CN105868777A - 一种基于优化的相关向量机装甲车动力舱故障诊断方法 - Google Patents
一种基于优化的相关向量机装甲车动力舱故障诊断方法 Download PDFInfo
- Publication number
- CN105868777A CN105868777A CN201610178687.7A CN201610178687A CN105868777A CN 105868777 A CN105868777 A CN 105868777A CN 201610178687 A CN201610178687 A CN 201610178687A CN 105868777 A CN105868777 A CN 105868777A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest
- nest position
- rvm
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明提供了一种基于优化的相关向量机装甲车动力舱故障诊断方法,包括:步骤1,通过传感器采集动力舱的故障样本数据,得到样本数据,S={(xi,yi)},其中,为第i个n维属性样本,i∈[1,N],N为样本总数;yi为第i个样本对应的故障类别;步骤2,将样本数据S={(xi,yi)}进行归一化预处理,得到训练集和测试集;步骤3,利用基于高斯扰动的布谷鸟搜索算法选择最优的RVM核参数σ;步骤4,将训练集数据输入RVM模型,进行训练,构造相关向量机;步骤5,用构造好的RVM分类器对测试集的数据进行分类,得到相应的动力舱故障状态。本发明在缩短训练时间的同时能提高分类精度,泛化能力强,能准确的检测出动力舱的不同故障问题,很好的解决了动力舱一体机式故障诊断问题。
Description
技术领域
本发明涉及装甲车动力舱测量技术领域,具体而言,涉及一种基于优化的相关向量机装甲车动力舱故障诊断方法。
背景技术
动力舱是包含发动机和变速箱的一体机,其中发动机把化学能转化为机械能,变速箱和发动机耦合,起到变速以及变转矩的目的,它们是装甲车辆动力的核心部件之一。动力舱是否正常运转会严重影响装甲车辆整车的性能,所以有必要在车辆装配前对动力舱进行故障的诊断,这些诊断及评价的实验均在试验台上完成。
在现有技术中,都是采用对动力舱解体的方式,把发动机和变速箱取出来,分别对各部分进行故障诊断。采用这样的方式,一是装甲车的动力舱体型大,拆装麻烦,二是体现不出动力舱整体性能,发动机和变速箱组装后,相互影响,整体可能会有新的故障状况出现。所以需要对动力舱不解体,进行一体机式的故障诊断。但是,动力舱作为一个整体,可用来诊断的可测信号比较少,需要诊断的故障类型比较多,样本数据不多,因而给动力舱的故障诊断带来困难,目前没有针对动力舱较好的故障诊断方法。
发明内容
针对上述问题,本发明的目的是为不解体的动力舱提供一种基于优化的相关向量机的故障诊断方法,能够实现动力舱的整体故障诊断,并提高故障诊断精度。
为实现上述目的,本发明采取以下技术方案:
一种基于优化的相关向量机装甲车动力舱故障诊断方法,包括以下步骤,步骤1,通过传感器采集动力舱的故障样本数据,得到样本数据,S={(xi,yi)},其中,为第i个n维属性样本,i∈[1,N],N为样本总数;yi为第i个样本对应的故障类别;步骤2,将样本数据S={(xi,yi)}进 行归一化预处理,得到训练集和测试集;步骤3,利用基于高斯扰动的布谷鸟搜索算法选择最优的RVM核参数σ;步骤4,将训练集数据输入RVM模型,进行训练,构造相关向量机;步骤5,用构造好的RVM分类器对测试集的数据进行分类,得到相应的动力舱故障状态。该方法的流程图如图1所示。
进一步地,样本数据包括样本参数和故障状态,其中,样本参数包括以下至少之一:柴油流量、输出转速、输出转矩、机油压力、机油温度、水温、风扇泵进口压力、风扇泵出口压力,故障状态包括以下至少之一:发动机点不着火、发动机怠速不良、发动机无力、发动机过热、机油压力异常、漏油、燃油消耗增加、变速箱各轴之间故障。
进一步地,步骤3包括:步骤31,收集动力舱的传感器参数数据,构成RVM的训练集,初始化GCS算法的参数,包括鸟巢的个数n,寄住鸟发现“外来卵”的概率Pa,核函数参数的选取范围等;步骤32,在解空间里随机产生n个鸟巢位置,即生成初始解,在鸟巢中产卵,每一个鸟巢位置对应一个参数σ,比较鸟巢位置的优劣,找到当前最优鸟巢位置,将当前最优鸟巢位置保留至下一代;步骤33,对其他鸟巢位置进行更新迭代,得到一组新的鸟巢位置,并比较鸟巢位置的优劣;步骤34,将这组鸟巢位置与上一代的鸟巢位置进行比较,用较好的鸟巢位置代替较差的鸟巢位置,得到一组较优鸟巢位置步骤35,产生一个随机数r比较其与pa的大小,保留kt中被发现概率较小的鸟巢,且随机更新被发现概率较大的鸟巢,得到一组新的鸟巢位置并评价其优劣,将这组鸟巢位置与kt中的鸟巢位置进行比较并择优取之,得到一组新的较优鸟巢位置步骤36,对鸟巢位置pt进行高斯扰动,得到一组新的鸟巢位置并评价其优劣,将这组鸟巢位置与pt中的鸟巢位置进行比较,用较优的鸟巢位置代替较差的鸟巢位置,最终得到一组更优的鸟巢位置此时仍将p″t记为pt;步骤37,找出步骤36中pt中的最优解,判断迭代次数是否已达上限和精度是否满足要求,若满足结束条件,则输出最优解,否则 返回步骤33;步骤38,根据最优鸟巢位置得到对应的RVM的核参数σ。
进一步地,步骤3中,核参数的取值对分类的准确率有至关重要的作用,本文提出用基于高斯扰动的布谷鸟搜索(GCS)算法来优化核参数,GCS算法在CS(布谷鸟搜索)算法的迭代更新过程中加入了对鸟巢位置的高斯扰动,从而能够提高鸟巢位置变化的活力。由于在RVM中没有规则系数,因此,需要考虑的参数仅为核参数σ。
进一步地,步骤4中,构造RVM分类器时,核函数采用泛化性能较好的高斯径向基核函数。
有益效果:
本发明提供了基于优化的相关向量机装甲车动力舱故障诊断方法,相关向量机是一种基于稀疏贝叶斯框架理论的机器学习方法,可以解决小样本问题,在得到分类结果的同时能得到其后验概率,在输出形式、核函数选择方面更具有优势。该诊断方法基本思想是采用高斯扰动的布谷鸟搜索算法(GCS)进行优化相关向量机(Relevance Vector Machine,RVM)分类器的核参数,建立多分类器;布谷鸟搜索(Cuckoo Search)算法基于对布谷鸟种群寄生繁衍策略的模拟,高斯扰动的加入则增加了鸟巢变化的活力。所提出的方法在缩短训练时间的同时能提高分类精度,泛化能力强,能准确的检测出动力舱的不同故障问题,不会出现“漏报”以及“错报”的情况,实验证明,很好的解决了动力舱一体机式故障诊断问题。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1基于优化相关向量机算法流程图;
图2动力舱综合试验台组成框图。
具体实施方式
本发明提供了一种基于优化的相关向量机装甲车动力舱故障诊断方法,对于装甲车的动力舱的故障诊断有很大的实际借鉴意义。传统的智能故障诊断方法很多,存在知识获取困难,需要大量的学习样本等问题。相关向量机很好的解决了少量样本带来的问题,它利用了高维映射的思想,即基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。其具有模型稀疏,参数设置简单,核函数不需满足Mercer条件的特点。
核函数的参数选择对其分类效果有直接影响,针对核参数选择问题,本发明提出用基于高斯扰动的布谷鸟搜索(GCS)算法来优化。与遗传算法,粒子群算法等优化算法相比,布谷鸟搜索(Cuckoo Search,CS)算法引入了生物学进化论,参数更少,具有简单、高效、随机搜索路径更有效等优点,但CS算法存在搜索速度偏慢的缺点,因此本发明采用了基于高斯扰动的布谷鸟搜索算法。
下面结合说明书附图及实施例,应用基于高斯扰动的布谷鸟搜索算法的相关向量机方法对本发明方法作进一步详细说明,具体过程如下:
步骤1,获取原始样本数据。在动力舱综合试验台上,发动机和变速箱已有的各种传感器接口和计算机测控系统相连,计算机系统对其采集、检测、显示,通过计算机直接读出以下可以直接用于诊断的参数:柴油流量、输出转速、输出转矩、机油压力、机油温度、水温、风扇泵进口压力、风扇泵出口压力。动力舱常见的故障有:发动机点不着火、发动机怠速不良、发动机无力、发动机过热、机油压力异常、漏油、燃油消耗增加、变速箱各轴之间故障(变速箱共7档,包括一个倒挡,共4个故障状态)。故障共有11种故障状态。由于各故障并不是由于单一的原因引起,各部件之间相互影响,故障原因复杂,因此采用机器学习的方法对数据进行训练,然后用于故障诊断。
步骤2,对原始样本数据进行归一化处理,便于后面的机器学习。建立归一化后各样本参数和故障状态的对应关系,11种故障状态可以用数字1-11进行记录。
将数据分为两部分,测试集和训练集,训练集用于机器学习的训练,测试集用于检测故障诊断效果。
步骤3,优化核参数,建立合适的相关向量机。
在构造RVM分类器时,核函数参数σ的取值对分类的准确率有决定性的作用。利用基于高斯扰动的布谷鸟搜索算法(GCS)来选取RVM分类器参数的具体步骤如下:
步骤31,收集动力舱的传感器参数数据,构成RVM的训练集。初始化GCS算法的参数,包括鸟巢的个数n,寄住鸟发现“外来卵”的概率Pa,核函数参数的选取范围等。
步骤32,在解空间里随机产生n个鸟巢位置,即生成初始解。在鸟巢中产卵,每一个鸟巢位置对应一个参数σ,比较鸟巢位置的优劣,找到当前最优鸟巢位置,将当前最优鸟巢位置保留至下一代。
步骤33,对其他鸟巢位置进行更新迭代,得到一组新的鸟巢位置,并比较鸟巢位置的优劣。
步骤34,将这组鸟巢位置与上一代的鸟巢位置进行比较,用较好的鸟巢位置代替较差的鸟巢位置,得到一组较优鸟巢位置
步骤35,产生一个随机数r比较其与pa的大小,保留kt中被发现概率较小的鸟巢,且随机更新被发现概率较大的鸟巢,得到一组新的鸟巢位置并评价其优劣。将这组鸟巢位置与kt中的鸟巢位置进行比较并择优取之,得到一组新的较优鸟巢位置
步骤36,对鸟巢位置pt进行高斯扰动,得到一组新的鸟巢位置并评价其优劣。将这组鸟巢位置与pt中的鸟巢位置进行比较,用较优的鸟巢位置代替较差的鸟巢位置,最终得到一组更优的鸟巢位置此时仍将p″t记为pt。
步骤37,找出步骤36中pt中的最优解,判断迭代次数是否已达上限和精度是否满足要求,若满足结束条件,则输出最优解,否则返回步骤33。
步骤38,根据最优鸟巢位置得到对应的RVM的核参数σ。
步骤4,构造优化的相关向量机。在本发明中,采用“一对一”分类器,核函数采用RBF核函数以及步骤3中得到的核参数σ,构造优化的相关向量机。输入训练集,进行机器学习,得到优化的相关向量机。
步骤5,用步骤4中构造好的分类器对测试集数据进行分类,得到相应的动力舱故障状态,对于动力舱的故障给出相应的指导。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
具体地结合对比多种测试方法来验证本发明的故障诊断方法的有效性,通过动力舱综合试验台来进行检验。动力舱综合试验台主要完成2种系列车辆的动力舱综合动力传动装置组装成“一体机”后的台架试验。通过原地启动发动机,在一体机空载及加载工况下,检测发动机及综合传动系统的各个相关参数及个系统的密封性,对其工作性能进行测试,并对故障进行判断。
首先,采集样本数据。通过动力舱综合试验台,改变相关的物理参数,可以采集到12种动力舱的状态,包括11种故障状态和1种正常状态,分别以1-12记之。在每种状态下各自采集40个样本,共计480个样本。采集用于诊断的参数:柴油流量、输出转速、输出转矩、机油压力、机油温度、水温、风扇泵进口压力、风扇泵出口压力,共8个状态信号,组成样本数据。
然后,构造优化的相关向量机。用GCS算法优化核参数σ时,初始参数设置如下:寄住鸟发现“外来卵”的概率为0.3,鸟巢个数设置为30,迭代次数为500。为验证本方法(GCS-RVM)的有效性,分别将其性能与标准的RVM、基于粒子群算法的RVM(PSO-RVM)、基于遗传算法的RVM(GA-RVM)的性能进行对比,并且在不同训练集和测试集的组合下进行了实验,结果如表1所示。
T1和T2分别代表训练准确度和测试准确度,N1和N2分别代表训练集 和测试集的样本个数。
表1 几种分类方法的效果对比
由表1可以得出结论:无论是训练精度还是测试精度,在所有方法中,GCS-RVM的故障诊断正确率最高,验证了GCS-RVM算法的高效性。实验表明,本发明具有很好的故障诊断精确度,能够在本实验平台上得到较好的运用。
Claims (3)
1.一种基于优化的相关向量机装甲车动力舱故障诊断方法,其特征在于,所述方法包括以下步骤,
步骤1,通过传感器采集动力舱的故障样本数据,得到样本数据,S={(xi,yi)},其中,为第i个n维属性样本,i∈[1,N],N为样本总数;yi为第i个样本对应的故障类别;
步骤2,将样本数据S={(xi,yi)}进行归一化预处理,得到训练集和测试集;
步骤3,利用基于高斯扰动的布谷鸟搜索算法选择最优的RVM核参数σ;
步骤4,将训练集数据输入RVM模型,进行训练,构造相关向量机;
步骤5,用构造好的RVM分类器对测试集的数据进行分类,得到相应的动力舱故障状态。
2.根据权利要求1所述的方法,其特征在于,所述样本数据包括样本参数和故障状态,其中,所述样本参数包括以下至少之一:柴油流量、输出转速、输出转矩、机油压力、机油温度、水温、风扇泵进口压力、风扇泵出口压力,所述故障状态包括以下至少之一:发动机点不着火、发动机怠速不良、发动机无力、发动机过热、机油压力异常、漏油、燃油消耗增加、变速箱各轴之间故障。
3.根据权利要求1所述的方法,其特征在于,所述步骤3包括:
步骤31,收集动力舱的传感器参数数据,构成RVM的训练集,初始化GCS算法的参数,包括鸟巢的个数n,寄住鸟发现“外来卵”的概率Pa,核函数参数的选取范围等;
步骤32,在解空间里随机产生n个鸟巢位置,即生成初始解,在鸟巢中产卵,每一个鸟巢位置对应一个参数σ,比较鸟巢位置的优劣,找到当前最优鸟巢位置,将当前最优鸟巢位置保留至下一代;
步骤33,对其他鸟巢位置进行更新迭代,得到一组新的鸟巢位置,并比较鸟巢位置的优劣;
步骤34,将这组鸟巢位置与上一代的鸟巢位置进行比较,用较好的鸟巢位置代替较差的鸟巢位置,得到一组较优鸟巢位置
步骤35,产生一个随机数r比较其与pa的大小,保留kt中被发现概率较小的鸟巢,且随机更新被发现概率较大的鸟巢,得到一组新的鸟巢位置并评价其优劣,将这组鸟巢位置与kt中的鸟巢位置进行比较并择优取之,得到一组新的较优鸟巢位置
步骤36,对鸟巢位置pt进行高斯扰动,得到一组新的鸟巢位置并评价其优劣,将这组鸟巢位置与pt中的鸟巢位置进行比较,用较优的鸟巢位置代替较差的鸟巢位置,最终得到一组更优的鸟巢位置此时仍将p″t记为pt;
步骤37,找出步骤36中pt中的最优解,判断迭代次数是否已达上限和精度是否满足要求,若满足结束条件,则输出最优解,否则返回步骤33;
步骤38,根据最优鸟巢位置得到对应的RVM的核参数σ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610178687.7A CN105868777B (zh) | 2016-03-25 | 2016-03-25 | 一种基于优化的相关向量机装甲车动力舱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610178687.7A CN105868777B (zh) | 2016-03-25 | 2016-03-25 | 一种基于优化的相关向量机装甲车动力舱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868777A true CN105868777A (zh) | 2016-08-17 |
CN105868777B CN105868777B (zh) | 2019-05-24 |
Family
ID=56625962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610178687.7A Expired - Fee Related CN105868777B (zh) | 2016-03-25 | 2016-03-25 | 一种基于优化的相关向量机装甲车动力舱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868777B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339720A (zh) * | 2016-08-23 | 2017-01-18 | 万毅 | 一种汽车发动机的失效检测方法 |
CN112629841A (zh) * | 2020-11-23 | 2021-04-09 | 江苏科技大学 | 一种继电器寿命预测的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1277855A (zh) * | 2000-05-31 | 2000-12-27 | 李春凯 | 参附温心通脉中药制剂 |
US6633857B1 (en) * | 1999-09-04 | 2003-10-14 | Microsoft Corporation | Relevance vector machine |
CN104675988A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 整车电液控制故障诊断方法 |
-
2016
- 2016-03-25 CN CN201610178687.7A patent/CN105868777B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6633857B1 (en) * | 1999-09-04 | 2003-10-14 | Microsoft Corporation | Relevance vector machine |
CN1277855A (zh) * | 2000-05-31 | 2000-12-27 | 李春凯 | 参附温心通脉中药制剂 |
CN104675988A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 整车电液控制故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
MA LILING ET AL.: ""Fault Diagnosis of Hydraulic System of Quadruped Robot by SVM Based on Rough Set and CS Algorithm"", 《PROCEEDINGS OF THE 34TH CHINESE CONTROL CONFERENCE》 * |
曹晓霞: ""一种改进的相关向量机算法"", 《纺织高校基础科学学报》 * |
陈景柱: ""布谷鸟优化混合核相关向量机的网络流量预测"", 《计算机与现代化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339720A (zh) * | 2016-08-23 | 2017-01-18 | 万毅 | 一种汽车发动机的失效检测方法 |
CN106339720B (zh) * | 2016-08-23 | 2019-09-10 | 温州大学 | 一种汽车发动机的失效检测方法 |
CN112629841A (zh) * | 2020-11-23 | 2021-04-09 | 江苏科技大学 | 一种继电器寿命预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105868777B (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107677472B (zh) | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 | |
CN107272644B (zh) | 潜油往复抽油机的dbn网络故障诊断方法 | |
CN111678696A (zh) | 基于联邦学习的机械智能故障诊断方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
CN104021238A (zh) | 一种铅酸动力电池系统故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
CN109581190B (zh) | 一种用于电路故障诊断的最优诊断树生成方法 | |
CN109670714B (zh) | 基于隶属度分析的船舶燃气轮机综合状态评估方法 | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
Vong et al. | Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis | |
CN107942854A (zh) | 一种全自动生化分析仪远程设备诊断策略 | |
CN112016251A (zh) | 一种核动力装置故障的诊断方法及系统 | |
CN111125052A (zh) | 基于动态元数据的大数据智能建模系统及方法 | |
CN111274540A (zh) | 一种基于信息熵和动态规划的故障诊断树生成方法 | |
CN112756759A (zh) | 点焊机器人工作站故障判定方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN106339720A (zh) | 一种汽车发动机的失效检测方法 | |
CN117034143A (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN105868777A (zh) | 一种基于优化的相关向量机装甲车动力舱故障诊断方法 | |
Calderano et al. | An enhanced aircraft engine gas path diagnostic method based on upper and lower singleton type-2 fuzzy logic system | |
Frisk et al. | Residual selection for consistency based diagnosis using machine learning models | |
Du et al. | Research on the application of artificial intelligence method in automobile engine fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190524 |