CN109063782A - 一种自适应泵站故障智能诊断方法 - Google Patents

Abstract

本发明公开了一种自适应泵站故障智能诊断方法，涉及水力机械故障诊断技术领域。该方法针对泵站的故障诊断分类方面，用各种故障数据进行支持向量机分类，分类时采用概念更为简单，而且更易于实现的CSA优化算法对C‑SVC中的参数‑c，与RBF核函数进行优化。提高了分类准确率，缩短了分类所需要的时间，提高了故障诊断的自适应性。从而提高了泵站故障诊断的效率，解决了现有的分类优化算法中实现时间较长，分类不准确等的问题，进而实现自适应的泵站故障智能诊断方法。另外，本发明在进行分类优化之前，在泵站的故障诊断方面引入了经验模态分解和样本熵理论，从而进一步提高了水泵机组故障发生类型的诊断准确率。

Description

一种自适应泵站故障智能诊断方法

技术领域

本发明涉及水力机械故障诊断技术领域，尤其涉及一种自适应泵站故障智能诊断方法。

背景技术

随着水泵设计制造技术和应用技术的不断提高，水泵的制造和生产正沿着大型化、大容量化、高扬程化、高速化、系列化、通用化、标准化的方向发展。但是即使制造与应用技术达到了一定的水平，仍然避免不了有意外情况的发生。由于水泵属于一种水力机械，机械就像人一样有自己的生命周期，在运行过程中不免会出现各种各样的问题，也就是所说的故障。

水泵故障是指机组运转过程中不能按预期的指标工作，水泵机组故障可以按时间划分为突发性故障和渐发性故障。对于突发性故障我们无法预测，但渐发性故障在机械设备运转的过程中是能够提前发现的，因为这种备故障的发生必然伴随着噪声、振动、温度等参数的变化。工程师可以依据这些物理参数对故障来源进行识别，判断故障发生部位，防止故障进一步扩大，从而使水泵机组能够长时间的在高效区运行，该过程称为故障诊断。

目前，通常采用的方法包括：基于神经网络算法、遗传算法、免疫算法和粒子群算法等方法来实现泵站的故障诊断。这些启发式算法在解决大多数实际的优化问题时表现出了良好的性能，能够很好地解决复杂的优化问题，但不能保证能得到最优解，即无法保证得到最准确的泵站故障诊断结果。

发明内容

本发明的目的在于提供一种自适应泵站故障智能诊断方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种自适应泵站故障智能诊断方法，包括如下步骤：

S1，确定泵站故障的分类准确率作为故障诊断的最终目标；

S2，采集设备信号，并对信号进行降噪处理，得到降噪后的信号，

S3，对降噪后的信号进行经验模态分解，得到分解出的本征模函数；

S4，对所述本征模函数进行样本熵提取；

S5，利用不同信号的样本熵进行支持向量机分类，分类过程中，采用乌鸦搜索算法对C-SVC中的参数-c，与RBF核函数中的参数-g进行优化，得到最高的分类准确率，进而得到最优分类效果的智能化故障诊断。

优选地，S2具体为，水泵机组使用电容式传感器采集机组信息，由传感器所转换而来的连续性电流电压信号，经过A/D转换器的采样、量化、编码后转化成数字信号，对然后对数字信号进行小波硬阈值降噪，得到降噪后的信号。

优选地，所述对数字信号进行小波硬阈值降噪，采用如下的函数进行处理：

式中，ω为含噪信号小波变化系数，预先选设阈值为T；

比较含噪信号的小波变化系数ω与预设值T的大小，若小于T，则输出为零，反之，对其进行阈值函数处理。

优选地，S3包括如下步骤：

S301，获取泵站机组振动信号x(t)的极大值、极小值，采用三次样条曲线插值得到信号的上下包络线x_h(t)和x_i(t)，上下包络线需要满足信号中所有的点均在两线之间，采用如下公式计算上下包络线的均值：

S302，设第一次经从原始信号中分离出的变量为x₁(t)，其分离过程如下：

x₁(t)＝x(t)-x_m(t)

如果x₁(t)满足如下两个条件：

1)|M-N|≤1

2)

其中，N为函数在整个时间范围内的局部极点个数，M为零点的数目，X为上包络线的均值，Y为下包络线的均值；

则将此时分离出的这一分量记为c₁(t)；

若x₁(t)不满足式1)2)所示的两个条件，则重复S301-S302两个步骤，直到找到信号的第一个满足式1)2)所示条件的本征模态函数；

S303，从原始的振动信号分离出c₁(t)以后，信号的剩余量记作r₁(t)则有；

r₁(t)＝x₁(t)-c₁(t)

S304，重复S301-S303，直到将所有的本征模态分量全部分离原信号，这n个分量分别记c₁(t)，...c_n(t)。

优选地，S4中，对于机组的振动信号，其中N个数据组成一个时间序列{x_n}＝{x(1)，x(2)，...x(N)}计算其样本熵的过程包括如下步骤：

S401，按序号组成一组向量序列X_m(1)，X_m(2)...X_m(N-m+1)，其维数为m，其中，X_m(i)＝{X(i)，X(i+1)...X(i-m+1)}，1≤i≤N-m+1，

式中，X_m(i)为从点i起的m个连续x值；

S402，向量X_m(i)和X_m(j)之间对应元素中的差值，其中，绝对值最大的定义为距离d[X_m(i)，X_m(j)]＝max_k＝_{0，1，...m-1}(|x(i+k)-x(j+k)|)；

S403，对于给定的X_m(i)统计X_m(i)与X_m(j)之间距离小于等于r的j(1≤j≤N-M，j≠i)的数目，并记做B_i，

对于1≤i≤N-m，定义为：

定义B^m(r)为：

S404，增加维数到m+1，计算X_m+1(i)与X_m+1(j)(1≤j≤N-m，j≠i)距离小于等于r的个数，记为A_i，定义为：

B^m(r)是匹配m个点的概率，A^m(r)是两个序列匹配m+1个点的概率，在相似容限r下，样本熵定义为：

根据上述样本熵的定义式提取样本熵，根据信号自身的特征对点数m和距离r进行选定。

优选地，S404中，m取值为1或2，r取值在0.1～0.25倍的序列的标准差。

优选地，S5具体包括如下步骤：

S501，定义如下优化问题：优化C-SVC中的参数-c，与RBF核函数中的参数-g使得SVM分类准确率达到最高；定义如下决策变量：二维决策变量“-c”和“-g”定义约束条件，其中参数-c的变化范围为(0，100]，参数-g的变化范围为[0，1000]；估计CSA的如下可调参数：群体大小N＝20，最大迭代次数iter_max＝5000，飞行长度fl＝2和感知概率AP＝0.1；

S502，初始化乌鸦的位置和记忆：N只乌鸦随机定位在d维搜索空间中作为鸦群的成员，每只乌鸦作为表示问题的可行解决方案，d是决策变量的数量，其值为2，每个乌鸦的记忆被初始化；

S503，评估适应度功能：对于每一个乌鸦位置的质量通过将决策变量值插入到目标函数中来计算；

S504，生成新的位置：乌鸦i随机地选择乌鸦j，跟着它去发现这只乌鸦所藏食物的位置m^j，从而得到乌鸦i的新位置，对所有的乌鸦重复此过程；

S505，检查新位置的可行性：对每只乌鸦新位置的可行性进行验证，如果新的位置是可行的，那么乌鸦就会更新它的位置，否则，乌鸦会停留在当前位置，不会移动到生成的新位置；

S506，评估新位置的适应度函数：计算每个乌鸦新位置的适应度函数值；

S507，乌鸦的记忆更新方法如下：

若f(x^i，iter+1)比f(m^i，iter)适应度高，则m^i，iter+1＝x^i，iter+1，否则m^i，iter+1＝m^i，iter

其中f()为目标函数值；

即，如果乌鸦新位置的适应度函数值优于记忆位置的适应度函数值，则乌鸦通过新位置更新记忆；

S508，检验终止标准：重复步骤S504-S507，直到到达iter_max，当遇到终止标准时，对目标函数值的最优位置将被报告为优化问题的解决方案。

本发明的有益效果是：本发明实施例提供的自适应泵站故障智能诊断方法，针对泵站的故障诊断分类方面，用各种故障数据进行支持向量机分类，分类时采用概念更为简单，而且更易于实现的CSA优化算法对C-SVC中的参数-c，与RBF核函数进行优化。提高了分类准确率，缩短了分类所需要的时间，提高了故障诊断的自适应性。从而提高了泵站故障诊断的效率，解决了现有的分类优化算法中实现时间较长，分类不准确等的问题，进而实现自适应的泵站故障智能诊断方法。另外，本发明在进行分类优化之前，在泵站的故障诊断方面引入了经验模态分解和样本熵理论，从而进一步提高了水泵机组故障发生类型的诊断准确率。

附图说明

图1是本发明提供的自适应泵站故障智能诊断方法流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供了一种自适应泵站故障智能诊断方法，包括如下步骤：

S1，确定泵站故障的分类准确率作为故障诊断的最终目标；

S2，采集设备信号，并对信号进行降噪处理，得到降噪后的信号，

S3，对降噪后的信号进行经验模态分解，得到分解出的本征模函数；

S4，对所述本征模函数进行样本熵提取；

S5，利用不同信号的样本熵进行支持向量机分类，分类过程中，采用乌鸦搜索算法对C-SVC中的参数-c，与RBF核函数中的参数-g进行优化，得到最高的分类准确率，进而得到最优分类效果的智能化故障诊断。

在上述方法中，水泵机组一般使用电容式传感器采集机组信息，由传感器所转换而来的连续性电流电压信号并不能直接被计算机所识别，需要经过A/D转换器的采样、量化、编码后转化成数字信号之后才能用于计算机的处理。采集的信号不仅包括故障信号，还有可包括非故障信号以及噪声信号，因此需要对其进行小波硬阈值降噪。对降噪完成之后的信号进行故障特征的提取即进行经验模态分解(Empirical Mode Decomposition，简称EMD)，分解出本征模函数(Intrinsic Mode Function，简称IMF)，由于所分解出的每个IMF分量包含了原信号的不同时间尺度的局部特征信号，相当于把一个信号不同时间尺度的特征分解出来。然后开始对信号进行样本熵的提取，把每个信号在不同时间尺度的特征以数值的形式表现出来。最后，开始对不同信号的样本熵进行支持向量机分类(Support VectorMachine，简称SVM)。由于SVM的分类结果受参数影响很大，因此，本发明创新性的引入了一种新的启发式优化算法--乌鸦搜索算法，采用乌鸦搜索算法能够很好的对C-SVC中的参数-c，与RBF核函数中的参数-g进行优化，通过机械学习，尽可能的达到最高的分类准确率，从而能够达到最优分类效果的智能化故障诊断，而且起到一种自适应化以及智能化的诊断效果。

乌鸦搜索算法是一种模拟乌鸦智能行为的算法。在乌鸦群中，有一种行为与优化过程有许多相似之处。根据这种行为，乌鸦会把多余的食物藏在环境的某些位置(隐藏位置)，当需要的时候，它们会把食物储存起来。乌鸦是贪婪的鸟，因为它们为了获得更好的食物来源而相互跟踪。寻找被乌鸦隐藏的食物来源并不是一件容易的事，因为如果乌鸦发现另一只乌鸦在跟着它，乌鸦就会试图通过到环境的另一个位置来欺骗乌鸦。从优化的角度看，乌鸦是搜索者，环境是搜索空间，环境的每一个位置都对应着一个可行的解决方案，食物来源的质量是客观(适合)的功能，环境的最佳食物来源是问题的全局解决方案。基于这些相似点，CSA尝试对乌鸦的智能行为进行模拟，以找到优化问题的解决方案。该算法具有概念简单，优化所需时间较短，优化结果较好的等的优点。

由于乌鸦搜索算法是一种基于乌鸦智能行为的启发式算法，其概念简单，更容易实现，从而能够在解决优化问题时得到更为期望的结果。

本发明实施例中，S2具体可以为，水泵机组使用电容式传感器采集机组信息，由传感器所转换而来的连续性电流电压信号，经过A/D转换器的采样、量化、编码后转化成数字信号，对然后对数字信号进行小波硬阈值降噪，得到降噪后的信号。

本实施例中，所述对数字信号进行小波硬阈值降噪，可以采用如下的函数进行处理：

式中，ω为含噪信号小波变化系数，预先选设阈值为T；

比较含噪信号的小波变化系数ω与预设值T的大小，若小于T，则输出为零，反之，对其进行阈值函数处理。

每个基本振动信号分解成不同的局部特征信号，这些局部特征信号被称为本征模函数(IMF)，本征模函数中每一点的瞬时频率都是有意义的，在本发明的一个优选实施例中，S3可以包括如下步骤：

S301，获取泵站机组振动信号x(t)的极大值、极小值，采用三次样条曲线插值得到信号的上下包络线x_h(t)和x_i(t)，上下包络线需要满足信号中所有的点均在两线之间，采用如下公式计算上下包络线的均值：

S302，设第一次经从原始信号中分离出的变量为x₁(t)，其分离过程如下：

x₁(t)＝x(t)-x_m(t)

如果x₁(t)满足如下两个条件：

1)|M-N|≤1

2)

其中，N为函数在整个时间范围内的局部极点个数，M为零点的数目，X为上包络线的均值，Y为下包络线的均值；

则将此时分离出的这一分量记为c₁(t)；

若x₁(t)不满足式1)2)所示的两个条件，则重复S301-S302两个步骤，直到找到信号的第一个满足式1)2)所示条件的本征模态函数；

S303，从原始的振动信号分离出c₁(t)以后，信号的剩余量记作r₁(t)则有；

r₁(t)＝x₁(t)-c₁(t)

S304，重复S301-S303，直到将所有的本征模态分量全部分离原信号，这n个分量分别记c₁(t)，...c_n(t)。

本发明实施例中，S4中，对于机组的振动信号，其中N个数据组成一个时间序列{x_n}＝{x(1)，x(2)，...x(N)}计算其样本熵的过程可以包括如下步骤：

S401，按序号组成一组向量序列X_m(1)，X_m(2)...X_m(N-m+1)，其维数为m，其中，X_m(i)＝{X(i)，X(i+1)...X(i-m+1)}，1≤i≤N-m+1，

式中，X_m(i)为从点i起的m个连续x值；

S402，向量X_m(i)和X_m(j)之间对应元素中的差值，其中，绝对值最大的定义为距离d[X_m(i)，X_m(j)]＝max_{k＝0，1，...m-1}(|x(i+k)-x(j+k)|)；

S403，对于给定的X_m(i)统计X_m(i)与X_m(j)之间距离小于等于r的j(1≤j≤N-M，j≠i)的数目，并记做B_i，

对于1≤i≤N-m，定义为：

定义B^m(r)为：

S404，增加维数到m+1，计算X_m+1(i)与X_m+1(j)(1≤j≤N-m，j≠i)距离小于等于r的个数，记为A_i，定义为：

B^m(r)是匹配m个点的概率，A^m(r)是两个序列匹配m+1个点的概率，在相似容限r下，样本熵定义为：

根据上述样本熵的定义式提取样本熵，根据信号自身的特征对点数m和距离r进行选定。

样本熵目的在于改进近似熵存在的缺陷，降低近似熵处理信号所产生的误差，相对近似熵，样本熵的优势主要体现在对于信号序列的长度依赖性小，与原始的信号序列保持更高的一致性，从而体现出其更好的抗干扰能力。

其中，S404中，m取值可以为1或2，r取值可以在0.1～0.25倍的序列的标准差。

本发明的实施例中，支持向量机(SVM)是一种有监督的学习方法，即提供学习样本，然后求解训练样本和学习样本之间的关系，这种方法特别适用于小样本的处理。支持向量机的具体方法如下：

设泵机组两个振动状态的样本为：x_i∈Rⁿ，y_i∈{-1，1}，i＝1，2，...，l，y_i[(ω·x_i)+b]-1≥0，i＝1，2，...，n；

1)线性可分条件下

设两个样本的间隔为2/||ω||，分布在最优平面两侧的样本训练点被称为是支持向量。由Lagrange优化方法将线性最优分类问题转为约束条件：

其中α样本的Lagrange乘子。

在此约束下求以下函数的最大值：

最优分类函数如下：

2)非线性可分条件下

对非线性问题可以转换成高纬空间的线性问题进行求解，选择满足Mercer条件的核函数将非线性问题转化到高纬空间，即将转换为：

此时分类函数变为：

本发明的一个优选实施例中，CSA算法在SVM参数寻优过程中，S5具体可以包括如下步骤：

S501，定义如下优化问题：优化C-SVC中的参数-c，与RBF核函数中的参数-g使得SVM分类准确率达到最高；定义如下决策变量：二维决策变量“-c”和“-g”定义约束条件，其中参数-c的变化范围为(0，100]，参数-g的变化范围为[0，1000]；估计CSA的如下可调参数：群体大小N＝20，最大迭代次数iter_max＝5000，飞行长度fl＝2和感知概率AP＝0.1；

S502，初始化乌鸦的位置和记忆：N只乌鸦随机定位在d维搜索空间中作为鸦群的成员，每只乌鸦作为表示问题的可行解决方案，d是决策变量的数量，其值为2，每个乌鸦的记忆被初始化；

S503，评估适应度功能：对于每一个乌鸦位置的质量通过将决策变量值插入到目标函数中来计算；

S504，生成新的位置：乌鸦i随机地选择乌鸦j，跟着它去发现这只乌鸦所藏食物的位置m^j，从而得到乌鸦i的新位置，对所有的乌鸦重复此过程；

S505，检查新位置的可行性：对每只乌鸦新位置的可行性进行验证，如果新的位置是可行的，那么乌鸦就会更新它的位置，否则，乌鸦会停留在当前位置，不会移动到生成的新位置；

S506，评估新位置的适应度函数：计算每个乌鸦新位置的适应度函数值；

S507，乌鸦的记忆更新方法如下：

若f(x^i，iter+1)比f(m^i，iter)适应度高，则m^i，iter+1＝x^i，iter+1，否则m^i，iter+1＝m^i，iter

其中f()为目标函数值；

即，如果乌鸦新位置的适应度函数值优于记忆位置的适应度函数值，则乌鸦通过新位置更新记忆；

S508，检验终止标准：重复步骤S504-S507，直到到达iter_max，当遇到终止标准时，对目标函数值的最优位置将被报告为优化问题的解决方案。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提供的自适应泵站故障智能诊断方法，针对泵站的故障诊断分类方面，用各种故障数据进行支持向量机分类，分类时采用概念更为简单，而且更易于实现的CSA优化算法对C-SVC中的参数-c，与RBF核函数进行优化。提高了分类准确率，缩短了分类所需要的时间，提高了故障诊断的自适应性。从而提高了泵站故障诊断的效率，解决了现有的分类优化算法中实现时间较长，分类不准确等的问题，进而实现自适应的泵站故障智能诊断方法。另外，本发明在进行分类优化之前，在泵站的故障诊断方面引入了经验模态分解和样本熵理论，从而进一步提高了水泵机组故障发生类型的诊断准确率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种自适应泵站故障智能诊断方法，其特征在于，包括如下步骤：

S1，确定泵站故障的分类准确率作为故障诊断的最终目标；

S2，采集设备信号，并对信号进行降噪处理，得到降噪后的信号，

S3，对降噪后的信号进行经验模态分解，得到分解出的本征模函数；

S4，对所述本征模函数进行样本熵提取；

S5，利用不同信号的样本熵进行支持向量机分类，分类过程中，采用乌鸦搜索算法对C-SVC中的参数-c，与RBF核函数中的参数-g进行优化，得到最高的分类准确率，进而得到最优分类效果的智能化故障诊断。

2.根据权利要求1所述的自适应泵站故障智能诊断方法，其特征在于，

S2具体为，水泵机组使用电容式传感器采集机组信息，由传感器所转换而来的连续性电流电压信号，经过A/D转换器的采样、量化、编码后转化成数字信号，对然后对数字信号进行小波硬阈值降噪，得到降噪后的信号。

3.根据权利要求2所述的自适应泵站故障智能诊断方法，其特征在于，所述对数字信号进行小波硬阈值降噪，采用如下的函数进行处理：

式中，ω为含噪信号小波变化系数，预先选设阈值为T；

比较含噪信号的小波变化系数ω与预设值T的大小，若小于T，则输出为零，反之，对其进行阈值函数处理。

4.根据权利要求3所述的自适应泵站故障智能诊断方法，其特征在于，S3包括如下步骤：

S301，获取泵站机组振动信号x(t)的极大值、极小值，采用三次样条曲线插值得到信号的上下包络线x_h(t)和x_i(t)，上下包络线需要满足信号中所有的点均在两线之间，采用如下公式计算上下包络线的均值：

S302，设第一次经从原始信号中分离出的变量为x₁(t)，其分离过程如下：

x₁(t)＝x(t)-x_m(t)

如果x₁(t)满足如下两个条件：

1)|M-N|≤1

2)

其中，N为函数在整个时间范围内的局部极点个数，M为零点的数目，X为上包络线的均值，Y为下包络线的均值；

则将此时分离出的这一分量记为c₁(t)；

若x₁(t)不满足式1)2)所示的两个条件，则重复S301-S302两个步骤，直到找到信号的第一个满足式1)2)所示条件的本征模态函数；

S303，从原始的振动信号分离出c₁(t)以后，信号的剩余量记作r₁(t)则有；

r₁(t)＝x₁(t)-c₁(t)

S304，重复S301-S303，直到将所有的本征模态分量全部分离原信号，这n个分量分别记c₁(t)，...c_n(t)。

5.根据权利要求4所述的自适应泵站故障智能诊断方法，其特征在于，S4中，对于机组的振动信号，其中N个数据组成一个时间序列{x_n}＝{x(1)，x(2)，...x(N)}计算其样本熵的过程包括如下步骤：

S401，按序号组成一组向量序列X_m(1)，X_m(2)...X_m(N-m+1)，其维数为m，其中，X_m(i)＝{X(i)，X(i+1)...X(i-m+1)]，1≤i≤N-m+1，

式中，X_m(i)为从点i起的m个连续x值；

S402，向量X_m(i)和X_m(j)之间对应元素中的差值，其中，绝对值最大的定义为距离d[X_m(i)，X_m(j)]＝max_{k＝0，1，...m-1}(|x(i+k)-x(j+k)|)；

S403，对于给定的X_m(i)统计X_m(i)与X_m(j)之间距离小于等于r的j(1≤j≤N-M，j≠i)的数目，并记做B_i，

对于1≤i≤N-m，定义为：

定义B^m(r)为：

S404，增加维数到m+1，计算X_m+1(i)与X_m+1(j)(1≤j≤N-m，j≠i)距离小于等于r的个数，记为A_i，定义为：

B^m(r)是匹配m个点的概率，A^m(r)是两个序列匹配m+1个点的概率，在相似容限r下，样本熵定义为：

根据上述样本熵的定义式提取样本熵，根据信号自身的特征对点数m和距离r进行选定。

6.根据权利要求5所述的自适应泵站故障智能诊断方法，其特征在于，S404中，m取值为1或2，r取值在0.1～0.25倍的序列的标准差。

7.根据权利要求5所述的自适应泵站故障智能诊断方法，其特征在于，S5具体包括如下步骤：

S501，定义如下优化问题：优化C-SVC中的参数-c，与RBF核函数中的参数-g使得SVM分类准确率达到最高；定义如下决策变量：二维决策变量“-c”和“-g”定义约束条件，其中参数-c的变化范围为(0，100]，参数-g的变化范围为[0，1000]；估计CSA的如下可调参数：群体大小N＝20，最大迭代次数iter_max＝5000，飞行长度fl＝2和感知概率AP＝0.1；

S502，初始化乌鸦的位置和记忆：N只乌鸦随机定位在d维搜索空间中作为鸦群的成员，每只乌鸦作为表示问题的可行解决方案，d是决策变量的数量，其值为2，每个乌鸦的记忆被初始化；

S503，评估适应度功能：对于每一个乌鸦位置的质量通过将决策变量值插入到目标函数中来计算；

S504，生成新的位置：乌鸦i随机地选择乌鸦j，跟着它去发现这只乌鸦所藏食物的位置m^j，从而得到乌鸦i的新位置，对所有的乌鸦重复此过程；

S505，检查新位置的可行性：对每只乌鸦新位置的可行性进行验证，如果新的位置是可行的，那么乌鸦就会更新它的位置，否则，乌鸦会停留在当前位置，不会移动到生成的新位置；

S506，评估新位置的适应度函数：计算每个乌鸦新位置的适应度函数值；

S507，乌鸦的记忆更新方法如下：

若f(x^i，iter+1)比f(m^i，iter)适应度高，则m^i，iter+1＝x^i，iter+1，否则m^i，ite^r+1＝m^i，iter

其中f()为目标函数值；

即，如果乌鸦新位置的适应度函数值优于记忆位置的适应度函数值，则乌鸦通过新位置更新记忆；

S508，检验终止标准：重复步骤S504-S507，直到到达iter_max，当遇到终止标准时，对目标函数值的最优位置将被报告为优化问题的解决方案。