CN109828860A - 一种基于gsa优化svm的故障诊断方法 - Google Patents
一种基于gsa优化svm的故障诊断方法 Download PDFInfo
- Publication number
- CN109828860A CN109828860A CN201910102990.2A CN201910102990A CN109828860A CN 109828860 A CN109828860 A CN 109828860A CN 201910102990 A CN201910102990 A CN 201910102990A CN 109828860 A CN109828860 A CN 109828860A
- Authority
- CN
- China
- Prior art keywords
- particle
- gsa
- svm
- diagnosing faults
- formula
- 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.)
- Withdrawn
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进万有引力搜索(GSA)和支持向量机(SVM)的故障诊断方法,包括:对所获取的数据集进行标准化预处理,获取经过标准化预处理后的训练数据集;根据所述训练数据集对支持向量机(SVM)进行训练学习,并通过万有引力搜索优化算法(GSA)对设置的初始参数(惩罚参数C及内核参数g)进行数据分析以获取目标参数,确定目标参数对应的GSA‑SVM故障诊断模型。从监测节点获取与待监测的多个压缩机中每个压缩机内的特征气阀数据;利用所述目标参数对应的SVM故障诊断模型对压缩机气阀的特征数据进行分析,确定气阀的故障类型。通过该模型,可对气阀故障数据进行分类预处理,然后在分类数据结果的基础上进行混合诊断,对SVM的惩罚参数(C)及内核参数(g)的选取和GSA优化SVM时陷入局部最优的问题引入粒子群(PSO)算法中的惯性权重和全局记忆性等进行优化,减少故障诊断的分类时间、提高故障诊断的准确率,提高算法的适用性。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种基于GSA优化SVM的故障诊断方法。
背景技术
故障诊断技术在石化工业往复压缩机中得到了广泛运用,对于保证机器安全稳定运行起到了重要作用。往复式压缩机是一种在石油、化工、新能源等行业中广泛使用的重要机械设备。因其机械结构复杂,在工作过程中容易发生故障,若无法及时地排除故障,则可能导致压缩机损毁,从而造成巨大的经济损失。因此,对往复式压缩机的故障诊断和预测显得尤为重要。
往复式压缩机故障多发的部位由动力传递部分、气体进出及其密封部分和辅助部分等三大部分组成。其中,故障高发的零部件有气阀、活塞环、填料函等。而气阀是往复式压缩机的重要组成部件,其工作状态的好坏直接影响整个压缩机的运行。据压缩机故障概率统计,其中36%以上为气阀故障,因其故障引起的停机次数占总停机次数51%以上,远远高于其它零部件的故障率。可见对气阀故障的深入研究,对于压缩机运行的稳定性具有举足轻重的意义。
往复式压缩机结构复杂,气阀隐藏在设备内部。气阀一旦出现故障,无法直接观测得到。通常使用BP(back propagation)神经网络、径向基函数(Radial Basis Function,RBF)网络回归、自组织映射(Self-organizing Maps,SOM)以及小波去噪等算法进行简单的故障诊断。但由于往复式压缩机对象具有形态、故障类别的多样性,使得简单的故障诊断方法难以对设备的多故障类别进行特征分类和有效诊断,易出现故障诊断算法精确度不高,应用性较差等特点。
发明内容
为了解决上述问题,本发明提供一种分类准确率高、分类时间短、数据传输量高,算法稳定性好的基于GSA优化SVM的故障诊断方法,包括以下步骤,
S1:参数初始化;
S2:计算粒子的适应值;
S3:计算粒子的引力常数,计算粒子的欧式距离,计算粒子的惯性质量;
S4:计算粒子的各个方向上力的总和以及加速度;
S5:计算粒子的速度和位置;
S6:判断是否满足边界条件,若是则结束,若否则转S3。
进一步的,
所述参数初始化包括,
设定n维的搜索空间中有N个粒子,定义第i个粒子i=1,2,…,N的位置为:
式中,代表第i个粒子在第d维上的位置,粒子的初始位置随机产生。
进一步的,
计算粒子的引力常数采用以下公式,
式中,G0是在t时刻的引力常数;α设为20;T是最大迭代次数;
计算粒子的欧式距离采用以下公式,
Rij(t)=||Xi(t),Xj(t)||2;
计算粒子的惯性质量采用以下公式,
Mai=Mpi=Mii=Mi,i=1,2,…,N,
式中,求解最大值时,
求解最小值时,
进一步的,
采用以下公式计算粒子的速度和位置,
式中,randi为随机数,d为维度。
进一步的,
若迭代次数大于预设值,则采用以下公式计算粒子的位置,
其中,i,j代表不同粒子;kbest(t)表示在第t次迭代时,粒子的数量,
若xi<xmin或xi>xmax,
xi=rand×(xmax-xmin)+xmin。
本发明的有益效果
本发明基于改进万有引力搜索(GSA)和支持向量机(SVM)的故障诊断方法,通过实验仿真,对故障数据进行分类预处理,然后在分类数据结果的基础上进行混合诊断,对SVM的惩罚参数(C)及内核参数(g)的选取和GSA优化SVM时陷入局部最优的问题引入粒子群(PSO)算法中的惯性权重和全局记忆性等进行优化,减少故障诊断的分类时间、提高故障诊断的准确率,提高算法的适用性。
附图说明
图1为本发明一实施例基于改进GSA和SVM的故障诊断方法流程图。
具体实施方式
本发明解决背景技术中问题的发明思路之一是:
本发明采用粒子群算法对万有引力搜索和支持向量机算法进行优化,通过实验仿真对故障类型进行分组预处理,然后在此基础上对C和g等参数进行优化改进,减少分类时间、提高分类准确率高和算法稳定性等。
为了解决上述问题,本发明提供一种分类准确率高、分类时间短、数据传输量高,算法稳定性好的基于改进GSA优化SVM的故障诊断方法,包括以下步骤,
Step1:参数初始化;
Step2:计算粒子的适应值,找出粒子的最优解和最优位置;
Step3:更新引力常数,计算出欧式距离,最后更新惯性质量;
Step4:计算粒子各个方向上力的总和以及加速度;
Step5:更新粒子的速度和位置;
Step6:判断是否满足边界条件;
Step7:返回Step2循环迭代,直到达到最大迭代次数或精度要求;
Step8:结束循环,输出结果。
进一步的,求解粒子的速度和位置的最优解,包括如下步骤:
假设在一个n维的搜索空间中有N个粒子,定义第i个粒子i=1,2,…,N的位置为:
式中,代表第i个粒子在第d维上的位置,该算法粒子的初始位置是随机产生的。在某t时刻,根据牛顿万有引力定律,粒子i和粒子j之间的万有引力大小为:
式中,Mpi(t)和Maj(t)分别被作用粒子i的惯性质量和作用粒子j的惯性质量;
ε是一个极小的常量;
G(t)是在t时刻的引力常数;
Rij(t)是粒子i与粒子j之间的欧氏距离。
Rij(t)=||Xi(t),Xj(t)||2 (4)
式中,G0是在t时刻的引力常数,数值为100;α设为20;T是最大迭代次数,在本发明一实施例中设为100。
惯性质量是按其适应值的大小来计算,粒子的惯性质量越大,就表示它越接近最优值。
Mai=Mpi=Mii=Mi,i=1,2,…,N (5)
在GSA算法中,根据(11)—(13)式更新粒子的惯性质量;式中,是粒子的惯性质量;代表在时刻第个粒子的适应值大小。
式中,求解最大值时:
求解最小值时:
在引力搜索算法中,为了增加算法的随机特性,在作用力前面加上随机函数,假设第i个粒子维上的作用力是其他所有粒子作用力的总和,根据牛顿第二定律,那么粒子的加速度为:
最后,对每一次的迭代过程,粒子i都以(13)和(14)更新它的速度和位置:
式中,randi为随机数。
为了避免算法陷入局部最优,提高优化效率,随着迭代次数的增加,算法进行了如下优化:
若xi<xmin或xi>xmax:
xi=rand×(xmax-xmin)+xmin (18)
在本发明中,计算粒子的适应值指找出粒子的最优解Fbest和最优粒子的位置gdbest。
在本发明中,边界条件指,在GSA迭代的过程中,粒子在万有引力定律和牛顿第二定律的作用下若其位置超过设定范围[xmin,xmax]之外标准的GSA会强制粒子回到边界处,若粒子过多地聚集到可行域的边界上,这不利于GSA收敛.为提高GSA算法的收敛性,引入边界条件,具体如下:
若xi<xmin或xi>xmax:
xi=rand×(xmax-xmin)+xmin。
在本发明一实施例中,选取田纳西-伊斯曼(Tennessee Eastman,TE)数据集进行仿真实验,其产生的数据具有时变、强耦合和非线性特征,广泛用于测试复杂工业过程的控制和故障诊断模型。
表1过程操作变量
整个TE数据集由训练集和测试集构成,TE集中的数据由22次不同的仿真运行数据构成,TE集中每个样本都有52个观测变量。d00.dat至d21.dat为训练集样本,d00_te.dat至d21_te.dat为测试集样本。d00.dat和d00_te.dat为正常工况下的样本。d00.dat训练样本是在25h运行仿真下获得的。观测数据总数为500。而d00_te.dat测试样本是在48h运行仿真下获得的,观测数据总数为960。d01.dat至d21.dat为带有故障的训练集样本,d01_te.dat至d21_te.dat为带有故障的测试集样本。每个训练集\测试样本代表一种故障。带有故障的测试集样本是在48h运行仿真下获得的,故障在8h的时候引入,共采集960个观测值,其中前160个观测值为正常数据。
表2分类器的初始参数设置
表3分类器对TE数据集的分类结果
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (5)
1.一种基于GSA优化SVM的故障诊断方法,其特征在于,包括以下步骤,
S1:参数初始化;
S2:计算粒子的适应值;
S3:计算粒子的引力常数,计算粒子的欧式距离,计算粒子的惯性质量;
S4:计算粒子的各个方向上力的总和以及加速度;
S5:计算粒子的速度和位置;
S6:判断是否满足边界条件,若是则结束,若否则转S3。
2.如权利要求1所述的一种基于GSA优化SVM的故障诊断方法,其特征在于,
所述参数初始化包括,
设定n维的搜索空间中有N个粒子,定义第i个粒子i=1,2,…,N的位置为:
式中,代表第i个粒子在第d维上的位置,粒子的初始位置随机产生。
3.如权利要求2所述的一种基于GSA优化SVM的故障诊断方法,其特征在于,
计算粒子的引力常数采用以下公式,
式中,G0是在t时刻的引力常数;α设为20;T是最大迭代次数;
计算粒子的欧式距离采用以下公式,
Rij(t)=||Xi(t),Xj(t)||2;
计算粒子的惯性质量采用以下公式,
Mai=Mpi=Mii=Mi,i=1,2,…,N,
式中,求解最大值时,
求解最小值时,
4.如权利要求3所述的一种基于GSA优化SVM的故障诊断方法,其特征在于,
采用以下公式计算粒子的速度和位置,
式中,randi为随机数,d为维度。
5.如权利要求4所述的一种基于GSA优化SVM的故障诊断方法,其特征在于,
若迭代次数大于预设值,则采用以下公式计算粒子的位置,
其中,i,j代表不同粒子;kbest(t)表示在第t次迭代时,粒子的数量,
若xi<xmin或xi>xmax,
xi=rand×(xmax-xmin)+xmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102990.2A CN109828860A (zh) | 2019-02-01 | 2019-02-01 | 一种基于gsa优化svm的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102990.2A CN109828860A (zh) | 2019-02-01 | 2019-02-01 | 一种基于gsa优化svm的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109828860A true CN109828860A (zh) | 2019-05-31 |
Family
ID=66863243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102990.2A Withdrawn CN109828860A (zh) | 2019-02-01 | 2019-02-01 | 一种基于gsa优化svm的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828860A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991011A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
CN111343171A (zh) * | 2020-02-19 | 2020-06-26 | 重庆邮电大学 | 一种基于支持向量机的混合特征选择的入侵检测方法 |
CN112285541A (zh) * | 2020-09-21 | 2021-01-29 | 南京理工大学 | 一种电流频率转换电路的故障诊断方法 |
CN112345252A (zh) * | 2020-11-22 | 2021-02-09 | 国家电网有限公司 | 一种基于eemd和改进gsa-som神经网络的滚动轴承故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
-
2019
- 2019-02-01 CN CN201910102990.2A patent/CN109828860A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824135A (zh) * | 2014-03-11 | 2014-05-28 | 合肥工业大学 | 一种模拟电路故障预测方法 |
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
梅恒荣等: "改进引力搜索算法优化的SVM模拟电路故障诊断", 《微电子学与计算机》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991011A (zh) * | 2019-11-14 | 2020-04-10 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
CN110991011B (zh) * | 2019-11-14 | 2023-05-02 | 广东电网有限责任公司 | 一种变压器实时热点温度预测方法 |
CN111343171A (zh) * | 2020-02-19 | 2020-06-26 | 重庆邮电大学 | 一种基于支持向量机的混合特征选择的入侵检测方法 |
CN111343171B (zh) * | 2020-02-19 | 2022-08-05 | 重庆邮电大学 | 一种基于支持向量机的混合特征选择的入侵检测方法 |
CN112285541A (zh) * | 2020-09-21 | 2021-01-29 | 南京理工大学 | 一种电流频率转换电路的故障诊断方法 |
CN112345252A (zh) * | 2020-11-22 | 2021-02-09 | 国家电网有限公司 | 一种基于eemd和改进gsa-som神经网络的滚动轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109828860A (zh) | 一种基于gsa优化svm的故障诊断方法 | |
CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
CN107231436B (zh) | 一种进行业务调度的方法和装置 | |
CN106934157B (zh) | 基于支持向量机和多体动力学仿真的高压断路器识别方法 | |
Sun et al. | Parameter selection of quantum-behaved particle swarm optimization | |
CN109753998A (zh) | 基于对抗式生成网络的故障检测方法及系统、计算机程序 | |
CN108334059A (zh) | 基于粒子群算法优化bp神经网络模型故障诊断方法 | |
CN110324316A (zh) | 一种基于多种机器学习算法的工控异常行为检测方法 | |
CN110348615B (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
WO2022156110A1 (zh) | 一种基于机器学习的蠕变疲劳寿命预测方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN109376801A (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
CN108376286A (zh) | 一种设备故障诊断装置及系统 | |
CN109489977A (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
CN110046409A (zh) | 一种基于ResNet的汽轮机部件健康状态评估方法 | |
CN110414152A (zh) | 民机试飞振动故障预测模型和预测系统 | |
Mohi-Aldeen et al. | Application of Negative Selection Algorithm (NSA) for test data generation of path testing | |
Ahmed et al. | Feature selection and fault classification of reciprocating compressors using a genetic algorithm and a probabilistic neural network | |
Mao et al. | Swarm intelligence-based test data generation for structural testing | |
CN108171271A (zh) | 一种设备劣化早期预警方法和系统 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
CN108536877B (zh) | 风力发电机组振动程度的评估方法与系统 | |
Yuill et al. | Evaluation of fault detection and diagnostics tools by simulation results of multiple vapor compression systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190531 |
|
WW01 | Invention patent application withdrawn after publication |