基于自适应蚁狮优化的支持向量机故障预测方法技术

技术编号:21142275 阅读:18 留言:0更新日期:2019-05-18 05:29
本发明专利技术一种基于自适应蚁狮优化的支持向量机故障预测方法,包括以下步骤:步骤一:首先进行预处理:步骤二:初始化蚁狮参数:步骤三:训练支持向量机回归模型:步骤四:根据测试集来计算适应度:步骤五:运用单步循环迭代的方法预测寿命曲线。本发明专利技术针对由于通过监测电路发生退化的一段时间内的历史数据作为训练样本,样本数有限,此时,采用传统的多步预测方法对特征参数值进行预测时,未来时刻的多个预测值是同时估计出的,随着预测距离的增加,预测的误差将逐渐增大。该方法在每次循环中都用新的预测值代替了较早时刻的初始值作为训练样本,实时更新了样本,减少了累积误差,使得每次预测的误差值减到最小。使计算结果更加准确。

Support Vector Machine Fault Prediction Method Based on Adaptive Ant Lion Optimization

【技术实现步骤摘要】
基于自适应蚁狮优化的支持向量机故障预测方法
:本专利技术涉及一种基于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方法(IAALO-SVM),通过对支持向量机中的参数进行优化,从而得出不同条件下电子产品的退化寿命,属于系统工程系统可靠性

技术介绍
:支持向量机是近几年发展起来的基于统计学习的机器学习方法。它以统计学习理论为基础,从小样本出发,采用结构风险最小化准则,在最小化样本点误差的同时,考虑模型的结构因素,从根本上提高了泛化能力。目前,它主要应用在模式分类和非线性回归问题中,由于其优越的学习能力,在国内外日益受到广泛的关注,已经在很多领域取得了成功应用。支持向量机的特有优势通常表现在能够很好地解决非线性小样本的高维识别和回归问题,通过少量的训练样本就能得到较小的误差。支持向量机算法能保证局部最优解一定是全局最优解,受数据维数的影响小,可以将更多的信息作为模型的输入,以提高预测的准确性。但是模型核函数的类型以及核函数中的参数的选取对预测结果影响比较大。鉴于此,本专利技术提出了一种基于蚁狮优化的支持向量机故障预测方法,蚁狮优化算法是受自然界中蚁狮猎捕蚂蚁的狩猎机制启发而提出的一种新颖的群体智能优化算法。自然界中蚁狮在沙中沿圆形轨迹移动,利用下颚挖出一个诱捕蚂蚁的圆锥形坑,当随机移动的蚂蚁陷入坑中时,蚁狮便捕食之并重新修缮坑穴等待下一只猎物(蚂蚁)。ALO算法具有相对较好的寻优效率和收敛精度:通过蚁狮的随机选择、蚂蚁的随机迁移以及陷阱边界的自适应缩减等机制,保证了算法对搜索空间的较好探索性能,实现了ALO算法的更快的优化效率。另一方面,ALO算法通过随机游走和轮盘赌选择等策略,降低了算法陷入局部极值的可能性,并在一定程度上提高了算法的收敛精度。
技术实现思路
:1、目的:本专利技术的目的是提出了一种基于蚁狮优化的支持向量机故障预测方法,针对模拟电路数据缺乏且具有非线性的特点,研究基于支持向量机的故障预测方法,针对如何选择模型参数问题,引进蚁狮算法优化支持向量机模型参数,同时,在基于蚁狮优化的算法上进一步改进优化算法,即自适应蚁狮优化支持向量机故障预测算法(AALO-SVM),通过监测电路发生退化的一段时间内的历史数据作为训练样本,样本数有限。此时,采用传统的多步预测方法对特征参数值进行预测时,未来时刻的多个预测值是同时估计出的,显然,预测的时刻距离训练样本越近时,预测结果越准确,而随着预测距离的增加,预测的误差将逐渐增大。针对上述问题,为获得未来多个时刻相对精确的预测结果,本文提出了一种基于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方法(IAALO-SVM),如图3所示,利用蚁狮优化的支持向量机模型和训练样本,每次只预测下一个时刻的参数值,之后用其替代初始训练样本中最早的真实值,构造新的训练样本,重新训练预测模型,得到下一个时刻的参数值,不断循环迭代,最后得到未来多个时刻的预测值,从而得到更精准的寿命预测。本专利技术旨在提高实际生产中电子产品寿命的预测准确度,从而实现故障的提前预警,指导生产和设计,提高产品的可靠性。2、技术方案:本专利技术是通过以下技术方案实现的。首先引入几个定义。定义1:惩罚参数C:用于实现经验风险和置信风险之间的折衷。定义2:不敏感误差函数ε:控制拟合近似误差线的大小,其大小表明了函数拟合的精度。定义3:核函数:径向基函数(RadialBasisFunction简称RBF),就是某种沿径向对称的标量函数。本专利技术中具体计算公式如下式参数σ表示RBF核函数的宽度。参数x和y是n维的输入值。蚁狮算法的流程及步骤为:(1)蚂蚁的随机游走由于蚂蚁在搜寻食物时随机移动,所以选择一个随机游走模拟蚂蚁的运动如下:x(t)=[0,cumsum(2r(t1)-1),cumsum(2r(t2)-1)......cumsum(2r(tn)-1)](2)其中cumsum表示计算累计和,n表示最大迭代次数,t表示随机游走步数,r(t)表示一个随机函数,定义如下:其中t表示随机游走步数(迭代次数),rand是在[0,1]区间内均匀分布生成的随机数。为了保持搜索空间内的随机游走,使用以下等式(最小最大归一化)对它们进行归一化:其中ai是第i个变量的随机游走的最小值,di是第i个变量中随机游动的最大值,是第t个迭代中第i个变量的最小值,表示第t次迭代中第i个变量的最大值。公式(4)应该在每次迭代中应用以保证搜索空间内随机游走的发生。(2)蚁狮对蚂蚁的影响蚂蚁的随机游走受到了蚁狮陷阱的影响,可以表示为:式(5)中:ct是第t次迭代中所有变量的最小值,dt表示包含第t次迭代中所有变量的最大值的向量,是第i个蚂蚁的所有变量的最小值,是第j只蚂蚁的所有变量的最大值,并且为在第t次迭代中所选择的第j个蚁狮的位置。(3)蚁狮的捕食过程每只蚂蚁只能被一只蚁狮捕获,某只蚂蚁具体要被哪只蚁狮捕获是通过轮盘赌策略来选择的,适应度越高的蚁狮有着更高的捕获蚂蚁的机会。另外,蚁狮可以构造陷阱,蚂蚁一旦落入陷阱,蚁狮就会向外扬沙以使蚂蚁不至于逃脱,这时蚂蚁随机游走的范围将急剧缩小。数学上表示为:其中I是比率,ct是第t次迭代中所有变量的最小值,dt表示第t次迭代中所有变量的最大值。当某只蚂蚁的适应度变得高于蚁狮时,即认为其被蚁狮捕获,此时蚁狮会根据蚂蚁的位置来更新其位置,表示为:其中t表示当前迭代,表示第t次迭代时所选择的第j个蚁狮的位置,表示第t次迭代时第i个蚂蚁的位置。(4)精英策略在每次迭代中获得的最好的蚁狮被保存并被视为精英。由于精英是最适合的蚁狮,它应该能够在迭代过程中影响所有蚂蚁的运动。因此,假定每个蚂蚁都同时通过赌盘随机绕着一个蚁狮和精英游走,如下所示:是轮盘在第t次迭代时选择的随机行走,是第t次迭代时围绕精英的随机游走,指示第t次迭代时第i个蚂蚁的位置。按照公式(8)不断更新蚂蚁位置,使蚁狮向精英蚁狮靠近,虽然在一定程度上提高了算法的开发能力,但存在着一定的缺陷,因为ALO算法在迭代初期需要更强的探索能力。对此,本文引入自适应思想,提出了自适应精英蚁狮改进策略:公式(9)中,σ(t)代表自适应系数;在迭代初期时,设定σ(t)偏大,围绕着蚁狮游走为主,能够提高探索能力,有利于获得全局最优解。迭代次数逐渐增加,到了后期,σ(t)变小,意味着主要围绕精英蚁狮游走,保证算法的开发能力,从而提高算法的收敛速度和精度。通过以上改进,蚂蚁能够自适应地选择两种不同的游走方式,有效地均衡并充分发挥了算法的探索与开发能力。如图1所示。本专利技术是一种基于蚁狮优化的支持向量机故障预测方法,其步骤如下:步骤一:首先进行预处理:提取电容的等效串联电阻(ESR)值变化时输出纹波电压峰峰值数据集。电解电容等效串联电阻ESR随时间的退化规律通过以下规律提取:ESR(t)代表t时刻的ESR值;T代表电容的内部温度,单位为摄氏度(℃);ESR(0)为初始时刻的ESR值;k是由电容设计和结构参数所决定的一个常数。步骤二:初始化蚁狮参数:除了蚁狮算法需要设置的种群数量以及最大迭代次数外(由历史经验得,设定的种群数量为30,最大迭代次数为100次),蚁狮算法通过使用训练集训练SVM模型提供给SVM回归机C、σ、ε的值,因此还需要设置惩罚参数C的上、下限Cmax=1本文档来自技高网
...

【技术保护点】
1.一种基于自适应蚁狮优化的支持向量机故障预测方法,其特征在于:定义1:惩罚参数C:用于实现经验风险和置信风险之间的折衷;定义2:不敏感误差函数ε:控制拟合近似误差线的大小,其大小表明了函数拟合的精度;定义3:核函数:径向基函数RBF,是某种沿径向对称的标量函数;具体计算公式如下式:

【技术特征摘要】
1.一种基于自适应蚁狮优化的支持向量机故障预测方法,其特征在于:定义1:惩罚参数C:用于实现经验风险和置信风险之间的折衷;定义2:不敏感误差函数ε:控制拟合近似误差线的大小,其大小表明了函数拟合的精度;定义3:核函数:径向基函数RBF,是某种沿径向对称的标量函数;具体计算公式如下式:其中,参数σ表示RBF核函数的宽度;参数x和y是n维的输入值;蚁狮算法的流程为:蚂蚁的随机游走:由于蚂蚁在搜寻食物时随机移动,所以选择一个随机游走模拟蚂蚁的运动如下:x(t)=[0,cumsum(2r(t1)-1),cumsum(2r(t2)-1)......cumsum(2r(tn)-1)](2)其中cumsum表示计算累计和,n表示最大迭代次数,t表示迭代次数,r(t)表示一个随机函数,定义如下:其中t迭代次数,rand是在[0,1]区间内均匀分布生成的随机数;为了保持搜索空间内的随机游走,使用以下等式对它们进行归一化:其中ai是第i个变量的随机游走的最小值,di是第i个变量中随机游动的最大值,是第t个迭代中第i个变量的最小值,表示第t次迭代中第i个变量的最大值;式(4)应该在每次迭代中应用以保证搜索空间内随机游走的发生;蚁狮对蚂蚁的影响:蚂蚁的随机游走受到了蚁狮陷阱的影响,可以表示为:ct是第t次迭代中所有变量的最小值,dt表示包含第t次迭代中所有变量的最大值的向量,并且为在第t次迭代中所选择的第j个蚁狮的位置;蚁狮的捕食过程每只蚂蚁只能被一只蚁狮捕获,某只蚂蚁具体要被哪只蚁狮捕获是通过轮盘赌策略来选择的,适应度越高的蚁狮有着更高的捕获蚂蚁的机会;另外,蚁狮能构造陷阱,蚂蚁一旦落入陷阱,蚁狮就会向外扬沙以使蚂蚁不至于逃脱,这时蚂蚁随机游走的范围将急剧缩小;表示为:其中I是比率;当某只蚂蚁的适应度变得高于蚁狮时,即认为其被蚁狮捕获,此时蚁狮会根据蚂蚁的位置来更新其位置,表示为:其中,表示第t次迭代时第i个蚂蚁的位置;精英策略:在每次迭代中获得的最好的蚁狮被保存并被视为精英;由于精英是最适合的蚁狮,它应该能够在迭代过程中影响所有蚂蚁的运动;因此,假定每个蚂蚁都同时通过赌盘随机绕着一个蚁狮和精英游走,如下所示:是轮盘在第t次迭代时选择的随机行走,是第t次迭代时围绕精英的随机游走;按照公式(8)不断更新蚂蚁位置,使蚁狮向精英蚁狮靠近,根据公式(8)提出了自适应精英蚁狮改进策略:其中,σ(t)代表自适应系数;在迭代初期时,设定σ(t)偏大,围...

【专利技术属性】
技术研发人员:胡薇薇范慧刘佳敏孙宇锋赵广燕
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1