本技术涉及流量检测,具体而言,涉及一种基于改进麻雀搜索算法的超声波流量计故障诊断方法。
背景技术:
1、传统诊断设备故障的方法是先从设备本身的原理出发,然后再将这些原理与专家的经验相结合,实现对设备故障类型的判断和维修。但随着设备制造工艺的上升及其复杂程度的提高,传统方法既要综合考虑多个相关因素的影响,又对进行故障诊断的专家及其经验和分析能力提出了较高的要求,因此故障诊断的效率和准确率无法得到保证。
2、针对以上问题,francisco、kojo、朱建新等人利用贝叶斯方法来诊断设备是否存在故障;yan、李恒等人采用基于神经网络方法进行故障检测;张强、sayanti、long等人采用支持向量机对参数进行优化。对于超声波流量计故障的诊断存在三个问题:贝叶斯方法依赖数据特征的独立性;神经网络方法所需特征量和数据量均较大;支持向量机对参数选择较敏感,大部分是由经验来选取,带有一定的随机性,无法保证性能。
技术实现思路
1、本技术的目的在于,针对上述现有技术中的不足,提供一种基于改进麻雀搜索算法的超声波流量计故障诊断方法,本方法包括:
2、s1:获取预设超声波流量计数据,形成样本数据集;
3、s2:通过核主成分分析对获取的预设超声波流量计数据进行降维处理;
4、s3:对降维处理后的数据按照预设划分算法处理,划分为训练集和测试集;
5、s4:使用circle混沌映射和levy飞行策略改进麻雀搜索算法clssa,使用改进后的麻雀搜索算法优化惩罚参数c和高斯核函数的g训练支持向量机,并输出超声波流量计故障诊断模型;
6、s5:对测试集样本进行检测,利用测试样本对训练好的故障诊断模型进行测试,通过训练好的支持向量机输出超声波流量计故障诊断的结果。
7、进一步地,步骤s2通过核主成分分析对获取的预设超声波流量计数据进行降维处理包括步骤:
8、s21:获取步骤s1的样本数据集s,s=[s1 s2 s3 … sn]t,
9、其中,si为每个特征含有的m个数据的集合,即si=[x1 x2 x3 … xm],n为特征种类数,x为特征;
10、s22:将s映射到高维空间,即
11、
12、φ为非线性映射函数;
13、s23:对φ中心化处理,即
14、其中,表示第i维的平均值;
15、s24:计算φ'的协方差矩阵c,即
16、
17、s25:计算协方差矩阵c的特征值并由大到小排列,表示为λ1,λ2,λ3,…,λn,并求出对应的特征向量ε1,ε2,ε3,…,εn。定义特征向量矩阵p为p=[ε1,ε2,ε3,…,εn],则pcpt表示为:
18、s26:取pcpt的前k列构成新矩阵p'=[ε1,ε2,ε3,…,εk],即可得到降维后的主成分数据集矩阵z,其中k为常数,即z=p'φ。
19、进一步地,步骤s3,对降维处理后的数据按照预设划分算法处理,划分为训练集和测试集,所述训练集和测试集的数据比例为7:3。
20、进一步地,步骤s4中使用circle混沌映射和levy飞行策略改进麻雀搜索算法clssa,包括步骤:
21、s41:按照预设设定,设定迭代的次数,种群的数量,发现者与追随者的比例,预警值,安全值等参数;
22、s42:利用circle混沌映射生成的数据作为种群初始的位置信息;
23、s43:计算初始种群的适应度值,并确定当前最优个体和最差个体的位置;
24、s44:更新发现者位置;
25、s45:更新追随者位置;
26、s46:更新侦察预警的麻雀位置;
27、s47:确定空间中每一个麻雀个体位置及其适应度值,根据适应度值排序,利用circle混沌映射对适应度值最大的麻雀个体进行扰动和位置更新;
28、s48:并当达到最大迭代次数时,输出适应度值预设最优的麻雀位置信息,否则继续迭代。
29、进一步地,步骤s42中利用circle混沌映射生成的数据作为种群初始的位置信息包括式子:
30、xi,d=ω+(μ-ω)×yi
31、式中,ω和μ分别代表了整个搜索空间的下限和上限。
32、进一步地,步骤s44更新发现者位置包括式子:
33、
34、式中,t为迭代次数,d=1,2,...,d;σ为一个常数,代表最大迭代次数;xi,d为第i个麻雀在第d维中的位置;α∈(0,1]是一个随机数;r2(r2∈[0,1])和st(st∈[0.5,1])分别表示预警值和安全值;
35、r2<st,为周围没有捕食者,发现者可进行搜索;
36、r2≥st,为周围存在危险,发现者停止朝该方向觅食,种群立刻向安全区域调整;
37、q是服从正态分布的随机数;
38、l表示一个1×d的矩阵,矩阵中的每一个元素的值都为1。
39、进一步地,步骤s45:更新追随者位置包括式3:
40、
41、其中,levy(s)为levy飞行策略。
42、进一步地,步骤s46更新侦察预警的麻雀位置包括式子:
43、
44、xb设置为已占据的最优位置;
45、β设置为步长控制参数;
46、k∈[-1,1]设置为一个随机数;
47、fi是当前麻雀个体的适应度值;
48、fb和fw分别是当前已知的预设最佳和预设最差的适应度值;
49、fi>fb,设置为麻雀处于群体边缘,易受到攻击;
50、xb所处位置就是种群中最好的位置;
51、fi=fb,设置为麻雀意识到危险,需要靠近其他的麻雀降低被捕食的风险;
52、ε为确保分母不为零的最小常数。
53、进一步地,使用改进后的麻雀搜索算法优化惩罚参数c和高斯核函数的g训练支持向量机包括步骤:
54、设定惩罚参数c,函数距离为yi=(ωxi+b)并选择合适的核函数k(x,z);得到拉格朗日乘子α*=(α1*,α2*,...,αn*)t
55、
56、
57、0≤αi≤c,i=1,2,...,n
58、计算
59、选择α*中某个范围0到c之间的分量
60、计算
61、求超平面,得到决策函数,即
62、
63、c为惩罚函数;
64、yi为函数距离;
65、k(x,z)为核函数;
66、α*为拉格朗日乘子;
67、ω*为权重向量;
68、b*为阈值;
69、f(x)为决策函数。
70、进一步地,高斯核函数式子为:
71、
72、z为核函数中心;
73、|x-z|2为向量x和向量z的欧氏距离。
74、本技术的有益效果是:
75、(1)本发明提出了改进的麻雀搜索算法clssa,该算法利用circle混沌映射生成的数据作为种群初始的位置信息对适应度值最大的麻雀个体进行扰动和位置更新,利用levy飞行更新追随者位置,减少了陷入局部最优的可能性。
76、(2)本发明利用clssa优化支持向量机的相关参数,提高了向量机的泛化能力。
77、(3)本发明提出了核主成分分析降维处理kpca-改进的麻雀搜索算法clssa-支持向量机svm算法,采用这个算法可以根据流速、信噪比等特征来实现对超声波流量计的故障诊断。