【技术实现步骤摘要】
本专利技术涉及电气系统故障诊断，尤其涉及一种基于isoa和ecoc-svm的航空器发电系统故障诊断方法。
技术介绍
1、由于航空器系统复杂，且空间环境具有不可预知性，因此在其运行过程中极易发生故障，供电系统作为航空器关键系统之一，具有构成复杂、工作环境恶劣、未知干扰及不确定因素多的特点，是发生故障最多的分系统之一，及时对电源系统进行故障诊断不仅可以减少设备损耗，及时对故障部件进行保护、重构，以保证在生命周期内航空器安全稳定的运行。
2、支持向量机(support vector machine,svm)作为一种经典的机器学习的分类算法在故障诊断领域受到了广泛的关注。svm适用于小样本、非线性数据，泛化性较强，也可以凭借核函数解决高维问题。但svm的数学模型与二分类问题较为契合，使用svm处理多分类问题则难以保障分类精度，并且分类效率也会降低。因此ecoc方法与svm相结合，使用ecoc方法对故障进行编码后构成多个二分类问题，再由svm分类器进行分类，最后使用解码方法进行解码得到诊断结果，与多分类svm相比，ecoc-svm在保障svm诊断精度的前提下，提高了诊断效率。但svm中超参数会在极大程度上影响模型的分类正确率，使得故障诊断正确率不能满足使用需求。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。
2、本专利技术提供了一种基于isoa和ecoc-svm的航空器发电系统故障诊断方法，该基于isoa和ecoc-svm的航空器发电系统故障
3、s1，基于航空器发电系统拓扑进行建模，将各级设备输出端作为测试点，对仿真模型进行故障注入，获得各个故障的多组样本数据；
4、s2，使用pca对故障样本数据集进行特征提取，使用提取后的故障特征向量重新构建样本集，并将样本集划分为训练集和测试集；
5、s3，基于训练集数据中的故障类型，采用ovo编码方案对训练集数据的故障进行编码，根据编码后的训练集数据结合isoa-svm分类器构建多分类ecoc-svm模型；
6、s4，利用多分类ecoc-svm模型对编码后的测试集数据进行故障诊断，获得决策编码，对决策编码进行解码以得到最终航空器发电系统故障诊断结果。
7、进一步地，在s2中，使用pca对故障样本数据集进行特征提取具体包括：
8、s21，对所有故障样本数据进行去中心化预处理，计算故障特征向量的协方差矩阵；
9、s22，使用特征值分解方法计算故障特征向量的协方差矩阵的特征值及特征向量，将所得特征值从大到小进行排序，对特征值进行累加，当特征值的累加值首次超过预设的pca主成分贡献率时，提取全部累加的特征值对应的特征向量，完成特征提取。
10、进一步地，预设的pca的主成分贡献率的取值范围为85％-100％。
11、进一步地，在s3中，svm分类器的核函数k(xi,xj)选择为径向基核函数：其中，σ为核函数参数，xi为故障样本向量，xj为高斯核函数中心向量。
12、进一步地，在s3中，isoa-svm分类器采用isoa优化svn分类器的超参数，包括优化惩罚参数c与核函数参数σ，具体包括以下步骤：
13、s31，初始化soa算法，随机产生n只海鸥的位置，将待寻优的目标函数映射到每个海鸥位置的dim个维度；
14、s32，计算海鸥种群与个体位置对应的适应度值后，找出当前最优海鸥个体位置；
15、s33，海鸥种群进行迁徙行为；
16、s34，海鸥种群进行觅食行为；
17、s35，判断soa当前迭代次数是否大于最大迭代次数tmax，如果是，执行步骤s36；否则，返回步骤s32；
18、s36，将步骤s34得到最优个体的位置维度进行分解，将位置纬度中的第一列作为svm的惩罚参数c，第二列作为核函数参数σ。
19、进一步地，在s31中，初始化soa算法包括初始化算法中海鸥的种群大小m、最大迭代次数tmax、维度dim、变异系数v、常值fc及海鸥在给定搜索空间中的运动行为a。
20、进一步地，在s33中，海鸥种群迁徙行为的更新公式为：其中，为每个海鸥个体移动后的新位置；为与其它海鸥不同的新位置，a为海鸥在给定搜索空间中的运动行为，a＝fc-fc(t/tmax)，fc为常值，tmax为最大迭代次数，为soa当前迭代次数，为更新后海鸥种群的位置；为海鸥种群向拥有最佳位置的海鸥移动，b是随机数，b＝2×a2×rand，rand为(0,1)之间的随机数，每次迭代都会重新生成。
21、进一步地，在s34中，在海鸥种群觅食行为的更新公式中增加变异扰动策略，海鸥种群觅食行为的更新公式为：其中，p为变异概率，r为螺旋半径，由螺旋形状的相关常数u和v控制；k为[0,2π]之间的随机角度，v为变异系数。
22、进一步地，在s4中，使用hamming距离对决策编码进行解码。
23、应用本专利技术的技术方案，提供了一种基于isoa和ecoc-svm的航空器发电系统故障诊断方法，该基于isoa和ecoc-svm的航空器发电系统故障诊断方法使用pca对故障样本数据集进行特征提取，重新构建样本集，并将样本集划分为训练集和测试集，采用ovo编码方案对训练集数据的故障进行编码，根据编码后的训练集数据结合isoa-svm分类器构建多分类ecoc-svm模型，利用多分类ecoc-svm模型对编码后的测试集数据进行故障诊断，使故障诊断正确率得到大幅提高。与现有技术相比，本专利技术的技术方案能够解决现有技术中航空器发电系统故障诊断正确率不足的技术问题。
本文档来自技高网...【技术保护点】
1.一种基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，所述基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法包括：
2.根据权利要求1所述的基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，在S2中，使用PCA对故障样本数据集进行特征提取具体包括：
3.根据权利要求2所述的基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，预设的PCA的主成分贡献率的取值范围为85％-100％。
4.根据权利要求1所述的基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，在S3中，SVM分类器的核函数K(xi,xj)选择为径向基核函数：其中，σ为核函数参数，xi为故障样本向量，xj为高斯核函数中心向量。
5.根据权利要求1至4中任一项所述的基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，在S3中，ISOA-SVM分类器采用ISOA优化SVN分类器的超参数，包括优化惩罚参数C与核函数参数σ，具体包括以下步骤：
6.根据权
7.根据权利要求5所述的基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，在S33中，海鸥种群迁徙行为的更新公式为：其中，为每个海鸥个体移动后的新位置；为与其它海鸥不同的新位置，A为海鸥在给定搜索空间中的运动行为，A＝fc-fc(t/Tmax)，fc为常值，Tmax为最大迭代次数，为SOA当前迭代次数，为更新后海鸥种群的位置；为海鸥种群向拥有最佳位置的海鸥移动，B是随机数，B＝2×A2×rand，rand为(0,1)之间的随机数，每次迭代都会重新生成。
8.根据权利要求7所述的基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，在S34中，在海鸥种群觅食行为的更新公式中增加变异扰动策略，海鸥种群觅食行为的更新公式为：其中，p为变异概率，r为螺旋半径，由螺旋形状的相关常数u和v控制；k为[0,2π]之间的随机角度，V为变异系数。
9.根据权利要求1至8中任一项所述的基于ISOA和ECOC-SVM的航空器发电系统故障诊断方法，其特征在于，在S4中，使用Hamming距离对决策编码进行解码。
...【技术特征摘要】
1.一种基于isoa和ecoc-svm的航空器发电系统故障诊断方法，其特征在于，所述基于isoa和ecoc-svm的航空器发电系统故障诊断方法包括：
2.根据权利要求1所述的基于isoa和ecoc-svm的航空器发电系统故障诊断方法，其特征在于，在s2中，使用pca对故障样本数据集进行特征提取具体包括：
3.根据权利要求2所述的基于isoa和ecoc-svm的航空器发电系统故障诊断方法，其特征在于，预设的pca的主成分贡献率的取值范围为85％-100％。
4.根据权利要求1所述的基于isoa和ecoc-svm的航空器发电系统故障诊断方法，其特征在于，在s3中，svm分类器的核函数k(xi,xj)选择为径向基核函数：其中，σ为核函数参数，xi为故障样本向量，xj为高斯核函数中心向量。
5.根据权利要求1至4中任一项所述的基于isoa和ecoc-svm的航空器发电系统故障诊断方法，其特征在于，在s3中，isoa-svm分类器采用isoa优化svn分类器的超参数，包括优化惩罚参数c与核函数参数σ，具体包括以下步骤：
6.根据权利要求5所述的基于isoa和ecoc-svm的航空器发电系统故障诊断方法，其特征在于，在s31中，初始化soa算...
【专利技术属性】
技术研发人员：赵洋，许家豪，王猛，王志亮，范晓东，刘宏旭，吴勇，吴昱含，王莉，
申请(专利权)人：北京机电工程研究所，
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。