊断准确率，并输出结果。

具体实施时，本发明实施例所述步骤102具体包括，将种群划分为多个子种群，采用多线程记忆制粒子群算法充分利用每次环境下多种群方法得到的局部和全局最优解信息，将当前环境下能找到的局部和全局最优解保存在记忆体中。

具体实施时，本发明实施例所述步骤S103具体包括，采用适于动态环境的粒子群算法，当检测环境发生变化，取出记忆体中的粒子，当记忆体中的粒子个数(NUM)小于种群个数(PopSize)，则随机产生PopSize-NUM个粒子，组成新的种群，当记忆体中粒子大于种群个数，则选择适应度较好的前PopSize个粒子组成新的种群，然后进入到新的循环中，直至达到停止条件。

具体实施时，本发明实施例所述步骤S104具体包括，基于粒子群算法寻优得到的支持向量机的最优结构参数，建立多核支持向量机故障诊断模型。

具体实施时，本发明实施例所述步骤S105具体包括，采用交叉验证的方式，选用训练集中分类准确率最高支持向量机模型，在分类准确率相同的情况下选用惩罚因子C最小的一组，然后采用测试集验证模型的检测性能。

总体来说，本文发明公开了一种改进的粒子群算法，引入动态响应机制，使得粒子能够获得感知外部环境变化的能力，适应动态环境，满足吊舱测试中多型号、多故障类型、测试环境动态变化的检测要求。建立的多核支持向量机模型能够提高模型的学习能力和泛化能力，经过多线程记忆制粒子群算法寻优得到的最优参数，提高吊舱故障诊断的效率和准确率。首先获取吊舱检测数据，提取故障类型的特征向量；然后通过多线程记忆制粒子群算法对支持向量机进行参数寻优；采用多项式核函数和RBF核函数建立多核支持向量机分类模型；采用训练集样本对模型进行训练，交叉验证分类模型准确率；最后将测试集数据输入到优化后的支持向量机故障诊断模型，检验模型的故障诊断准确率并输出结果。

本发明结合动态粒子群算法建立多核支持向量机模型适合多型吊舱的故障诊断，该算法具有一定的适应性、鲁棒性和准确性，可以有效的对吊舱故障进行定性、定量和定位诊断。

图2为本发明实施例的一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法的流程图，下面将结合图2对本发明所述的方法进行详细的解释和说明：

本发明的目的是提供一种改进的动态粒子群算法优化的支持向量机故障诊断方法，采用多线程记忆制的多种群粒子群优化算法，实现对多核支持向量机中的参数(核权重因子ρ，惩罚因子C，核参数σ、d)的优化，建立支持向量机模型，采用训练集对模型进行训练，最后采用测试集数据对模型进行测试，得出测试结果。

基于动态粒子群算法优化的多核支持向量机吊舱故障诊断方法，依次包括以下步骤：

步骤1)获取吊舱故障诊断样本数据；

获取吊舱测试数据，尤其是吊舱的故障数据，数据来源于测试、实验和仿真数据，对数据进行标准化处理；

提取数据的特征向量，对数据进行归一化处理，将数据样本划分为训练集和测试集；

步骤2)构建粒子群优化算法；

2.1)初始化种群，在给出的搜索空间内初始化n个D维粒子的位置和速度，n个粒子的种群X＝(X₁，X₂，…，X_n)，第i个粒子表示一个D维向量X_i＝[x_i1,x_i2,…,x_iD]^T，第i个粒子的速度为V_i＝[v_i1,v_i2,…,v_iD]^T，个体极值P_i＝[P_i1,P_i2,…,P_iD]^T，种群全局极值P_g＝[P_g1,P_g2,…,P_gD]。

2.2)利用多种群方法将种群分为若干个子种群SubPop[i]，对每个子种群进行粒子群寻优处理。

2.3)设置迭代公式，粒子通过个体极值和全局极值更新自身的速度和位置迭代公式为：

式中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为迭代次数，c₁和c₂是加速度因子，非负常数；r₁和r₂为分布在[0,1]之间的随机数；为了防止粒子的盲目搜索，粒子的位置和速度分布在[-X_max，X_max]、[-V_max，V_max]。

惯性权重

w(k)＝w_start+(w_start-w_end)(2k/T_max-(k/T_max)²)

式中，w_start为初始惯性权重，w_end为迭代次数最大时的惯性权重，k为当前的迭代次数，T_max为最大迭代次数。

2.4)计算得到当前粒子的适应度值，通过多次迭代得到自身最优适应度值，更新个体最优适应度值g_ibest和群体历史最优位置Z_ibest，补充并更新记忆体中的全局最优位置和局部最优位置。

2.5)检查吊舱类型、工作环境等是否发生变化，如果未发生变化，则转置步骤4，建立支持向量机模型。如果发生变化，采用多线程记忆制粒子群算法进行寻优，然后转置步骤3。

步骤3)多线程记忆制粒子群优化算法

3.1)记录每个子种群SubPop[i]中适应度最好的粒子best_i并保存在记忆体中，环境变化前记忆体中共保存NUM个粒子；

3.2)如果环境发生变化，取出记忆体中NUM个粒子并且同种群数Popsize作比较，如果NUM<Popsize，由记忆体中的粒子和随机产生的Popsize-NUM个粒子组成新种群，如果NUM>Popsize，则选取记忆体中的粒子适应度值较高的前Popsize个粒子组成新种群。

3.3)组成新种群后，转置步骤2.2。

步骤4)建立支持向量机吊舱故障诊断模型

4.1)得到优化后的支持向量机参数：核权重因子ρ，惩罚因子C，核参数σ、d，建立支持向量机故障诊断模型。

4.2)建立支持向量机模型

y＝f(x)＝wx+b

最优超平面求解转换为约束最优化问题，最优化函数为：

引入Lagrange因子，建立Lagrange函数：

约束最优化问题在鞍点处取得，可以将拉格朗日函数转变为对偶问题：

进而，根据最优条件(KKT)准则，转变为二次极值问题：

满足的条件为：a_i{[(w·x_i)+b]y_i-1}＝0

吊舱故障诊断属于线性不可分问题，为了达到分类误差概率最小的目的，引入惩罚因子C和松弛因子ξ_i，将模型转换为约束最优化问题：

满足的约束条件为：

本发明采用多项式核函数和RBF核函数的组合核函数将线性不可分问题转化为高维空间的线性问题。线性不可分模式的对偶问题表示为：

式中多项式核函数

由多项式核函数和径向基(Radial Basis Function，RBF)核函数RBF核函数K_RBF(x_i·x_j)＝exp(-||x_i-x_j||²)/2σ²

求解的最优函数为：

约束条件为：

0≤ρ≤1

KKT条件转化为：

4.3)建立多核支持向量机模型，提高模型的学习能力和泛化能力，采用训练集对模型进行训练，得出准确度值，如果准确度满足要求则转置步骤5，否则转置步骤2.2。

步骤5)采用测试集验证建立的多核支持向量机模型，通过支持向量机模型判断测试集模型的故障类型，输出故障诊断结果。

为了展示本发明提出的动态粒子群算法优化的多核支持向量机吊舱故障诊断方法的检测效果，在此以一个实例说明。

采用多线程记忆制粒子群算法对支持向量机模型进行寻优，得到最优化支持向量机结构参数，建立多核支持向量机分类模型，采用训练集对模型进行训练，训练集测试结果正确率为100％，采用测试集样本数据对模型的检测效果进行测试。样本的测试集中给出90组不同类型的故障诊断数据，每组数据对应的故障类型已知，每种故障类型的分类准确率如表1所示。

表1吊舱故障诊断与分类准确率

本实例中最大迭代次数100，w_start＝0.9，w_end＝0.4，c₁＝2.15，c₂＝1.25，r₁＝0.2，r₁＝0.8，最优支持向量机参数为,C＝0.8124，ρ＝0.35，σ＝2.188，d＝3。图3给出了测试集中模型的诊断效果，从图3中可知，吊舱的故障诊断模型具有较高的故障识别效果，测试集中指令发送异常、射频回路异常、图像发射异常故障检出率为100％，天线伺服检查异常的故障检出率为92.3％，测试的90组数据中，总的故障检出率为97.8％，故障定位准确，相比以前吊舱故障诊断，准确率大幅提高。

本发明至少能够获得以下的有益效果：一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法，结合某多型吊舱通用检测平台，获取吊舱故障诊断数据，提取数据的特征向量，形成数据样本，划分为训练集和测试集；利用改进的多线程记忆制粒子群算法得到支持向量机模型的最优参数，该算法符合吊舱类型和检测环境动态变化的要求；采用多项式核函数和RBF核函数建立吊舱故障诊断多核模型，提高模型的学习能力和泛化能力；采用训练集对建立的模型进行训练，模型满足要求后，采用测试集检测模型性能，输出检测结果。具有如下具体优点：

1)采用粒子群算法对支持向量机参数进行优化，快速、高效的确定支持向量机最优结构参数。

2)基于吊舱类型和检测环境的动态变化，改进了粒子群优化算法，多线程记忆机制充分利用每次环境下多种群方法找到的局部和全局最优信息，记忆体中包含全局最优解和局部最优解，这些信息在吊舱的动态优化算法中都被保存下来，不会遗失。

3)建立了多核支持向量机模型，采用多项式核函数和RBF核函数，提高了模型的学习能力和泛化能力，通过交叉验证得到最优化的支持向量机模型。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。