自适应差分进化算法优化支持向量机的故障诊断方法技术

本发明专利技术涉及一种自适应差分进化算法优化支持向量机的故障诊断方法，采集待诊断故障的轴承的振动信号，并对其进行预处理得到数据后，将数据输入到训练好的支持向量机模型中，由其输出轴承故障诊断结果；预处理的过程即依次进行分解、特征提取和特征选择的过程；支持向量机模型的训练步骤如下：(1)采集已诊断故障的轴承的振动信号，并对其进行所述预处理得到训练样本数据；(2)优化支持向量机模型的模型参数C和gamma；(3)训练支持向量机模型；将参数C和gamma的取值代入支持向量机模型中，利用训练样本数据对支持向量机模型进行训练。本发明专利技术可实现参数的自适应调整，从而使得支持向量机算法达到较优的结果，提高了算法的鲁棒性和准确度。准确度。准确度。

【技术实现步骤摘要】
自适应差分进化算法优化支持向量机的故障诊断方法


[0001]本专利技术属于故障诊断
，涉及一种自适应差分进化算法优化支持向量机的故障诊断方法。

技术介绍

[0002]随着人工智能技术的不断发展，故障诊断的智能化程度也在不断提高，越来越多的智能算法也在实际应用中经受住了考验。支持向量机是一种典型的故障诊断算法，运用的范围较为广泛。在实际应用中，支持向量机有一些需要调节的参数，对于不同的应用背景，参数要有不同的组合，从而实现最优的诊断效果。对于参数的调整，可以人为的进行调节，但是会耗费巨大的时间和精力，随着机器学习、深度学习的不断成熟，最优化方法在故障诊断中的应用则是理所应当。进化算法的种类愈来愈多，差分进化算法的优势不可忽视，它不仅收敛速度快，而且性能非常好，最重要的是所需要设定的参数极少，现有技术中对于支持向量机的优化主要是对参数C和gamma的优化，但是差分进化的参数设置多为定值，不能实现自适应调整，或者需要与其他优化算法结合共同优化支持向量机，程序较为复杂，或者对差分进化的参数表达式设置较为复杂，难以理解。因此，本专利技术在改进差分进化算法的基础上对支持向量机算法进行优化，使得其应用更加广泛。

技术实现思路

[0003]为了解决现有技术中对差分进化参数设置较为复杂或者需要与其他优化算法结合，导致过程复杂，较难实现的问题，本专利技术提供一种自适应差分进化算法优化支持向量机的故障诊断方法。
[0004]为达到上述目的，本专利技术采用的技术方案如下：
[0005]一种自适应差分进化算法优化支持向量机的故障诊断方法，采集待诊断故障的轴承的振动信号，并对其进行预处理得到数据后，将数据输入到训练好的支持向量机模型中，由其输出轴承故障诊断结果；
[0006]预处理的过程即依次进行分解、特征提取和特征选择的过程；
[0007]支持向量机模型的训练步骤如下：
[0008](1)采集已诊断故障的轴承的振动信号(既包含故障数据，也包含正常数据)，并对其进行所述预处理得到训练样本数据；
[0009](2)优化支持向量机模型的模型参数C和gamma，步骤如下：
[0010](2.1)随机生成两个初始种群，每个种群包含m个个体向量，每个向量都由支持向量机模型的两个参数组成，分别是C和gamma；
[0011](2.2)缩放因子F根据进化代数自适应调整，公式如下：
[0012][0013]式中，G为当前进化代数，g为总进化代数，函数rand(0,1)为区间(0,1]内的随机数
(作用是添加一个随机扰动，提高算法的鲁棒性)；
[0014]变异策略进行组合调整，公式如下：
[0015][0016]DE/rand/2：
[0017]V
i，G
＝x
r1，G
+F
·
(X
r2，G
‑
X
r1，G
)+F
·
(X
r2，G
‑
X
r3，G
)；
[0018]else：
[0019]DE/rand
‑
to
‑
best/1：
[0020]V
i，G
＝X
r1，G
+F
·
(X
best，G
‑
X
r1，G
)+F
·
(r
2，G
‑
X
r3，G
)；
[0021]式中，G为当前进化代数，g为总进化代数，函数rand(0,1)为区间(0,1]内的随机数(作用是添加一个随机扰动，提高算法的鲁棒性)，V
i,G
为第G代种群中的第i个个体，X
r1,G
为第G代种群中的第r1个个体，X
r2,G
为第G代种群中的第r2个个体，X
r3,G
为第G代种群中的第r3个个体，r1,r2,r3,i∈[1,2,
…
N]且互不相等，N为总个体数，X
best,G
为当前种群中适应度值最小的个体，DE/x/y是一种简易的表达变异策略的方式，其中x指定基向量，y代表变异策略中差分向量的数目，一般为1至2个；rand表示基向量为种群中随机选取的一个向量，best表示基向量为种群适应度值最低的向量，rand
‑
to
‑
best表示将其中的一个随机向量利用适应度值最低的向量表示；该策略的全局和局部寻优能力很好，可以快速找到最优解；
[0022](2.3)交叉因子C
r
根据进化代数自适应调整，公式如下：
[0023][0024]式中，G为当前进化代数，g为总进化代数，函数rand(0,1)为区间(0,1]内的随机数(作用是添加一个随机扰动，提高算法的鲁棒性)；随着迭代次数的增加，C
r
逐渐增大；在算法运行初期，C
r
较小，有利于全局寻优，在算法运行后期，C
r
较大，有利于提升收敛速度；
[0025](2.4)计算种群的适应度值并进行个体选择；
[0026](2.5)进行交流策略，公式如下：
[0027][0028]式中，X
i,worst,G
为种群i中第G代迭代个体中的最差个体，X
j,best,G
为种群j中第G代迭代个体中的适应度值最小的个体，X
i,r,G
为种群i中第G代迭代个体中的任一个体，X
j,n,G
为种群j中第G代迭代个体中的任一个体，r≠n,r,n∈[1,2N]，N为总个体数，dis为种群中两个个体向量之间的欧式距离，Var为对求出来的欧式距离进行求方差；
[0029](2.6)判断是否满足迭代条件，如果是，则输出适应度值最小的个体作为参数C和gamma的取值；反之，则返回步骤(2.2)；
[0030](3)训练支持向量机模型；
[0031]将参数C和gamma的取值代入支持向量机模型中，利用训练样本数据对支持向量机模型进行训练(训练过程即支持向量机模型的训练过程，在代码中调用支持向量机的库，然后将训练样本数据输入进去即可，训练何时终止与训练样本数据的量有关，训练样本数据越多，训练时间越长)。
[0032]本专利技术的主要改进点在于：(A)缩放因子F；(B)变异策略；(C)交叉因子Cr；(D)交流策略。
[0033]有关(A)缩放因子F：
[0034]缩放因子F在差分进化的变异阶段发挥着巨大的作用，它是决定着算法寻优范围的重要参数，从而控制这差分进化的范围是偏向于全局还是局部，保证算法良好的性能；对于传统差分进化算法，F是一个定值，那么会无法平衡全局寻求最优解和收敛速度；本专利技术设置的F值随着进化次数的增加而不断减小，在进化前期，F值较大并且逐渐衰减，该算子能够满足算法运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，采集待诊断故障的轴承的振动信号，并对其进行预处理得到数据后，将数据输入到训练好的支持向量机模型中，由其输出轴承故障诊断结果；预处理的过程即依次进行分解、特征提取和特征选择的过程；支持向量机模型的训练步骤如下：(1)采集已诊断故障的轴承的振动信号，并对其进行所述预处理得到训练样本数据；(2)优化支持向量机模型的模型参数C和gamma，步骤如下：(2.1)随机生成两个初始种群，每个种群包含m个个体向量，每个向量都由支持向量机模型的两个参数组成，分别是C和gamma；(2.2)缩放因子F根据进化代数自适应调整，公式如下：式中，G为当前进化代数，g为总进化代数，函数rand(0，1)为区间(0，1]内的随机数；变异策略进行组合调整，公式如下：DE/rand/2：V
i，G
＝X
r1，G
+F
·
(X
r2，G
‑
X
r1，G
)+F
·
(X
r2，G
‑
X
r3，G
)；else：DE/rand
‑
to
‑
best/1：V
i，G
＝X
r1，G
+F
·
(X
best，G
‑
X
r1，G
)+F
·
(X
r2，G
‑
X
r3，G
)；式中，V
i，G
为第G代种群中的第i个个体，X
r1，G
为第G代种群中的第r1个个体，X
r2，G
为第G代种群中的第r2个个体，X
r3，G
为第G代种群中的第r3个个体，r1，r2，r3，i∈[1，2，
…
N]且互不相等，N为总个体数，X
best，G
为当前种群中适应度值最小的个体，DE/x/y是一种简易的表达变异策略的方式，其中x指定基向量，y代表变异策略中差分向量的数目，rand表示基向量为种群中随机选取的一个向量，best表示基向量为种群适应度值最低的向量，rand
‑
to
‑
best表示将其中的一个随机向量利用适应度值最低的向量表示；(2.3)交叉因子C
r
根据进化代数自适应调整，公式如下：(2.4)计算种群的适应度值并进行个体选择；(2.5)进行交流策略，公式如下：式中，X

【专利技术属性】
技术研发人员：李媛媛，李志博，姚炜，戚博炜，孙祺淳，唐明，侯玲玉，陈嘉航，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：