System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及柴油机故障诊断,具体涉及一种基于t-sne-vnwoa的船舶柴油机故障诊断方法。
技术介绍
1、如今,柴油机已经发展为高自动化、高精密度机械设备,其运行稳定性能、安全性能都较大程度提升。同时,柴油机各系统部件的种类也有所增加、整体复杂程度也在上升,使柴油机的日常维护、保养更困难,且无法精准定位故障部位,轮机员维修起来也更加繁琐。随着人工智能时代的到来,采用智能诊断算法可快速的定位故障部位,并对柴油机智能运维提供保障,这在很大程度上节省了轮机员维修时间。由此传统的故障诊断技术已经逐渐被智能诊断模型所取代。
2、随着柴油机智能化和精密度的提升,各系统部件种类也在增加,柴油机整体复杂度更高,导致系统之间关联性大、故障并发性较高,故障诊断非常困难。由于柴油机子系统多、系统关联性高,导致故障并发性较高。柴油机同一时刻可能发生多起故障,在多故障工况下提取的特征信息相互干扰、耦合,最终影响模型诊断精度、无法快速定位故障。
技术实现思路
1、本专利技术的目的是针对上述技术的不足,提供一种断精度更高、有效消除人为影响偏差的基于t-sne-vnwoa的船舶柴油机故障诊断方法。
2、为实现上述目的,本专利技术提供一种基于t-sne-vnwoa的船舶柴油机故障诊断方法,所述故障诊断方法如下:
3、1)采集船舶柴油机典型故障热工参数高维故障样本,高维故障样本包括n种故障数据样本;
4、2)将步骤1)中获得的高维故障样本中的每种故障数据样本的原始数
5、3)使用最小二乘支持向量机对柴油机故障进行分类;
6、4)引入冯诺依曼拓扑结构改进鲸鱼优化算法对lssvm分类器的惩罚因子γ和核参数σ2进行寻优。
7、进一步地,所述步骤2)中对高维故障样本中的每种故障数据样本的原始数据进行归一化处理,公式如下:
8、
9、式中:d代表每种故障数据样本的原始数据,dmax和dmin分别代表每种故障数据样本中数据的最大值、最小值,d代表归一化预处理后的结果;归一化处理后的每种故障数据样本的高维数据x={x1,x2,…,xn}。
10、进一步地,所述步骤2)中t-sne算法步骤如下:
11、2a)输入每种故障数据样本的高维数据x={x1,x2,…,xn},并设置困惑度参数perp;
12、2b)初始化各项参数后计算点xi和点xj之间条件概率分布pj|i和pi|j;
13、
14、
15、式中:σi为对应点xi的高斯分布方差;pj|i代表高维空间中xj是xi邻域的概率;pi|j代表高维空间中xi是xj邻域的概率;xj、xi是高维数据空间中的任意两个点,xik代表高维空间中xi在第k个维度上的取值,xjk代表高维空间中xj在第k个维度上的取值;
16、2c)获取低维样本随机初始解y(0);设置联合概率分布pij为:
17、
18、y(0)={y1,y2,y3}#(4)
19、式中:y1,y2,y3代表低维空间中的三个初始点;
20、2d)计算样本空间点的联合分布pij:
21、
22、式中:yi,yj分别表示样本第i个数据和第j个数据在低维空间中的坐标,k和l均取所有的样本点,且k不等于;
23、2e)计算优化后的梯度
24、
25、2f)根据以上公示更新输出:
26、
27、2g)重复步骤2d)~2f)至获取融合后低维数据y(t)={y1′,y2′,y3′}。y1′,y2′,y3′代表低维空间中的三个样本点的坐标。
28、进一步地,所述步骤3)的具体过程为:具有等式约束的lssvm分类器公式:
29、
30、式中:n为样本数量,αi为拉格朗日乘子;b为偏置;k(z,zi)为核函数,z为输入的测试样本,zi是训练样本;
31、利用t-sne降维后的特征向量作为分类器lssvm的输入,分类器选择高斯核函数rbf,rbf函数表达式如下:
32、
33、exp表示指数函数,γ为惩罚因子,σ2为核参数。
34、进一步地,所述步骤4)的具体过程为:
35、4a)鲸鱼算法初始化设置,设定最大迭代次数tmax;
36、4b)确定网络拓扑结构,设置参数γ、σ2值的范围;
37、4c)计算适应度值并排序,确定初始最佳鲸鱼个体和和最佳适应度值;
38、4d)使用vn拓扑结构进行领域搜索,交换邻域信息,找到最佳鲸鱼位置并更新;
39、4e)持续更新鲸鱼位置达到最大迭代次数tmax时终止运行,以当前最佳适应度的鲸鱼位置解码为lssvm分类器个初始参数。
40、与现有技术相比,本专利技术的有益效果为:本专利技术通过初始参数γ、σ2最优组合显著提高了故障分类精度和模型的泛化能力;t-sne结合vowoa对柴油机故障平均识别精度能达到98.67%,优化后的诊断模型更加稳定,诊断精度更高、有效的消除人为影响的偏差。
本文档来自技高网...【技术保护点】
1.一种基于t-SNE-VNWOA的船舶柴油机故障诊断方法,其特征在于:所述故障诊断方法如下:
2.根据权利要求1所述基于t-SNE-VNWOA的船舶柴油机故障诊断方法,其特征在于:所述步骤2)中对高维故障样本中的每种故障数据样本的原始数据进行归一化处理,公式如下:
3.根据权利要求2所述基于t-SNE-VNWOA的船舶柴油机故障诊断方法,其特征在于:所述步骤2)中t-SNE算法步骤如下:
4.根据权利要求1所述基于t-SNE-VNWOA的船舶柴油机故障诊断方法,其特征在于:所述步骤3)的具体过程为:具有等式约束的LSSVM分类器公式:
5.根据权利要求4所述基于t-SNE-VNWOA的船舶柴油机故障诊断方法,其特征在于:所述步骤4)的具体过程为:
【技术特征摘要】
1.一种基于t-sne-vnwoa的船舶柴油机故障诊断方法,其特征在于:所述故障诊断方法如下:
2.根据权利要求1所述基于t-sne-vnwoa的船舶柴油机故障诊断方法,其特征在于:所述步骤2)中对高维故障样本中的每种故障数据样本的原始数据进行归一化处理,公式如下:
3.根据权利要求2所述基于t-sne-vnwoa的船舶柴油机...
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。