CN109116833A - 基于改进果蝇-蝙蝠算法的机械故障诊断方法 - Google Patents
基于改进果蝇-蝙蝠算法的机械故障诊断方法 Download PDFInfo
- Publication number
- CN109116833A CN109116833A CN201811007052.6A CN201811007052A CN109116833A CN 109116833 A CN109116833 A CN 109116833A CN 201811007052 A CN201811007052 A CN 201811007052A CN 109116833 A CN109116833 A CN 109116833A
- Authority
- CN
- China
- Prior art keywords
- parameter
- fruit fly
- support vector
- vector machine
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 90
- 230000006872 improvement Effects 0.000 title description 2
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 238000012706 support-vector machine Methods 0.000 claims abstract description 55
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 38
- 241000255588 Tephritidae Species 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 17
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 6
- 230000007340 echolocation Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 17
- 230000008901 benefit Effects 0.000 description 8
- 239000002245 particle Substances 0.000 description 8
- 238000003909 pattern recognition Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于机械故障诊断领域，具体为一种基于改进果蝇‑蝙蝠算法的机械故障诊断方法，包括以下步骤从采集的机械运行状态信号中提取时域统计特征和频域统计特征；采用机械故障诊断训练样本集来训练支持向量机；以果蝇算法为框架，融入蝙蝠算法的回声定位思想，设计出改进果蝇‑蝙蝠参数优化方法，并采用该方法来寻找支持向量机的全局最优参数；将得到的全局最优参数代入支持向量机，完成基于支持向量机的故障诊断模型的构建。本发明能够在较短的时间内获得最优的支持向量机参数，有效提高了基于支持向量机的故障诊断模型的构建效率和故障分类准确率，具有很好的实际应用效果。
Description
技术领域
本发明涉及机械故障诊断、模式识别技术等领域，涉及一种群体智能优化算法对支持向量相关参数寻优，来构建基于参数最优的支持向量的机故障诊断模型，具体为一种基于改进果蝇-蝙蝠算法的机械故障诊断方法。
背景技术
现代机械设备已经成为集机、电、液、气、磁等多能域、多尺度耦合的复杂系统，且相当一部分机械设备长时间在变载荷、变转速等恶劣的环境下工作，机械设备的使用寿命及安全性都受到了极大的影响，尤其是机械设备主轴、齿轮箱、轴承等承重部件极易出现故障。并且，机械设备日趋大型化和复杂化，机械故障导致的损失也变得十分巨大，如，1992年日本关西电力公司的一台600MW火力发电机组在超速实验中，由于没有及时预测到机组中轴承的失效，导致机组发生剧烈振动而造成机组不可修复的损坏，该事故造成的经济损失高达50亿日元；2003年武汉钢铁厂高速线材生产线中立式轧机的轴承突然失效，导致该轴上的齿轮出现了断裂故障，使得整条生产线停产68个小时，造成了巨大的经济损失。因此，研究和发展可靠的机械故障诊断方法，实现机械设备故障的精确诊断就显得至关重要。
机械设备故障诊断就是寻找故障原因的过程，其实质是了解和掌握设备运行过程中的状态，评估、预测设备的可靠性，早期发现故障隐患，并对其原因、部位、危险程度等进行辨识，预测故障的发展趋势，最终实现预知维修。从本质上说，机械故障诊断是一个模式识别问题，通常包括信号预处理、特征提取和故障识别等步骤，而故障识别算法的优劣将直接影响故障诊断的精度。常用的故障识别算法包括K最近邻分类算法(KNNC)、人工神经网络(ANN)、k-means等。但是，KNNC算法是基于统计理论的模式识别算法，在训练模型时通常需要大量的训练样本，这在实际应用中通常难以满足；k-means算法的识别效果严重依赖于k值的选取，并且在很多情况下k值的估计是非常困难的，这也导致k-means算法在实际应用中效果欠佳；ANN算法是基于经验风险最小化原则的模式识别算法，在训练模型时往往容易陷入过学习的问题，导致故障诊断模型的泛化能力不足。支持向量机(SVM)则是一种基于结构风险最小化的模式识别算法，通过建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。SVM还具有计算效率高的优点，同时能够简单有效地实现算法的泛化移植，因此基于SVM的智能故障诊断得到了广泛应用。但SVM自身又具有一定的局限性，主要是SVM需要设置惩罚参数C和核参数，这两个参数的设置对SVM的整体性能有很大的影响，然而SVM最优参数选取方法仍然是目前工程应用上急需解决的难题。目前，已有方法大多都采用智能算法进行调参，以得到一个较为理想的结果。
近年来，提出和发展了大量的智能算法来解决参数寻优问题，群体智能算法正是模拟生物群体的智能现象发展而来的全局优化方法。果蝇算法和蝙蝠算法都于2011年由不同的学者提出，这两种方法分别模拟了果蝇和蝙蝠觅食的生物现象，属于启发式群体智能算法。相比其它智能算法，果蝇算法最大的优势在于算法容易实现，便于将它的理论思想转换成程序代码且易于理解，在计算效率上也有优势。而蝙蝠算法拥有优异的局部搜索和全局搜索能力，可以有效避免算法陷入局部最优解。但是对于SVM的参数寻优过程，由于参数的取值范围极大，这对智能算法提出了更高的要求，这既要求算法搜索出的参数能最大限度地提升SVM的性能，又要求算法的计算效率高。因此，选取和改进合适的智能算法以得到最佳的应用仍是值得研究与探索的方向。
发明内容
机械故障诊断本质上是一个模式识别问题，通常包括信号预处理、特征提取和故障识别等步骤，而故障识别算法的优劣将直接影响故障诊断的精度。支持向量机是一种常用的模式识别算法，在机械故障诊断领域得到了广泛应用，但支持向量机的性能严重依赖于参数的选取。
基于现有技术存在的问题，本发明为了进一步提升基于支持向量机的故障诊断模型的整体性能，提出了一种改进果蝇-蝙蝠参数优化算法来实现支持向量机的参数调优，从而构建起参数最优的支持向量机故障诊断模型。本发明主要采用改进果蝇-蝙蝠算法对支持向量机的参数调优，以发挥支持向量机最佳性能，提升机械故障诊断中的故障分类精确度。本方法在果蝇算法计算过程简单、易于编程的基础上，进一步融合蝙蝠算法的回声定位思想，从而在更快的计算速度下获得更优的参数值。
本发明采用的具体方案如下：
一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，包括以下步骤：
S1、从采集的机械运行状态信号中提取时域统计特征和频域统计特征；
S2、采用机械故障诊断训练样本集来训练支持向量机，其支持向量机数学模型如下：
s.t.yi(wTφ(xi)+b)-1+εi≥0；
其中，|| ||2表示二范数；w表示超平面的法向量，wT表示w向量的转置；C表示惩罚参数；εi表示松弛变量；yi表示对第i个超平面分类的标签；b表示位移量，即到超平面的距离；φ(xi)表示经过核函数处理后的样本点xi；N表示支持向量机的维度。
在训练样本数据时，数据通常是非线性可分的，此时需要采用核函数将数据印射到更高的维度上从而达到线性可分以便于分类。而采用最多的核函数为高斯核函数，其表达式如下：
其中，g表示核参数，xi、xj均表示样本点；j∈(1,2,...,N)。因此该模型需要涉及的两大参数为惩罚参数C和核函数参数g；
S3、以果蝇算法为框架，融入蝙蝠算法的回声定位思想，设计出改进果蝇-蝙蝠参数优化方法，并采用该方法来寻找支持向量机的全局最优参数；
S4、将步骤S3得到的全局最优参数代入支持向量机，完成基于支持向量机的故障诊断模型的构建。
进一步的，所述步骤S3具体包括：
S301、对步骤S2所得支持向量机的参数赋值，支持向量机的惩罚参数表示为C，核参数表示为g，并将(C,g)记为果蝇种群的初始位置；
S302、给每个果蝇附上随机方向和距离，Ci＝C+rand，gi＝g+rand；其中，Ci表示更新后的惩罚参数值；gi表示更新后的核参数值；rand表示均匀分布的随机数；
S303、若该随机数rand小于根据蝙蝠算法设定的第一参数ri，则对果蝇种群进行局部搜索：Ci＝Ci+0.01×randn，gi＝gi+0.01×randn，rand表示服从均匀分布的随机数；否则跳转至下一步；
S304、对所得的果蝇种群位置代入评价函数中，计算其适应度值；评价函数表示为：Fitness＝function(Ci,gi)；function(Ci,gi)表示(Ci,gi)参数对应的错误分类率；Se为为分错类的训练样本数量，S为训练样本总数量；
S305、计算评价函数的最小值，即当前最优解：Fitnessbest＝min(function(Ci,gi))；
S306、对所得当前最优解的结果进行全局搜索：如果该当前最优解Fitnessbest优于全局最优值best，且根据蝙蝠算法设定的第二参数Ai大于生成的随机数rand，则接受当前最优值，并将当前最优值赋给全局最优值，即best＝Fitnessbest，将步骤S302的初始位置更新为最优果蝇个体对应的位置，即(C,g)→(Cbest,gbest)；否则放弃该当前最优值，并维持步骤S302的初始位置；
S307、将步骤S306所确定的初始位置，返回步骤S302，直至满足迭代终止条件，此时记录下最优的参数值。
进一步的，在步骤S306对步骤S302中的初始位置更新后，若更新后的初始位置超出参数的取值区间，则需要对每个果蝇的初始位置进行映射处理，将其映射到所在区间内：
Ci＝CLB+U(0，1)×(CUB-CLB)；
gi＝gLB+U(0，1)×(gUB-gLB)；
其中，CLB为C对应的下边界，gLB为g对应的下边界；CUB为C对应的上边界，gUB为g对应的上边界；U(0，1)为区间[0，1]上的均匀分布随机数。
进一步的，所述根据蝙蝠算法设定的第一参数ri为蝙蝠算法中的脉冲发射频率，该参数ri随着运算时间的推进而递增：
其中，表示t次循环时的第一参数；t为时间，为初始发射频率，的
取值范围为[0，1]；γ为常数。
进一步的，所述根据蝙蝠算法设定的第二参数Ai为蝙蝠算法中的响度，该参数为：
其中，α为常数，取值范围为[0.85,0.95]；表示在t+1时刻的第二参数；Ai t表示为在t时刻的第二参数。
本发明的有益效果：
本发明为了进一步提升基于支持向量机的故障诊断模型的整体性能，提出了一种改进果蝇-蝙蝠参数优化算法来实现支持向量机的参数调优，从而构建起参数最优的支持向量机故障诊断模型。改进果蝇-蝙蝠参数优化算法能够在较短时间内获得最优的支持向量机参数，有效地提高了基于支持向量机的故障诊断模型的构建效率和故障分类准确率，具有很好的实际应用效果。
附图说明
图1为本发明采用的方法流程图；
图2为本发明采用的向量机的分类流程图；
图3为本发明采用的果蝇算法和蝙蝠算法的具体流程图；
图4为采用本发明方法的机械故障诊断分类准确率曲线图；
图5为基于粒子群算法的机械故障诊断分类准确率曲线图；
图6为基于遗传算法的机械故障诊断分类准确率曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：
如图1所示，本发明采用的系统流程图包括：
S1、从采集的机械运行状态信号中提取时域统计特征和频域统计特征；
S2、采用机械故障诊断训练样本集来训练支持向量机；
S3、以果蝇算法为框架，融入蝙蝠算法的回声定位思想，设计出改进果蝇-蝙蝠参数优化方法，并采用该方法来寻找支持向量机的全局最优参数；
S4、将步骤S3得到的全局最优参数代入支持向量机，完成基于支持向量机的故障诊断模型的构建。
其中，本发明对采用的支持向量机分类流程图如图2所示，对果蝇算法进行参数的初始化，生成果蝇种群，另一方面，输入机械故障诊断样本数据，对数据进行预处理后，生成训练集，利用训练集对果蝇种群产生的SVM参数进行分类训练，计算出适应度值，判断是否满足迭代终止条件，若否继续更新种群，否则输出结果
进一步的，所述步骤S3具体包括，如图3所示：
S301、对步骤S2所得支持向量机的参数赋值，支持向量机的惩罚参数表示为C，核参数表示为g，并将(C,g)记为果蝇种群的初始位置；
S302、给每个果蝇附上随机方向和距离，Ci＝C+rand，gi＝g+rand；其中，Ci表示更新后的惩罚参数值；gi表示更新后的核参数值；rand表示均匀分布的随机数；
S303、若该随机数rand小于根据蝙蝠算法设定的第一参数ri，则对果蝇种群进行局部搜索：Ci＝Ci+0.01×randn，gi＝gi+0.01×randn，rand表示服从均匀分布的随机数；否则跳转至下一步；
S304、对所得的果蝇种群位置代入评价函数中，计算其适应度值；评价函数表示为：Fitness＝function(Ci,gi)；function(Ci,gi)表示(Ci,gi)参数对应的错误分类率；Se为为分错类的训练样本数量，S为训练样本总数量；
S305、计算评价函数的最小值，即当前最优解：Fitnessbest＝min(function(Ci,gi))；
S306、对所得当前最优解的结果进行全局搜索：如果该当前最优解Fitnessbest优于全局最优值best，且根据蝙蝠算法设定的第二参数Ai大于生成的随机数rand，则接受当前最优值，并将当前最优值赋给全局最优值，即best＝Fitnessbest，将步骤S302的初始位置更新为最优果蝇个体对应的位置，即(C,g)→(Cbest,gbest)；否则放弃该当前最优值，并维持步骤S302的初始位置；
S307、将步骤S306所确定的初始位置，返回步骤S302，直至满足迭代终止条件，此时记录下最优的参数值。
进一步的，在步骤S306对步骤S302中的初始位置更新后，若更新后的初始位置超出参数的取值区间，则需要对每个果蝇的初始位置进行映射处理，将其映射到所在区间内：
Ci＝CLB+U(0，1)×(CUB-CLB)；
gi＝gLB+U(0，1)×(gUB-gLB)；
其中，CLB为C对应的下边界，gLB为g对应的下边界；CUB为C对应的上边界，gUB为g对应的上边界；U(0，1)为区间[0，1]上的均匀分布随机数。
进一步的，所述根据蝙蝠算法设定的第一参数ri为蝙蝠算法中的脉冲发射频率，该参数ri随着运算时间的推进而递增：
其中，表示t次循环时的第一参数；t为时间，为初始发射频率，的取值范围为[0，1]；γ为常数。
进一步的，所述根据蝙蝠算法设定的第二参数Ai为蝙蝠算法中的响度，该参数为：
其中，α为常数，表示为在t时刻的第二参数；α取值为[0.85,0.95]。本实施例取值为α＝0.9。
以下将结合具体实施例以及附图对本发明进行详细的描述。
首先为了验证本发明具有良好的模式识别能力，选用UCI(University ofCalifornia at Irvin)机器学习知识库中的数据作为实施例进行测试，具体数据如表1所示。
表1数据描述
在得到数据以后，按照摘要附图所示的流程进行，为了对比本发明(FFBA-SVM)的优势，同时采用网格搜索SVM调参和遗传算法SVM调参(GA-SVM)对相同数据进行运算，每种方法各运算十次，将每个算法得到的平均分类准确率记录在表2中。
表2与网格搜索、遗传算法性能对比结果
表2中的最后一列为本发明方法的平均分类准确率，相比其他两种方法，本发明明显更具备优势。
为了进一步对比本发明的计算时间和准确率，我们采用和本发明相似的方法进行对比，如粒子群算法调参(PSO-SVM)和基本蝙蝠算法(BA-SVM)，将三种方法中的种群数量和最大迭代次数都分别设置为20和100，这样能较为公平的对比计算时间。对比结果记录在表3中。
表3与粒子群算法、原始蝙蝠算法性能对比结果
表3的结果表明，选用粒子群算法调优，准确率明显低于蝙蝠算法和本发明的方法，这是因为粒子群缺少回声定位操作，从而导致局部和全局搜索能力较弱，但也因为此，粒子群算法计算时间较快，而本发明结合了蝙蝠算法的全局寻优能力和果蝇算法的计算效率高的特点,因此本发明的平均分类准确率高于粒子群方法，而平均计算时间又领先于蝙蝠算法。
为了验证本发明在机械故障诊断中的应用效果，通过凯斯西储大学的轴承故障数据来说明本方法的有效性。该数据是利用电火花加工切槽来模拟轴承不同部位的单点故障，主要是通过设置不同的切槽宽度：0.007、0.014、0.021(1英寸＝2.54厘米)，来模拟轴承轻度故障、中度故障以及严重故障。本次实验选用主轴转速1772rpm、载荷为1HP、采样频率为12000Hz的驱动端振动轴承的9种故障振动信号进行分析，包括：外圈轻微故障、外圈中度故障、外圈严重故障、内圈轻微故障、内圈中度故障、内圈严重故障以及滚动体轻微故障、滚动体中度故障、滚动体严重故障。分别在每种故障状态下测取50组样本，每个样本采样点数为2048点，将其中20组样本作为训练样本，其余30组样本作为测试样本。分别从每个样本的振动信号中提取24个时频域统计特征，然后再采用参数优化的SVM来进行故障诊断。图4展示了本发明对该数据进行故障诊断的适应度曲线收敛图，从图中可以看出，本发明得到的最优分类准确率为98.89％，而从图5和图6可以看出，基于粒子群算法和遗传算法的准确率都达不到本方明的分类精度。因而本发明在机械故障诊断中是具有很好的应用前景。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，包括以下步骤：
S1、从采集的机械运行状态信号中提取时域统计特征和频域统计特征；
S2、采用机械故障诊断训练样本集训练支持向量机模型；
S3、以果蝇算法为框架，融入蝙蝠算法的回声定位思想，设计出改进果蝇-蝙蝠参数优化方法，并采用该方法来寻找支持向量机的全局最优参数；
S4、将步骤S3得到的全局最优参数代入支持向量机，完成基于支持向量机的故障诊断模型的构建。
2.根据权利要求1所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，步骤S2中所述支持向量机模型包括：
s.t.yi(wTφ(xi)+b)-1+εi≥0；
其中，|| ||2表示二范数；w表示超平面的法向量，wT表示w向量的转置；C表示惩罚参数；εi表示松弛变量；yi表示对第i个超平面分类的标签；b表示位移量，即到超平面的距离；φ(xi)表示经过核函数处理后的样本点xi；N表示支持向量机的维度。
3.根据权利要求2所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述核函数为高斯核函数，其表达式为：
其中，g表示核参数，xi、xj均表示样本点；j∈(1,2,...,N)。
4.根据权利要求1所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述步骤S3具体包括：
S301、对步骤S2所得支持向量机的参数进行赋值，支持向量机的惩罚参数表示为C，核参数表示为g，并将(C,g)记为果蝇种群的初始位置；
S302、给每个果蝇附上随机方向和距离，Ci＝C+rand，gi＝g+rand；其中，Ci表示更新后的惩罚参数值；gi表示更新后的核参数值；rand表示服从均匀分布的随机数；
S303、若该随机数rand小于根据蝙蝠算法设定的第一参数ri，则对果蝇种群进行局部搜索：Ci＝Ci+0.01×randn，gi＝gi+0.01×randn，randn表示服从标准正态分布的随机数；否则跳转至下一步；
S304、对所得的果蝇种群位置代入评价函数中，计算其适应度值；评价函数表示为：function(Ci,gi)表示(Ci,gi)参数对应的错误分类率；Se为分错类的训练样本数量，S为训练样本总数量；
S305、计算评价函数的最小值，即当前最优解：Fitnessbest＝min(function(Ci,gi))；
S306、对所得当前最优解的结果进行全局搜索：如果该当前最优解Fitnessbest优于全局最优值best，且根据蝙蝠算法设定的第二参数Ai大于生成的随机数rand，则接受当前最优值，并将当前最优值赋给全局最优值，即best＝Fitnessbest，将步骤S302的初始位置更新为最优果蝇个体对应的位置，即(C,g)→(Cbest,gbest)；否则放弃该当前最优值，并维持步骤S302的初始位置；
S307、将步骤S306所确定的初始位置，返回步骤S302，直至满足迭代终止条件，此时记录下最优的参数值。
5.根据权利要求4所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，在步骤S306对步骤S302中的初始位置更新后，若更新后的初始位置超出参数的取值区间，则需要对每个果蝇的初始位置进行映射处理，将其映射到所在区间内：
Ci＝CLB+U(0，1)×(CUB-CLB)；
gi＝gLB+U(0，1)×(gUB-gLB)；
其中，CLB为C对应的下边界，gLB为g对应的下边界；CUB为C对应的上边界，gUB为g对应的上边界；U(0，1)为在区间[0，1]上的均匀分布随机数。
6.根据权利要求4所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述根据蝙蝠算法设定的第一参数ri为蝙蝠算法中的脉冲发射频率，该参数ri随着运算时间的推进而递增：
ri t+1＝ri 0[1-exp(-γt)]
其中，ri t+1表示t次循环时的第一参数；t为时间，ri 0为初始发射频率，ri 0的取值范围为[0，1]；γ为常数。
7.根据权利要求4所述的一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，其特征在于，所述根据蝙蝠算法设定的第二参数Ai为蝙蝠算法中的响度，该参数为：
其中，α为常数，取值范围为[0.85,0.95]；表示在t+1时刻的第二参数；表示为在t时刻的第二参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811007052.6A CN109116833B (zh) | 2018-08-31 | 2018-08-31 | 基于改进果蝇-蝙蝠算法的机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811007052.6A CN109116833B (zh) | 2018-08-31 | 2018-08-31 | 基于改进果蝇-蝙蝠算法的机械故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109116833A true CN109116833A (zh) | 2019-01-01 |
| CN109116833B CN109116833B (zh) | 2021-04-16 |
Family
ID=64861497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811007052.6A Active CN109116833B (zh) | 2018-08-31 | 2018-08-31 | 基于改进果蝇-蝙蝠算法的机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109116833B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159903A (zh) * | 2019-12-31 | 2020-05-15 | 重庆邮电大学 | 一种紧凑型多通道多流体热交换装置的设计和制造方法 |
| CN111639695A (zh) * | 2020-05-26 | 2020-09-08 | 温州大学 | 一种基于改进果蝇优化算法对数据进行分类的方法及系统 |
| CN114091334A (zh) * | 2021-11-18 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 |
| CN115081527A (zh) * | 2022-06-23 | 2022-09-20 | 国网河北省电力有限公司营销服务中心 | 基于支持向量机的电表故障分类方法、装置及电子设备 |
| CN117407817A (zh) * | 2023-10-25 | 2024-01-16 | 国网四川省电力公司绵阳供电公司 | 一种配电自动化机房的异常监测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794368A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨理工大学 | 基于foa-mksvm的滚动轴承故障分类方法 |
| CN106802563A (zh) * | 2016-10-13 | 2017-06-06 | 湖南工业大学 | 一种基于果蝇优化和lssvm的污水过程优化控制方法 |
| CN107330781A (zh) * | 2017-06-19 | 2017-11-07 | 南京信息工程大学 | 一种基于ifoa‑svm的个人信用风险评估方法 |
| WO2018071896A1 (en) * | 2016-10-14 | 2018-04-19 | Celmatix Inc. | Methods and systems for assessing fertility based on subclinical genetic factors |
| CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
| CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
-
2018
- 2018-08-31 CN CN201811007052.6A patent/CN109116833B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794368A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨理工大学 | 基于foa-mksvm的滚动轴承故障分类方法 |
| CN106802563A (zh) * | 2016-10-13 | 2017-06-06 | 湖南工业大学 | 一种基于果蝇优化和lssvm的污水过程优化控制方法 |
| WO2018071896A1 (en) * | 2016-10-14 | 2018-04-19 | Celmatix Inc. | Methods and systems for assessing fertility based on subclinical genetic factors |
| CN107330781A (zh) * | 2017-06-19 | 2017-11-07 | 南京信息工程大学 | 一种基于ifoa‑svm的个人信用风险评估方法 |
| CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
| CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴易轩: "果蝇优化算法改进及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 李素等: "群智能算法优化支持向量机参数综述", 《智能系统学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111159903A (zh) * | 2019-12-31 | 2020-05-15 | 重庆邮电大学 | 一种紧凑型多通道多流体热交换装置的设计和制造方法 |
| CN111639695A (zh) * | 2020-05-26 | 2020-09-08 | 温州大学 | 一种基于改进果蝇优化算法对数据进行分类的方法及系统 |
| CN111639695B (zh) * | 2020-05-26 | 2024-02-20 | 温州大学 | 一种基于改进果蝇优化算法对数据进行分类的方法及系统 |
| CN114091334A (zh) * | 2021-11-18 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 |
| CN115081527A (zh) * | 2022-06-23 | 2022-09-20 | 国网河北省电力有限公司营销服务中心 | 基于支持向量机的电表故障分类方法、装置及电子设备 |
| CN117407817A (zh) * | 2023-10-25 | 2024-01-16 | 国网四川省电力公司绵阳供电公司 | 一种配电自动化机房的异常监测系统 |
| CN117407817B (zh) * | 2023-10-25 | 2024-07-09 | 国网四川省电力公司绵阳供电公司 | 一种配电自动化机房的异常监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109116833B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109116833B (zh) | 基于改进果蝇-蝙蝠算法的机械故障诊断方法 | |
| Guo et al. | Improved adversarial learning for fault feature generation of wind turbine gearbox | |
| CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
| CN103808509A (zh) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 | |
| CN110263834B (zh) | 一种新能源电能质量异常值的检测方法 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN110118928B (zh) | 一种基于误差逆传播算法的断路器故障诊断方法 | |
| CN112364756A (zh) | 一种基于天牛须和随机森林的gis故障分类方法 | |
| CN110555478A (zh) | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 | |
| CN110307981B (zh) | 基于pnn-ifa的轴承故障诊断方法 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN115275990A (zh) | 一种用于区域电网宽频振荡风险的评估方法与系统 | |
| CN118568653B (zh) | 基于多特征参量的组合电器开关设备状态感知与故障诊断方法 | |
| CN115048856A (zh) | 一种基于ms-alstm的滚动轴承剩余寿命预测方法 | |
| CN118484731A (zh) | 一种基于多神经网络的液流电池故障预警模型框架 | |
| CN115081483B (zh) | 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法 | |
| Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation | |
| CN115311509A (zh) | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 | |
| CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 | |
| Xie et al. | Unsupervised domain adaptation for bearing fault diagnosis using nonlinear impact dynamics model under limited supervision | |
| Yang et al. | Fault diagnosis of pile machine based on improved artificial bee colony and K-means clustering algorithm | |
| Zhang et al. | Fault diagnosis of rolling bearing based on CNN with attention mechanism and dynamic learning rate | |
| CN113742638B (zh) | 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法 | |
| Xiao et al. | Identification of shaft orbit based on the grey wolf optimizer and extreme learning machine | |
| CN116383647A (zh) | 基于并行特征提取的滚动轴承剩余寿命预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |