CN106384122A - 一种基于改进cs‑lssvm的设备故障模式识别方法 - Google Patents

Abstract

本发明公开了一种基于改进CS‑LSSVM的设备故障模式识别方法包括以下步骤：1收集设备在正常情况和故障情况下的监测数据，并进行预处理；2初始化布谷鸟搜索算法参数；3建立优化目标函数；4通过莱维飞行模式更新鸟巢位置；5更新优化目标函数；6按照淘汰概率更新鸟巢位置；7计算本次迭代最优鸟巢位置；8判断是否达到最大迭代代数；若没达到，则返回步骤4；若达到，输出最优鸟巢位置；9根据最优鸟巢位置得到LSSVM最优惩罚因子和最优核函数参数，利用LSSVM对测试样本进行故障模式识别。该改进方法在LSSVM参数寻优的收敛速度与精度方面都更优，可以较好的获得全局最优解，使得更能适应LSSVM对设备故障模式的识别。

Description

一种基于改进CS-LSSVM的设备故障模式识别方法

技术领域

本发明涉及一种设备故障模式识别方法，属于故障模式识别技术领域。

背景技术

现代企业对经济效益要求的不断提升，对设备稳定性要求也越来越高。设备一旦出现了故障，可能导致工厂停产，抑或产生其他安全事故，对生命财产造成严重的威胁。鉴于现代设备的复杂性，加上噪声干扰，难以进行实际故障建模与分析，因此及时准确地找出设备的故障模式，即设备故障模式识别可以为故障设备的维修提供技术支持。

近年来，人们开始利用LSSVM分类器对设备的故障模式进行分类。LSSVM又称最小二乘支持向量机，是在标准支持向量机(SVM)的基础上拓展而来的。它继承了标准支持向量机具有小样本学习，学习泛化能力强的优点，通过运用等式约束条件替代不等式约束条件，大大简化计算速度。

LSSVM是在支持向量机(SVM)基础扩展而来的，它继承了标准支持向量机具有小样本学习，学习泛化能力强的优点，通过运用等式约束条件替代不等式约束条件，大大简化计算速度。

假设存在一个含有n个样本的训练集T＝{(x_i,y_i)|i＝1,2,…,n}。x_i为输入数据，y_i为输出标识。

假设存在一个非线性映射使得：

其中ω为权向量，β为偏置量。

运用结构风险公式：

$R=\frac{1}{2}\left|\right|\mathrm{\ω}|{|}^2+C\·R_{emp}---\left(2\right)$

其中C为惩罚因子，R_emp为损失函数。

式(2)可以转换为最优化问题：

$\min R=\frac{1}{2}\·\left|\right|\mathrm{\ω}|{|}^2+C\·\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i^2---\left(3\right)$

其中ξ_i为错分样本与理想样本的偏离程度。引入拉格朗日乘子η＝{η₁,η₂,…,η_i}，方程变为：

对公式(5)各因素求偏导，并引进与2C·ξ_i＝η_i，达到消除ω与ξ_i的目的，得到新的表达式：

假设存在一个核函数则式(6)可改为如下形式：

$y_i=\underset{j=1}{\overset{n}{\Σ}}({\mathrm{\η}}_j\·K(x_i,x_j\left)\right)+\mathrm{\β}+\frac{{\mathrm{\η}}_i}{2C}---\left(7\right)$

于是LSSVM决策函数如下所示：

$y\left(x\right)=\mathrm{sgn}\[\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\η}}_j\·K(x,x_i\left)\right)+\mathrm{\β}\]---\left(8\right)$

一般地，采用径向基核函数(RBF)作为核函数K(x_i,x_j)来构造LSSVM分类器。

$RBF:K(x,x_i)=\exp (-\frac{|x-x_i{|}^2}{2{\mathrm{\σ}}^2})---\left(9\right)$

令LSSVM的惩罚因子C与核参数K(x_i,x_j)的参数g的设定会影响其识别率，采用遗传算法、粒子群优化算法等智能优化算法及其改进算法是目前优化LSSVM参数的常用方法。

2009年Yang提出了一种新型元启发式搜索算法-布谷鸟搜索(Cuckoo Search，CS)算法。其机理是依据布谷鸟种群巢寄生繁衍的策略，通过鸟类特殊的Lévy飞行的方式寻找最优孵化的蛋，达到高效寻优目的。因此这种方法适用于优化LSSVM参数。但标准CS算法在搜索步长以及识别率上固定不变，使得算法缺少活力，难以获得最优解，因此需对其进行改进。

发明内容

发明目的：针对现有技术中存在的问题，本发明公开了一种基于改进CS-LSSVM的设备故障模式识别方法，该方法通过改进布谷鸟搜索算法来对LSSVM参数寻优，采用优化的LSSVM分类器对设备故障模式进行识别，提高了识别精度。

技术方案：一种基于改进CS-LSSVM的设备故障模式识别方法，包括以下步骤：

步骤1、收集设备在正常情况和各类故障情况下的监测数据，并进行预处理，将预处理后的数据分为训练样本和测试样本；优选地，预处理方法为KPCA法或PCA法；

步骤2、初始化布谷鸟搜索算法各参数，包括如下步骤：

(21)定义鸟巢数量N、迭代代数M、最大鸟巢淘汰概率Pmax,最小鸟巢淘汰概率Pmin、搜索步长的最大值Smax与最小值Smin以及鸟巢位置上界Ub＝(Cu,gu)与下界Lb＝(Cl,gl)；

(22)在鸟巢位置上界与下界范围内随机生成N个初始鸟巢P＝[p₁,…,p_N]，其中p_i∈P，p_i＝(C_i,g_i)为第i个鸟巢位置，i＝1,…,N。

步骤3、建立优化目标函数，以LSSVM的预测精度作为优化目标函数；

步骤4、通过莱维飞行模式更新鸟巢位置；按照公式p^(j+1)(i)＝p^(j)(i)+α·L,i＝1,2,…,N更新鸟巢位置，其中j为当前迭代代数，p(^j)(i)表示第j代第i个鸟巢的位置，α代表步长控制量，α＝α₀·(p^(j)(i)-pbest)，L为莱维飞行搜索路径。

优选地，莱维飞行搜索路径L采用Mantegna提出的Lévy飞行搜索路径公式，L＝μ/|v|^1/β，其中β＝1.5；μ和v满足：

σ_v＝1，Γ表示伽玛函数，α₀＝0.01；pbest为目前最优鸟巢位置。

作为进一步优选，莱维飞行搜索路径L为：L＝s_i ^-λ,(1<λ≤3)，其中s_i＝Smin+(Smax-Smin)d_i，d_max为目前最优鸟巢位置pbest与其他鸟巢位置的距离最大值，λ为(1,3]区间的随机变量。

步骤5、更新优化目标函数；

步骤6、按照淘汰概率更新鸟巢位置；淘汰概率P_a＝0.25；优选地，淘汰概率P_a按下式计算：

$P_a=P\min +(Pmax-Pmin)(1-\frac{f_{best}^{\left(j\right)}}{f^{\left(j\right)}\left(i\right)})$

其中Pmax为最大鸟巢淘汰概率，Pmin为最小鸟巢淘汰概率，表示第j代中鸟巢适应度的最小值，f^(j)(i)表示第j代第i个鸟巢的适应度。

步骤7、计算本次迭代中的最优鸟巢位置pbest；

步骤8、判断是否达到最大迭代代数；若没达到最大迭代代数，则返回步骤(4)，并且当前迭代代数加1；若达到最大迭代代数，停止迭代，输出最优的鸟巢位置；

步骤9、根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数，利用LSSVM对测试样本进行故障模式识别。

有益效果：本发明运用布谷鸟搜索(CS)算法优化LSSVM的参数，提高了LSSVM对设备故障模式识别精度，并且对布谷鸟搜索算法做了自适应策略改进。与常用的遗传(GA)算法、粒子群优化(PSO)算法、标准布谷鸟搜索(CS)算法等现有智能算法对比，改进后的算法收敛速度快，拟合度高，寻优效果优。。

附图说明

图1是本发明的流程图；

图2是实施例一运用遗传(GA)算法的参数寻优图；

图3是实施例一运用粒子群优化(PSO)算法的参数寻优图；

图4是实施例一运用标准布谷鸟搜索算法的参数寻优图；

图5是实施例一运用改进布谷鸟搜索算法的参数寻优图；

图6是实施例二的设备故障模式识别结果图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

结合图1所示，本发明公开了一种基于改进CS-LSSVM的设备故障模式识别方法，包括以下步骤：

步骤1、收集设备在正常情况和各类故障情况下的监测数据，并进行预处理，将预处理后的数据分为训练样本和测试样本；

选取设备运行振动信号监测数据(也可以是油液监测浓度等)作为原始数据，包括设备在正常情况，各类故障情况下的监测数据。并对获取的数据进行降维去噪等预处理。常用的降维有主成分分析法(PCA)和核主成分分析法(KPCA)，本发明采用了KPCA法，提取占主成分分析90％的信号特征作为样本数据，最后对数据进行归一化处理。对设备正常情况，各类故障情况进行设定标签，每个标签对应各自的故障模式。将处理后的数据分为训练样本和测试样本。

步骤2、初始化布谷鸟搜索算法各参数，包括如下步骤：

(21)定义鸟巢数量N、迭代代数M、最大鸟巢淘汰概率Pmax,最小鸟巢淘汰概率Pmin、搜索步长的最大值Smax与最小值Smin以及鸟巢位置上界Ub＝(Cu,gu)与下界Lb＝(Cl,gl)；

(22)在鸟巢位置上界与下界范围内随机生成N个初始鸟巢P＝[p₁,…,p_N]，其中p_i∈P，p_i＝(C_i,g_i)为第i个鸟巢位置，i＝1,…,N，鸟巢位置信息即是需要寻优的参数(C,g)，鸟巢位置上下界为二维，分别代表(C,g)的上下界。

步骤3、建立优化目标函数，以LSSVM的预测精度作为优化目标函数；

以LSSVM的预测精度作为目标函数。利用LSSVM分类器对训练样本进行训练，产生初始的预测精度值作为初始适应度f⁽⁰⁾(i),i＝1,…,N。选择f⁽⁰⁾(i)中最小的初始适应度值fmin作为全局极值，该最小的初始适应度所对应的鸟巢位置pbest为初始最优鸟巢位置，即初始最优解。

步骤4、通过莱维飞行模式更新鸟巢位置；按照公式(10)更新鸟巢位置：

p^(j+1)(i)＝p^(j)(i)+α·L,i＝1,2,…,N (10)

其中j为当前迭代代数，p^(j)(i)表示第j代第i个鸟巢的位置，α代表步长控制量，α＝α₀·(p^(j)(i)-pbest)，L为莱维飞行搜索路径。

莱维飞行搜索路径L采用Mantegna提出的Lévy飞行搜索路径公式：

L＝μ/|v|^1/β (11)

其中β＝1.5；μ和v满足： σ_v＝1，Γ表示伽玛函数，α₀＝0.01；pbest为目前最优鸟巢位置。

为减少随机搜索路径而影响自适应效果，莱维飞行搜索路径L采用下式计算：

L＝s_i ^-λ,(1<λ≤3) (12)

其中s_i＝Smin+(Smax-Smin)d_i，d_max为目前最优鸟巢位置pbest与其他鸟巢位置的距离最大值，λ为(1,3]区间的随机变量，Smax和Smin分别为搜索步长的最大值与最小值。

步骤5、更新优化目标函数；

利用LSSVM分类器计算目前迭代代数的每个鸟巢适应度，并与上代鸟巢的适应度对比。设新适应度为f^new(i)，第j代的适应度为f^(j)(i)，i＝1,2,…,N。假如f^new(i)<f^(j)(i)，则更新鸟巢位置，鸟巢位置变为p^(j+1)(i)，对应的适应度也变为f^new(i)；假如f^new(i)≥f^(j)(i)，则保留鸟巢位置，鸟巢位置不变还是p^(j)(i)，对应的适应度仍为f^(j)(i)，其中p^(j)(i)表示第j代第i个鸟巢位置。

选择目前迭代代数中鸟巢适应度的最小值fmin作为的目前的最优鸟巢，对应的鸟巢位置即为目前最优鸟巢位置pbest。

步骤6、按照淘汰概率P_a更新鸟巢位置；

对于每一个鸟巢生成一个在0到1范围内均匀分布的随机数ri，假如ri<P_a，则在鸟巢位置上界与下界范围内用Lévy飞行策略按照公式(10)生成一个新的鸟巢位置，如果此新鸟巢位置的适应度f'小于目前迭代代数中鸟巢适应度的最小值fmin，即f'<fmin，则将旧鸟巢位置淘汰并用新鸟巢位置代替，对应的适应度也变为f'；如果f'≥fmin，则保留旧的鸟巢位置和对应的适应度；假如ri≥P_a，保留旧的鸟巢位置。这里P_a的选取影响全局搜索性能，一般地，P_a取0.25，为了改进搜索能力，可以采用动态自适应策略对P_a进行改进，淘汰概率P_a按下式计算：

$P_a=P\min +(Pmax-Pmin)(1-\frac{f_{best}^{\left(j\right)}}{f^{\left(j\right)}\left(i\right)})---\left(13\right)$

其中Pmax为最大鸟巢淘汰概率，Pmin为最小鸟巢淘汰概率，表示第j代中鸟巢适应度的最小值，f^(j)(i)表示第j代第i个鸟巢的适应度。

步骤7、计算本次迭代中的最优鸟巢位置pbest；

最优鸟巢位置pbest为目前适应度最小鸟巢对应的位置，即为目前的最优解。

步骤8、判断是否达到最大迭代代数；若没达到最大迭代代数，则返回步骤(4)，并且当前迭代代数j加1；若达到最大迭代代数，停止迭代，输出最优的鸟巢位置；

步骤9、根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数，利用LSSVM对测试样本进行故障模式识别。

实施例一

本实施例在MATLAB环境下，检验改进后的布谷鸟算法寻优能力，并与其他常用优化算法进行对比，仿真参数设定如下：

鸟巢数量N＝20；

迭代代数M＝200；

最大鸟巢淘汰概率Pmax＝0.75，最小鸟巢淘汰概率Pmin＝0.1；

搜索步长的最大值Smax＝0.1，最小值Smin＝0.01；

鸟巢位置上界Ub＝[100,1000]，下界Lb＝[0.1,0.01]。

经过仿真，图2是运用遗传(GA)算法的参数寻优图；图3是运用粒子群优化(PSO)算法的参数寻优图；图4是运用标准布谷鸟搜索(CS)算法的参数寻优图；图5是运用改进布谷鸟搜索算法的参数寻优图。

可以看出，改进布谷鸟搜索算法(Improved Cuckoo Search，ICS)在拟合度与寻优速度方面比其他算法相比更快，平均适应度也相对稳定，非常适合应用于LSSVM。

实施例二

本实施例以某MTU柴油机为例，进行故障模式的识别仿真。

选用柴油机振动信号，运用KPCA法降维处理。得到8个特征参数，如下所示：

峰峰值x_p-p；绝对值的平均值峭度β；波性指标s_f；峰值指标测C_f；脉冲指标I_f；裕度指标CL_f。

数据归一化处理；

设定故障模式标签，具体如下：

1-正常情况；

2-出油阀磨损；

3-供油多；

4-供油提前角晚；

5-供油提前角早；

6-针阀卡死；

7-针阀磨损。

将不同工作状态下的7组振动信号，每组分为10个样本，总计70个样本；

每个样本有8个数据，总计560个数据；

选择每个样本中5组总计35组作为训练样本集，余下35组作为测试样本集。

最后故障模式识别结果如图6所示。

运用粒子群优化算法优化的故障模式识别率为85.71％；

运用遗传算法的优化的故障模式识别率为91.43％；

运用本发明所用算法故障模式识别率100％；

结果显示，本发明在识别精度上比其他智能算法寻优后的故障识别高，是一种可行的设备故障模式识别方法。

Claims (8)

1.一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，包括以下步骤：

(1)收集设备在正常情况和各类故障情况下的监测数据，并进行预处理，将预处理后的数据分为训练样本和测试样本；

(2)初始化布谷鸟搜索算法各参数；

(3)建立优化目标函数，以LSSVM的预测精度作为优化目标函数；

(4)通过莱维飞行模式更新鸟巢位置；

(5)更新优化目标函数；

(6)按照淘汰概率更新鸟巢位置；

(7)计算本次迭代中的最优鸟巢位置pbest；

(8)判断是否达到最大迭代代数；若没达到最大迭代代数，则返回步骤(4)，并且当前迭代代数加1；若达到最大迭代代数，停止迭代，输出最优的鸟巢位置；

(9)根据最优的鸟巢位置信息得到LSSVM最优惩罚因子和最优核函数参数，利用LSSVM对测试样本进行故障模式识别。

2.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，步骤(1)中的预处理方法为KPCA法或PCA法。

3.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，步骤(2)所述的初始化布谷鸟搜索算法各参数，包括如下步骤：

(21)定义鸟巢数量N、迭代代数M、最大鸟巢淘汰概率Pmax,最小鸟巢淘汰概率Pmin、搜索步长的最大值Smax与最小值Smin以及鸟巢位置上界Ub＝(Cu,gu)与下界Lb＝(Cl,gl)；

(22)在鸟巢位置上界与下界范围内随机生成N个初始鸟巢P＝[p₁,…,p_N]，其中p_i∈P，p_i＝(C_i,g_i)为第i个鸟巢位置，i＝1,…,N。

4.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，步骤(4)所述通过莱维飞行模式更新鸟巢位置，是按照公式p^(j+1)(i)＝p^(j)(i)+α·L,i＝1,2,…,N更新鸟巢位置，其中j为当前迭代代数，p^(j)(i)表示第j代第i个鸟巢的位置，α代表步长控制量，α＝α₀·(p^(j)(i)-pbest)，L为莱维飞行搜索路径。

5.根据权利要求4所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，莱维飞行搜索路径L为L＝μ/|v|^1/β，其中β＝1.5；μ和v满足：

Γ表示伽玛函数，α₀＝0.01；pbest为目前最优鸟巢位置。

6.根据权利要求4所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，莱维飞行搜索路径L为：L＝s_i ^-λ,(1<λ≤3)，其中s_i＝S min+(S max-S min)d_i，d_max为目前最优鸟巢位置pbest与其他鸟巢位置的距离最大值。

7.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，步骤(6)中所述的淘汰概率P_a＝0.25。

8.根据权利要求1所述的一种基于改进CS-LSSVM的设备故障模式识别方法，其特征在于，步骤(6)中所述的淘汰概率P_a的计算公式为：

$P_a=P\min +(P\max -P\min )(1-\frac{f_{best}^{\left(j\right)}}{f^{\left(j\right)}\left(i\right)})$

其中Pmax为最大鸟巢淘汰概率，Pmin为最小鸟巢淘汰概率，表示第j代中鸟巢适应度的最小值，f^(j)(i)表示第j代第i个鸟巢的适应度。