一种基于改进CS‑LSSVM的设备故障模式识别方法技术

本发明专利技术公开了一种基于改进CS‑LSSVM的设备故障模式识别方法包括以下步骤：1收集设备在正常情况和故障情况下的监测数据，并进行预处理；2初始化布谷鸟搜索算法参数；3建立优化目标函数；4通过莱维飞行模式更新鸟巢位置；5更新优化目标函数；6按照淘汰概率更新鸟巢位置；7计算本次迭代最优鸟巢位置；8判断是否达到最大迭代代数；若没达到，则返回步骤4；若达到，输出最优鸟巢位置；9根据最优鸟巢位置得到LSSVM最优惩罚因子和最优核函数参数，利用LSSVM对测试样本进行故障模式识别。该改进方法在LSSVM参数寻优的收敛速度与精度方面都更优，可以较好的获得全局最优解，使得更能适应LSSVM对设备故障模式的识别。

【技术实现步骤摘要】

本专利技术涉及一种设备故障模式识别方法，属于故障模式识别

技术介绍
现代企业对经济效益要求的不断提升，对设备稳定性要求也越来越高。设备一旦出现了故障，可能导致工厂停产，抑或产生其他安全事故，对生命财产造成严重的威胁。鉴于现代设备的复杂性，加上噪声干扰，难以进行实际故障建模与分析，因此及时准确地找出设备的故障模式，即设备故障模式识别可以为故障设备的维修提供技术支持。近年来，人们开始利用LSSVM分类器对设备的故障模式进行分类。LSSVM又称最小二乘支持向量机，是在标准支持向量机(SVM)的基础上拓展而来的。它继承了标准支持向量机具有小样本学习，学习泛化能力强的优点，通过运用等式约束条件替代不等式约束条件，大大简化计算速度。LSSVM是在支持向量机(SVM)基础扩展而来的，它继承了标准支持向量机具有小样本学习，学习泛化能力强的优点，通过运用等式约束条件替代不等式约束条件，大大简化计算速度。假设存在一个含有n个样本的训练集T＝{(xi,yi)|i＝1,2,…,n

【技术保护点】
一种基于改进CS‑LSSVM的设备故障模式识别方法，其特征在于，包括以下步骤：(1)收集设备在正常情况和各类故障情况下的监测数据，并进行预处理，将预处理后的数据分为训练样本和测试样本；(2)初始化布谷鸟搜索算法各参数；(3)建立优化目标函数，以LSSVM的预测精度作为优化目标函数；(4)通过莱维飞行模式更新鸟巢位置；(5)更新优化目标函数；(6)按照淘汰概率更新鸟巢位置；(7)计算本次迭代中的最优鸟巢位置pbest；(8)判断是否达到最大迭代代数；若没达到最大迭代代数，则返回步骤(4)，并且当前迭代代数加1；若达到最大迭代代数，停止迭代，输出最优的鸟巢位置；(9)根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数，利用LSSVM对测试样本进行故障模式识别。

【技术特征摘要】
1.一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，包括以下步骤：(1)收集设备在正常情况和各类故障情况下的监测数据，并进行预处理，将预处理后的数据分为训练样本和测试样本；(2)初始化布谷鸟搜索算法各参数；(3)建立优化目标函数，以LSSVM的预测精度作为优化目标函数；(4)通过莱维飞行模式更新鸟巢位置；(5)更新优化目标函数；(6)按照淘汰概率更新鸟巢位置；(7)计算本次迭代中的最优鸟巢位置pbest；(8)判断是否达到最大迭代代数；若没达到最大迭代代数，则返回步骤(4)，并且当前迭代代数加1；若达到最大迭代代数，停止迭代，输出最优的鸟巢位置；(9)根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数，利用LSSVM对测试样本进行故障模式识别。2.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，步骤(1)中的预处理方法为KPCA法或PCA法。3.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，步骤(2)所述的初始化布谷鸟搜索算法各参数，包括如下步骤：(21)定义鸟巢数量N、迭代代数M、最大鸟巢淘汰概率Pmax,最小鸟巢淘汰概率Pmin、搜索步长的最大值Smax与最小值Smin以及鸟巢位置上界Ub＝(Cu,gu)与下界Lb＝(Cl,gl)；(22)在鸟巢位置上界与下界范围内随机生成N个初始鸟巢P＝[p1,…,pN]，其中pi∈P，pi＝(Ci,gi)为第i个鸟巢位置，i＝1,…,N。4.根据权利...

【专利技术属性】
技术研发人员：杨奕飞，谈敏佳，何祖军，朱海洋，苏贞，吴艳艳，冯静，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32