【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
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。