CN103994858B - 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 - Google Patents

Abstract

本发明公开了一种基于生物地理学智能优化支持向量机算法的动平衡检测控制方法。本发明包括以下步骤：1）采集在线数据；2）输入离线数据；3）设定模型精度需求；4）数据预处理；5）判断是否存在动平衡系统模型；6）判断系统不平衡量是否超过阈值；7）带卡尔曼滤波的生物地理学智能优化支持向量机算法；8）动平衡系统模型；9）动平衡调整。本发明根据动平衡系统小样本和非线性的特点采用支持向量机算法进行系统建模，并且利用生物地理学智能优化算法对支持向量机算法的惩罚因子和核函数参数进行寻优，另外考虑到动平衡系统现场的噪声干扰，本发明还采用卡尔曼滤波增强了整体算法的鲁棒性和精确性，可实现对动平衡系统的高精度检测控制。

Description

基于生物地理学智能优化支持向量机算法的动平衡检测控制 方法

技术领域

本发明属于自动化控制和人工智能技术领域,具体涉及基于生物地理学智能优化支持向量机算法的动平衡检测控制方法。

技术背景

在自动化控制中，由于旋转机械在长时间工作的情况下可能存在的机械磨损和安全性问题，动平衡技术突显出其重要意义，如果能够在旋转机械工作的情况下实时调整旋转机械的质量分布，就可以减小旋转不平衡量对转轴的影响，使旋转机械能够长时间的安全运行。

目前，对动平衡技术的研究多采用比较传统的方法，比如试探法、影响因子法等，这些方法对旋转机械工作现场环境要求较高，当现场存在较大噪声干扰影响传感器测量精度时，传统方法的检测控制效果不佳。此外，传统方法在长时间运行之后会发生误差逐渐增大的情况，不利于旋转机械的实际工作。

支持向量机(Support Vector Machine，简称SVM)是由统计学习理论发展而来的，建立在结构风险最小原理基础上的具有良好泛化能力的一种机器学习方法，在解决小样本、非线性和高维模式识别的问题时具有很好的优越性。SVM的核函数通常选用高斯径向基(Radial Basis Function，简称RBF)核函数，此时SVM的算法性能受到惩罚因子C和核函数参数σ的强烈影响，因此参数的确定一直是个研究的热点问题。

生物地理学智能优化算法(Biogeography-Based Optimization,简称BBO)是受生物地理学理论启发的基于群智能的优化算法，与遗传算法和粒子群算法相比，BBO具有设置参数少、计算简单和收敛速度快等优点，特别适用于实际工程应用中的优化问题。

在动平衡系统这类实际工程应用中，现场噪声干扰对传感器检测以及后期算法运行造成较大的影响，因此有必要结合卡尔曼滤波、BBO和SVM的各自优势，对动平衡检测控制方法进行改进。

目前，针对动平衡检测控制方法，中国专利申请号“200910023752.9”一一公开了“一种改进的高速主轴全息动平衡方法”；中国专利申请号“200910180576.X”一一公开了“动平衡试验工装及其动不平衡的配平方法”；中国专利申请号“201110425584.3”一一公开了“一种大型旋转载荷动平衡控制方法”；中国专利申请号“201310581038.8”一一公开了“一种电机转子动平衡的校验方法”；中国专利申请号“201310179099.1”一一公开了“刚性转子动平衡的获取方法”。在已公开的发明或文献中，未提到使用基于生物地理学智能优化支持向量机算法的动平衡检测控制方法的实例。

发明内容

针对现有技术存在的缺陷，本发明的目的是提供一种基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，提高动平衡检测控制系统的精确性。本发明实用性高，推广能力强。

为达到上述目的,本发明采用了以下技术方案:

基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，包括以下步骤：

(1.1)，采集在线数据，即实时采集安装在动平衡系统上的传感器的数据；

(1.2)，输入离线数据，即输入动平衡系统的历史测量数据；

(1.3)，设定模型精度需求，即设定动平衡系统建模的模型精度需求；

(1.4)，数据预处理，即对在线数据，离线数据和模型精度需求等数据进行错误数据和冗余数据的数据清除以及数据集成工作；

(1.5)，判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤(1.6)，否则，转步骤(1.7)；

(1.6)，判断系统不平衡量是否超过阈值，若是，转步骤(1.7)，否则，转步骤(1.8)；

(1.7)，通过带卡尔曼滤波的生物地理学智能优化支持向量机算法对动平衡系统进行建模，得到动平衡系统模型；

(1.8)，将步骤(1.4)预处理后的数据输入动平衡系统模型，计算得到动平衡控制信号；

(1.9)，将步骤(1.8)得到的动平衡控制信号输入动平衡系统进行动平衡调整。

所述步骤(1.7)所述的带卡尔曼滤波的生物地理学智能优化支持向量机算法是通过带卡尔曼滤波的生物地理学智能优化算法对支持向量机做参数寻优实现的，其步骤为：

(2.1)，初始化生物地理学智能优化算法BBO的参数；

(2.2)，初始化支持向量机基本参数；

(2.3)，随机初始化每个栖息地的适应度向量；

(2.4)，将输入数据集归一化，作为支持向量机的训练集；

(2.5)，将BBO中每个栖息地的适应度向量即支持向量机的惩罚因子C和核函数参数σ代入支持向量机；

(2.6)，计算支持向量机的训练集均方误差MSE作为每个栖息地的适应度指数HSI；

(2.7)，经过卡尔曼滤波，计算每个栖息地的HSI估计值；

(2.8)，将每个栖息地按照其HSI估计值进行排序；

(2.9)，计算每个栖息地可容纳的物种数量S，迁入率λ和迁出率μ；

(2.10)，根据λ和μ确定物种迁移；

(2.11)，计算每个栖息地的变异率，进行物种变异操作；

(2.12)，通过支持向量机重新计算栖息地的HSI值，保存全局最优解；

(2.13)，判断是否满足终止条件，若是，继续以下步骤，否则，转步骤(2.5)；

(2.14)，输出支持向量机模型的最优参数，建模完成。

本发明与现有技术相比较，具有以下突出的实质性特点和显著的进步：

(1)本发明使用支持向量机对动平衡系统进行建模，在动平衡系统小样本和非线性的情况下，充分利用支持向量机的优势进行精确建模，增强了动平衡系统的控制精度。

(2)本发明使用生物地理学智能优化算法对支持向量机的惩罚因子和核函数参数进行寻优，具有设置参数少、计算简单和收敛速度快等优点，具有很强的适应性和鲁棒性。

(3)本发明引入卡尔曼滤波对生物地理学智能优化算法进行优化，利用卡尔曼滤波减小动平衡系统工作现场噪声干扰对生物地理学智能优化算法中栖息地适应度指数计算带来的负面影响，避免陷入局部最优，提高了收敛精度。

附图说明：

图1是本发明基于生物地理学智能优化支持向量机算法的动平衡检测控制方法的主程序框图。

图2是图1中的带卡尔曼滤波的生物地理学智能优化支持向量机算法的子程序框图。

具体实施方式

下面结合附图和优选实施例对本发明作进一步详细的描述。

实施例一：

如图1所示，本基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，包括如下步骤：

(1.1)，采集在线数据，即实时采集安装在动平衡系统上的传感器的数据。采集的数据包括一个转速传感器和若干振动传感器的实时数据。

(1.2)，输入离线数据，即输入动平衡系统的历史测量数据。针对实际采样情况选择离线数据的规模，若实际采样情况不佳，有效数据采集速度较慢，则可以输入较大规模的离线数据以加快建模速度。

(1.3)，设定模型精度需求，即设定动平衡系统建模的模型精度需求。模型精度需求对建模速度和动平衡检测控制精度有较大影响。

(1.4)，数据预处理，即对在线数据，离线数据和模型精度需求等数据进行错误数据和冗余数据的数据清除以及数据集成工作。在实际动平衡系统工作时，由于传感器的损坏、现场环境噪声的突变、人为的影响等等，会发现有些数据明显不符合实际情况，有些采样周期采样的点数会产生跳变等，因此需要进行错误数据和冗余数据的清除工作。另外对在线数据和离线数据两部分数据整合到一个一致的数据存储中。

(1.5)，判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤(1.6)，否则，转步骤(1.7)。此步骤适用于区分系统是否为第一次建模的情况，对不同情况分别进行处理。

(1.6)，判断系统不平衡量是否超过阈值，若是，转步骤(1.7)，否则，转步骤(1.8)。如果系统不平衡量超过阈值，代表当时的动平衡系统模型已经失效，造成这个问题的原因有很多，工作环境的剧烈变化、动平衡系统的自身结构的突变等等都会造成动平衡系统模型的失效，此时需要重新对动平衡系统进行建模。

(1.7)，通过带卡尔曼滤波的生物地理学智能优化支持向量机算法对动平衡系统进行建模，得到动平衡系统模型。本发明实施例提供了带卡尔曼滤波的生物地理学智能优化支持向量机算法。利用生物地理学智能优化算法的设置参数少、计算简单和收敛速度快等优点对支持向量机的惩罚因子和核函数参数进行寻优，提高了算法的适应性和鲁棒性，更进一步，利用卡尔曼滤波对生物地理学智能优化算法进行优化，利用卡尔曼滤波减小动平衡系统工作现场噪声干扰对生物地理学智能优化算法中栖息地适应度指数计算带来的负面影响，避免陷入局部最优，提高了收敛精度。

(1.8)，将步骤(1.4)预处理后的数据输入动平衡系统模型，计算得到动平衡控制信号。根据步骤(1.7)得到的动平衡系统模型，对步骤(1.4)预处理后的数据进行计算处理，得到动平衡控制信号。

(1.9)，将步骤(1.8)得到的动平衡控制信号输入动平衡系统进行动平衡调整。

实施例二：

本实施例与实施例一基本相同，特别之处如下：

如图2所示上述带卡尔曼滤波的生物地理学智能优化支持向量机算法，包括如下步骤：

(2.1)，初始化生物地理学智能优化算法BBO的参数。

设置适应度向量SIV的数量D、栖息地种群最大容量S_max、种群规模nh、迭代次数N、迁入率函数最大值I、迁出率函数最大值E、最大变异概率m_max、迁移率P_mod和精英个体Z。

(2.2)，初始化支持向量机基本参数。

设置支持向量机SVM模型类型为epsilon-SVR，核函数类型为高斯径向基核函数和一些相关默认参数。

其中epsilon-SVR模型的模型优化函数为：

$\min J(\mathrm{\ω},b,\mathrm{\ξ},{\mathrm{\ξ}}^{*})=\frac{1}{2}{\mathrm{\ω}}^T\mathrm{\ω}+C\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i+C\underset{i=1}{\overset{l}{\Σ}}{\mathrm{\ξ}}_i^{*}$

即在满足约束条件的情况下，求性能指标J的最小值。约束条件为：

$\left\{\begin{array}{c}{\mathrm{\ω}}^T\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ y_i-{\mathrm{\ω}}^T\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0\\ i=1,...,l\end{array}\right.$

由最优解得到的回归函数为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}(-a_i+a_i^{*})K(x_i,x)+b$

其中ω和b为高维特征空间的法向量和偏移量，ω^T为ω的转置矩阵，φ(x)为非线性变换，ξ_i和为松弛变量，ε为不敏感损失函数，C为惩罚因子，为最优解，l为样本数量，x_i和y_i为样本的输入和输出，K(x_i,x)为核函数。

其中高斯径向基核函数的表达式为：

$K(x_i,x)=e^{\frac{-\left|\right|x_i-x|{|}^2}{2{\mathrm{\σ}}^2}}$

其中σ为高斯径向基核函数的宽度。

(2.3)，随机初始化每个栖息地的适应度向量。

每个适应度向量对应于一组潜在的所求支持向量机的最优参数。

(2.4)，将输入数据集归一化，作为支持向量机的训练集。

输入数据具体为转速传感器采样值V_i和振动传感器采样值O_i＝{o_i1,o_i2,o_i3,...,o_ij}，其中j为振动传感器的数量。归一化采用[0,1]区间的mapminmax函数规范法，以转速传感器采样值V_i为例说明，其中V_max和V_min分别为输入数据集中的最大值和最小值，振动传感器采样值的归一化处理方式同理。归一化处理后，将输入数据集的数据作为训练集，其中n为样本数量。

(2.5)，将BBO中每个栖息地的适应度向量即支持向量机的惩罚因子C和核函数参数σ代入支持向量机。

(2.6)，计算支持向量机的训练集均方误差MSE作为每个栖息地的适应度指数HSI。

利用训练集对支持向量机的模型进行训练，再计算训练集的均方误差，公式为其中n为训练集的样本数量，y_i为输入样本x_i对应的输出样本，y(x_i)为输入样本x_i对应的预测值。

(2.7)，经过卡尔曼滤波，计算每个栖息地的HSI估计值。

由于生物地理学智能优化算法的两个算子推动进化过程(迁移过程和编译过程)都与栖息地的HSI相关，如果由于工作现场环境噪声干扰，使得输入数据集中的数据与数据真实值有所偏差，则会对每个栖息地计算出来的适应度指数HSI造成影响，使其与HSI真实值有所偏差，影响生物地理学智能优化算法对支持向量机的惩罚因子和核函数参数进行寻优的效果，最终影响动平衡系统的模型精度。

本发明引入卡尔曼滤波对生物地理学智能优化算法进行优化，由于假设不存在系统噪声，而且所有变量均为标量，所以本发明的卡尔曼滤波计算公式为：

$\left\{\begin{array}{c}E=E_{prior}+\frac{P_{prior}}{P_{prior}+R}(M-E_{prior})\\ P=\frac{P_{prior}R}{P_{prior}+R}\end{array}\right.$

其中E为HSI估计值，P为状态估计误差协方差，E_prior为本次迭代之前的HSI估计值，P_prior为本次迭代之前的状态估计误差协方差，M为所述步骤(2.6)计算出的HSI测量值，R为观测噪声协方差。

由于因此所以随着卡尔曼滤波的迭代，状态估计误差协方差P会逐渐减小，HSI估计值也就变得更加精确，当迭代次数趋近于正无穷大时，本发明提出的卡尔曼滤波计算的HSI估计值将等于HSI真实值。

(2.8)，将每个栖息地按照其HSI估计值进行排序。

(2.9)，计算每个栖息地可容纳的物种数量S，迁入率λ和迁出率μ。

其中种群数量S_i＝S_max-i，迁入率迁出率

(2.10)，根据λ和μ确定物种迁移。利用P_mod循环(岛屿数量作为循环次数)根据迁入率λ判断每个栖息地是否需要迁入，随机产生(0,1)之间的随机数，如果随机数小于迁入率λ，则确定该栖息地需要迁入，再利用其他栖息地的迁出率μ进行轮盘选择，选择出需要迁出的栖息地，在需要迁出的栖息地中随机选择适应度向量中的一个维度来代替需要迁入的栖息地中适应度向量的相应维度，完成物种迁移。

(2.11)，计算每个栖息地的变异率，进行物种变异操作。

首先更新每个栖息地的种群概率P_i，更新公式为：

$P_i=\left\{\begin{array}{cc}-({\mathrm{\λ}}_i+{\mathrm{\μ}}_i)P_i+{\mathrm{\μ}}_{i+1}{P}_{i+1},& S_i=0\\ -({\mathrm{\λ}}_i+{\mathrm{\μ}}_i)P_i+{\mathrm{\μ}}_{i-1}{P}_{i-1}+{\mathrm{\μ}}_{i+1}{P}_{i+1},& 1\≤S_i\≤S_{\max }-1\\ -({\mathrm{\λ}}_i+{\mathrm{\μ}}_i)P_i+{\mathrm{\μ}}_{i-1}{P}_{i-1},& S_i=S_{\max }\end{array}\right.$

为了使得变异更加有益于低HSI的栖息地获得HSI的提高，变异率m的大小与种群概率成反比，公式为其中m_max为栖息地的最大变异率，P_max为所有物种概率的最大值。对于每一个栖息地，随机产生(0,1)之间的随机数，如果随机数小于变异率m_i，则该栖息地需要变异，随机产生一组取值范围内的数来替换栖息地中的适应度向量的每一个维度。

(2.12)，通过支持向量机重新计算栖息地的HSI值，保存全局最优解。

(2.13)，判断是否满足终止条件，若是，继续以下步骤，否则，转步骤(2.5)。

终止条件为1)当前全局最优解满足步骤(1.3)设定的模型精度需求；2)迭代次数达到预设的最大迭代次数。

(2.14)，输出支持向量机模型的最优参数，建模完成。

Claims (3)

1.基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，其特征在于，包括以下步骤：

（1.1），采集在线数据，即实时采集安装在动平衡系统上的传感器的数据；

（1.2），输入离线数据，即输入动平衡系统的历史测量数据；

（1.3），设定模型精度需求，即设定动平衡系统建模的模型精度需求；

（1.4），数据预处理，即对在线数据，离线数据和模型精度需求数据进行错误数据和冗余数据的数据清除以及数据集成工作；

（1.5），判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤（1.6），否则，转步骤（1.7）；

（1.6），判断系统不平衡量是否超过阈值，若是，转步骤（1.7），否则，转步骤（1.8）；

（1.7），通过带卡尔曼滤波的生物地理学智能优化支持向量机算法对动平衡系统进行建模，得到动平衡系统模型，具体步骤为：

（2.1），初始化生物地理学智能优化算法BBO的参数；

（2.2），初始化支持向量机基本参数；

（2.3），随机初始化每个栖息地的适应度向量；

（2.4），将输入数据集归一化，作为支持向量机的训练集；

（2.5），将BBO中每个栖息地的适应度向量即支持向量机的惩罚因子C和核函数参数σ代入支持向量机；

（2.6），计算支持向量机的训练集均方误差MSE作为每个栖息地的适应度指数HSI；

（2.7），经过卡尔曼滤波，计算每个栖息地的HSI估计值；

（2.8），将每个栖息地按照其HSI估计值进行排序；

（2.9），计算每个栖息地可容纳的物种数量S，迁入率λ和迁出率μ；

（2.10），根据λ和μ确定物种迁移；

（2.11），计算每个栖息地的变异率，进行物种变异操作；

（2.12），通过支持向量机重新计算栖息地的HSI值，保存全局最优解；

（2.13），判断是否满足终止条件，若是，继续以下步骤，否则，转步骤（2.5）；

（2.14），输出支持向量机模型的最优参数，建模完成；

（1.8），将步骤（1.4）预处理后的数据输入动平衡系统模型，计算得到动平衡控制信号；

（1.9），将步骤（1.8）得到的动平衡控制信号输入动平衡系统进行动平衡调整。

2.根据权利要求1所述的基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，其特征在于，所述步骤（2.6）中所述的每个栖息地的适应度指数HSI计算方法：

利用训练集对支持向量机的模型进行训练，再计算训练集的均方误差，公式为，其中n为训练集的样本数量，为输入样本对应的输出样本，为输入样本对应的预测值。

3.根据权利要求1所述的基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，其特征在于，所述步骤（2.7）中所述的卡尔曼滤波计算每个栖息地的HSI估计值方法：

引入卡尔曼滤波对生物地理学智能优化算法进行优化，由于假设不存在系统噪声，而且所有变量均为标量，所以卡尔曼滤波计算公式为：

其中为HSI估计值，为状态估计误差协方差，为本次迭代之前的HSI估计值，为本次迭代之前的状态估计误差协方差，为所述步骤（2.6）计算出的HSI测量值，为观测噪声协方差；

由于，，因此，所以随着卡尔曼滤波的迭代，状态估计误差协方差P会逐渐减小，HSI估计值也就变得更加精确，当迭代次数趋近于正无穷大时，卡尔曼滤波计算的HSI估计值将等于HSI真实值。