CN110007661A - 一种锅炉燃烧控制系统智能故障诊断方法 - Google Patents

Abstract

本发明属于锅炉燃烧控制技术领域，尤其涉及一种锅炉燃烧控制系统智能故障诊断方法。该方法让预先训练的多个检测模型与实际锅炉燃烧控制系统并行工作，分别比较各个预先训练的检测模型与实际锅炉燃烧控制系统的输出，得到多个残差曲线；对每一残差曲线进行分析，如果残差曲线中某一时间点/时间段的差值超过预定阈值，对该残差曲线所属的锅炉燃烧控制系统的部位发出故障预警信息；预先训练的多个检测模型为使用SVR学习方法基于锅炉燃烧控制系统的预设历史时间段内的可测量数据构建的多个模型，并采用GWO算法对构建的每一模型进行优化训练后的模型。该方法可使锅炉燃烧控制系统的故障诊断效率更高，技术人员能及时发现故障，提高锅炉运行安全性。

Description

一种锅炉燃烧控制系统智能故障诊断方法

技术领域

本发明属于锅炉燃烧控制技术领域，尤其涉及一种锅炉燃烧控制系统智能故障诊断方法。

背景技术

锅炉燃烧控制系统是表征生产过程的主要工艺流程，同时，也是保证锅炉安全运行的主要条件之一。锅炉燃烧控制系统主要调节主蒸汽压力、烟气含氧量、炉膛负压三个被控量。主蒸汽压力是衡量锅炉的蒸汽生产量与负荷设备的蒸汽消耗量是否平衡的重要指标，是蒸汽的重要工艺参数，主蒸汽压力过低或过高，对于金属导管和负荷设备都是不利的，压力过高，会导致锅炉受损，压力过低，就不可能提供给负荷设备负荷质量的蒸汽。烟气氧含量是锅炉运行重要监控参数之一，同时也是反映燃烧设备与锅炉运行完善程度的重要依据，烟气含氧量过大则表明空气量送入过大，各大风机的出力过大，消耗电能增加，过量的空气造成炉温下降，不但影响燃烧，还会带走大量的热量和灰尘，增大污染排放浓度，烟气含氧量过小则表明空气量送入过小，会使得煤粉燃烧不够充分，会使炉子的燃烧稳定性降低，不利于炉膛的安全。炉膛负压是反映燃烧工况稳定与否的重要参数，是运行中要控制和监视的重要参数之一，锅炉炉膛负压太大，说明引风机抽吸力过大，将增加炉膛及烟道的漏风，使烟气量增加，受热面烟速加快，锅炉效率降低，尤其是锅炉低负荷运行或燃烧不稳时，很可能由于炉膛负压太大使锅炉灭火，炉膛负压小甚至变为正压，会使火焰及飞灰从炉膛不严处冒出，造成危及人身及设备安全。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种锅炉燃烧控制系统智能故障诊断方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种锅炉燃烧控制系统智能故障诊断方法，包括以下步骤，

101，让预先训练的多个检测模型与实际锅炉燃烧控制系统并行工作，分别比较各个预先训练的检测模型与实际锅炉燃烧控制系统的输出，得到多个残差曲线；

102，对每一残差曲线进行分析，如果残差曲线中某一时间点/时间段的差值超过预定阈值，对该残差曲线所属的锅炉燃烧控制系统的部位发出故障预警信息；

其中，步骤101中的预先训练的多个检测模型为使用支持向量回归(SVR)学习方法基于锅炉燃烧控制系统的预设历史时间段内的可测量数据构建的多个模型，并采用灰狼优化(GWO)算法对构建的每一模型进行优化训练后的模型。

具体地，在步骤101之前，锅炉燃烧控制系统智能故障诊断方法还包括，

获取预先训练的多个检测模型，其包括以下步骤：

101a-1，预设采样时间，采集锅炉燃烧控制系统中的可测量数据，构成样本数据集；

101a-2，利用样本数据集，通过SVR学习方法构建锅炉燃烧控制系统的多个初始检测模型；

101a-3，利用GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ，分别得到多个初始检测模型最优的核函数σ与惩罚因子γ，带入核函数σ与惩罚因子γ的多个初始检测模型即为预先训练的多个检测模型。

具体地，步骤101a-1中，锅炉燃烧控制系统中的可测量数据包括P_r、P、E_p、R、O_r、O、E_O、G、F、N_r、N、E_n十二个变量，其中，P_r为主蒸汽压力设定值、P为主蒸汽压力实测值、E_p为主蒸汽压力调节器输出信号、R为给煤机转速、O_r为烟气含氧量设定值、O为烟气含氧量实测值、E_O为氧量调节器输出信号、G为送风机动叶开度、F为实际送风量、N_r为炉膛负压设定值、N为炉膛负压实测值、E_n为负压调节器输出信号。

具体地，可测量数据为离线数据。

具体地，步骤101中预先训练的多个检测模型具体为七个，分别为，

压力调节器检测模型(x₁)：E_p＝f(P_r-P)＝f(P^*)；

压力变送器检测模型(x₂)：P＝f(P_r)；

氧量调节器检测模型(x₃)：E_o＝f(O_r-O+R)＝f(O^*)；

氧量变送器检测模型(x₄)：O＝f(O_r)；

风量变送器检测模型(x₅)：F＝f(G)；

负压调节器检测模型(x₆)：E_n＝f(N_r-N+F)＝f(N^*)；

负压变送器检测模型(x₇)：N＝f(N_r)；

其中，P_r为主蒸汽压力设定值、P为主蒸汽压力实测值、E_p为主蒸汽压力调节器输出信号、R为给煤机转速、O_r为烟气含氧量设定值、O为烟气含氧量实测值、E_O为氧量调节器输出信号、G为送风机动叶开度、F为实际送风量、N_r为炉膛负压设定值、N为炉膛负压实测值、E_n为负压调节器输出信号。

具体地，步骤102包括：

若压力调节器检测模型与压力变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出压力调节器故障的信息；

若压力调节器检测模型所属的残差曲线和实际运行的差值在阈值内，压力变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出压力变送器出现故障的信息；

若氧量调节器检测模型与氧量变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出氧量调节器故障的信息；

若氧量调节器检测模型所属的残差曲线和实际运行的差值在阈值内，氧量变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出氧量变送器出现故障的信息；

若风量变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出风量变送器故障的信息；

若负压调节器检测模型与负压变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出负压调节器故障的信息；

若负压调节器检测模型所属的残差曲线和实际运行的差值在阈值内，负压变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出负压变送器故障的信息。

具体地，步骤101a-3中，利用GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ，具体包括以下步骤，

101a-3-1，初始化GWO算法参数，包括种群规模N，最大迭代次数t_max，核函数σ与惩罚因子γ的取值范围，求出种群中每一个灰狼的适应度值，依照适应度值从大到小将所述狼群个体分为α，β，δ，ω四组，其中位置最优的定义为α狼，位置次优的定义为β狼和δ狼，所述N个灰狼个体中除了α，β，δ外其他的狼定义为ω狼；

101a-3-2，由α狼，β狼，δ狼寻找猎物位置，在捕食过程中，由式(1)确定α狼，β狼，δ狼与猎物间的距离；式(2)则表示灰狼个体的更新方式；其中，式(3)中收敛因子a随着迭代次数从2线性递减到0，t_max为最大迭代次数；式(4)中，A，C为系数向量；r₁和r₂均为[0，1]的随机数；|A|＞1对应于全局搜索；|A|＜1对应于局部搜索；

D＝|C·X_P(t)-X(t)| (1)

X(t+1)＝X_P(t)-A·D (2)

A＝2a·r₂-a，C＝2r₁ (4)

式中，t表示种群当前迭代次数；式(1)、(2)中X_P代表猎物位置；X代表灰狼个体位置；D表示α狼，β狼，δ狼与猎物间的距离；

101a-3-3，当灰狼判断出猎物位置时，此时α狼，β狼，δ狼总是最靠近猎物的，式(5)-(7)中，X_α，X_β，X_δ分别表示α狼，β狼，δ狼当前位置，X(t)表示当前灰狼位置，D_α，D_β和D_δ表示α狼，β狼，δ狼与猎物间的距离；

D_α＝|C₁·X_α(t)-X(t)| (5)

D_β＝|C₂·X_β(t)-X(t)| (6)

D_δ＝|C₃·X_δ(t)-X(t)| (7)

ω狼可依据α狼，β狼，δ狼的方位推算出猎物的大概位置，从而靠近猎物，ω狼朝向α狼，β狼，δ狼移动的位置的数学表达式如式(8)-(10)：

X₁＝X_α-A₁·D_α (8)

X₂＝X_β-A₂·D_β (9)

X₃＝X_δ-A₃·D_δ (10)

式(11)为按平均值计算的ω狼的最终位置，至此，N个灰狼个体的位置都得到了更新；

101a-3-4，重新计算位置经过更新后的N个灰狼个体的适应度值，若优于前次迭代最优适应度值，则保留更新后的位置，否则保留前次迭代的最优适应度值，然后依照适应度值从大到小将灰狼个体重新分为α，β，δ，ω四组，其中位置最优的仍然定义为α狼，位置次优的仍然定义为β狼和δ狼，N个灰狼个体中除了α，β，δ外其他的狼仍然定义为ω狼；

101a-3-5，由α狼，β狼，δ狼的位置再次作为寻找猎物位置的基准，迭代更新下一代个体的位置，重复101a-3-2到101a-3-4的步骤，最终寻找到猎物位置，实现捕获猎物的任务，此时，α狼的最终位置即为SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ。

(三)有益效果

本发明的有益效果是：本发明提供的锅炉燃烧控制系统智能故障诊断方法，该方法通过GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ，可以使锅炉燃烧控制系统的故障诊断效率更高，以便技术人员能够及时发现处理故障，提高锅炉运行的安全性。

附图说明

图1为锅炉燃烧控制系统智能故障诊断方法流程图；

图2为GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ的流程图；

图3为锅炉燃烧控制系统方框图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

一种锅炉燃烧控制系统智能故障诊断方法，如图1所示，包括以下步骤，

101，让预先训练的多个检测模型与实际锅炉燃烧控制系统并行工作，分别比较各个预先训练的检测模型与实际锅炉燃烧控制系统的输出，得到多个残差曲线；

102，对每一残差曲线进行分析，如果残差曲线中某一时间点/时间段的差值超过预定阈值，对该残差曲线所属的锅炉燃烧控制系统的部位发出故障预警信息；

其中，步骤101中的预先训练的多个检测模型为使用支持向量回归(SVR)学习方法基于锅炉燃烧控制系统的预设历史时间段内的可测量数据构建的多个模型，并采用灰狼优化(GWO)算法对构建的每一模型进行优化训练后的模型。

其中，在步骤101之前，锅炉燃烧控制系统智能故障诊断方法还包括，

获取预先训练的多个检测模型，其包括以下步骤：

101a-1，预设采样时间，采集锅炉燃烧控制系统中的可测量数据，构成样本数据集；

101a-2，利用样本数据集，通过SVR学习方法构建锅炉燃烧控制系统的多个初始检测模型；

101a-3，利用GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ，分别得到多个初始检测模型最优的核函数σ与惩罚因子γ，带入核函数σ与惩罚因子γ的多个初始检测模型即为预先训练的多个检测模型。

其中，步骤101a-1中，锅炉燃烧控制系统中的可测量数据包括P_r、P、E_p、R、O_r、O、E_O、G、F、N_r、N、E_n十二个变量，其中，P_r为主蒸汽压力设定值、P为主蒸汽压力实测值、E_p为主蒸汽压力调节器输出信号、R为给煤机转速、O_r为烟气含氧量设定值、O为烟气含氧量实测值、E_O为氧量调节器输出信号、G为送风机动叶开度、F为实际送风量、N_r为炉膛负压设定值、N为炉膛负压实测值、E_n为负压调节器输出信号。

其中，可测量数据为离线数据。

其中，步骤101中预先训练的多个检测模型具体为七个，七个检测模型分别与锅炉燃烧控制系统的几个变送器、调节器相对应，如图3所示，分别为，

压力调节器检测模型(x₁)：X_p＝f(P_r-P)＝f(P^*)；

压力变送器检测模型(x₂)：P＝f(P_r)；

氧量调节器检测模型(x₃)：E_o＝f(O_r-O+R)＝f(O^*)；

氧量变送器检测模型(x₄)：O＝f(O_r)；

风量变送器检测模型(x₅)：F＝f(G)；

负压调节器检测模型(X₆)：E_n＝f(N_r-N+F)＝f(N^*)；

负压变送器检测模型(x₇)：N＝f(N_r)；

其中，P_r为主蒸汽压力设定值、P为主蒸汽压力实测值、E_p为主蒸汽压力调节器输出信号、R为给煤机转速、O_r为烟气含氧量设定值、O为烟气含氧量实测值、E_O为氧量调节器输出信号、G为送风机动叶开度、F为实际送风量、N_r为炉膛负压设定值、N为炉膛负压实测值、E_n为负压调节器输出信号。

其中，步骤102包括：

若压力调节器检测模型与压力变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出压力调节器故障的信息；

若压力调节器检测模型所属的残差曲线和实际运行的差值在阈值内，压力变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出压力变送器出现故障的信息；

若氧量调节器检测模型与氧量变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出氧量调节器故障的信息；

若氧量调节器检测模型所属的残差曲线和实际运行的差值在阈值内，氧量变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出氧量变送器出现故障的信息；

若风量变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出风量变送器故障的信息；

若负压调节器检测模型与负压变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出负压调节器故障的信息；

若负压调节器检测模型所属的残差曲线和实际运行的差值在阈值内，负压变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出负压变送器故障的信息。

其中，步骤101a-3中，利用GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ，具体包括以下步骤，如图2所示，

101a-3-1，初始化GWO算法参数，包括种群规模N，最大迭代次数t_max，核函数σ与惩罚因子γ的取值范围，求出种群中每一个灰狼的适应度值，依照适应度值从大到小将所述狼群个体分为α，β，δ，ω四组，其中位置最优的定义为α狼，位置次优的定义为β狼和δ狼，所述N个灰狼个体中除了α，β，δ外其他的狼定义为ω狼；

101a-3-2，由α狼，β狼，δ狼寻找猎物位置，在捕食过程中，由式(1)确定α狼，β狼，δ狼与猎物间的距离；式(2)则表示灰狼个体的更新方式；其中，式(3)中收敛因子a随着迭代次数从2线性递减到0，t_max为最大迭代次数；式(4)中，A，C为系数向量；r₁和r₂均为[0，1]的随机数；|A|＞1对应于全局搜索；|A|＜1对应于局部搜索；

D＝|C·X_P(t)-X(t)| (1)

X(t+1)＝X_P(t)-A·D (2)

A＝2a·r₂-a，C＝2r₁ (4)

式中，t表示种群当前迭代次数；式(1)、(2)中X_P代表猎物位置；X代表灰狼个体位置；D表示α狼，β狼，δ狼与猎物间的距离；

101a-3-3，当灰狼判断出猎物位置时，此时α狼，β狼，δ狼总是最靠近猎物的，式(5)-(7)中，X_α，X_β，X_δ分别表示α狼，β狼，δ狼当前位置，X(t)表示当前灰狼位置，D_α，D_β和D_δ表示α狼，β狼，δ狼与猎物间的距离；

D_α＝|C₁·X_α(t)-X(t)| (5)

D_β＝|C₂·X_β(t)-X(t)| (6)

D_δ＝|C₃·X_δ(t)-X(t)| (7)

ω狼可依据α狼，β狼，δ狼的方位推算出猎物的大概位置，从而靠近猎物，ω狼朝向α狼，β狼，δ狼移动的位置的数学表达式如式(8)-(10)：

X₁＝X_α-A₁·D_α (8)

X₂＝X_β-A₂·D_β (9)

X₃＝X_δ-A₃·D_δ (10)

式(11)为按平均值计算的ω狼的最终位置，至此，N个灰狼个体的位置都得到了更新；

101a-3-4，重新计算位置经过更新后的N个灰狼个体的适应度值，若优于前次迭代最优适应度值，则保留更新后的位置，否则保留前次迭代的最优适应度值，然后依照适应度值从大到小将灰狼个体重新分为α，β，δ，ω四组，其中位置最优的仍然定义为α狼，位置次优的仍然定义为β狼和δ狼，N个灰狼个体中除了α，β，δ外其他的狼仍然定义为ω狼；

101a-3-5，由α狼，β狼，δ狼的位置再次作为寻找猎物位置的基准，迭代更新下一代个体的位置，重复101a-3-2到101a-3-4的步骤，最终寻找到猎物位置，实现捕获猎物的任务，此时，α狼的最终位置即为SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ。

以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (7)

1.一种锅炉燃烧控制系统智能故障诊断方法，其特征在于，包括以下步骤，

101，让预先训练的多个检测模型与实际锅炉燃烧控制系统并行工作，分别比较各个所述预先训练的检测模型与所述实际锅炉燃烧控制系统的输出，得到多个残差曲线；

102，对所述每一残差曲线进行分析，如果所述残差曲线中某一时间点/时间段的差值超过预定阈值，对该残差曲线所属的锅炉燃烧控制系统的部位发出故障预警信息；

其中，所述步骤101中的预先训练的多个检测模型为使用支持向量回归(SVR)学习方法基于所述锅炉燃烧控制系统的预设历史时间段内的可测量数据构建的多个模型，并采用灰狼优化(GWO)算法对构建的每一所述模型进行优化训练后的模型。

2.根据权利要求1所述的锅炉燃烧控制系统智能故障诊断方法，其特征在于，

在所述步骤101之前，所述锅炉燃烧控制系统智能故障诊断方法还包括，获取所述预先训练的多个检测模型，其包括以下步骤：

101a-1，预设采样时间，采集所述锅炉燃烧控制系统中的可测量数据，构成样本数据集；

101a-2，利用样本数据集，通过SVR学习方法构建锅炉燃烧控制系统的多个初始检测模型；

101a-3，利用GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ，分别得到多个初始检测模型最优的核函数σ与惩罚因子γ，带入核函数σ与惩罚因子γ的多个初始检测模型即为预先训练的多个检测模型。

3.根据权利要求2所述的锅炉燃烧控制系统智能故障诊断方法，其特征在于，

所述步骤101a-1中，锅炉燃烧控制系统中的可测量数据包括Pr、P、E_p、R、O_r、O、E_O、G、F、N_r、N、E_n十二个变量，其中，所述P_r为主蒸汽压力设定值、所述P为主蒸汽压力实测值、所述E_p为主蒸汽压力调节器输出信号、所述R为给煤机转速、所述O_r为烟气含氧量设定值、所述O为烟气含氧量实测值、所述E_O为氧量调节器输出信号、所述G为送风机动叶开度、所述F为实际送风量、所述N_r为炉膛负压设定值、所述N为炉膛负压实测值、所述E_n为负压调节器输出信号。

4.根据权利要求3所述的锅炉燃烧控制系统智能故障诊断方法，其特征在于，

所述可测量数据为离线数据。

5.根据权利要求4所述的锅炉燃烧控制系统智能故障诊断方法，其特征在于，所述步骤101中预先训练的多个检测模型具体为七个，分别为，

压力调节器检测模型(x₁)：E_p＝f(P_r-P)＝f(P^*)；

压力变送器检测模型(x₂)：P＝f(P_r)；

氧量调节器检测模型(x₃)：E_O＝f(O_r-O+R)＝f(O^*)；

氧量变送器检测模型(x₄)：O＝f(O_r)；

风量变送器检测模型(x₅)：F＝f(G)；

负压调节器检测模型(x₆)：E_n＝f(N_r-N+F)＝f(N^*)；

负压变送器检测模型(x₇)：N＝f(N_r)；

其中，所述P_r为主蒸汽压力设定值、所述P为主蒸汽压力实测值、所述E_p为主蒸汽压力调节器输出信号、所述R为给煤机转速、所述O_r为烟气含氧量设定值、所述O为烟气含氧量实测值、所述E_O为氧量调节器输出信号、所述G为送风机动叶开度、所述F为实际送风量、所述N_r为炉膛负压设定值、所述N为炉膛负压实测值、所述E_n为负压调节器输出信号。

6.根据权利要求5所述的锅炉燃烧控制系统智能故障诊断方法，其特征在于，所述步骤102包括，

若压力调节器检测模型与压力变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出压力调节器故障的信息；

若压力调节器检测模型所属的残差曲线和实际运行的差值在阈值内，压力变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出压力变送器出现故障的信息；

若氧量调节器检测模型与氧量变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出氧量调节器故障的信息；

若氧量调节器检测模型所属的残差曲线和实际运行的差值在阈值内，氧量变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出氧量变送器出现故障的信息；

若风量变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出风量变送器故障的信息；

若负压调节器检测模型与负压变送器检测模型各自所属的残差曲线和实际运行的差值超过阈值，则发出负压调节器故障的信息；

若负压调节器检测模型所属的残差曲线和实际运行的差值在阈值内，负压变送器检测模型所属的残差曲线和实际运行的差值超过阈值，则发出负压变送器故障的信息。

7.根据权利要求2所述的锅炉燃烧控制系统智能故障诊断方法，其特征在于，所述步骤101a-3中，利用GWO算法优化SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ，具体包括以下步骤，

101a-3-1，初始化GWO算法参数，包括种群规模N，最大迭代次数t_max，核函数σ与惩罚因子γ的取值范围，求出种群中每一个灰狼的适应度值，依照适应度值从大到小将所述狼群个体分为α，β，δ，ω四组，其中位置最优的定义为α狼，位置次优的定义为β狼和δ狼，所述N个灰狼个体中除了α，β，δ外其他的狼定义为ω狼；

101a-3-2，由α狼，β狼，δ狼寻找猎物位置，在捕食过程中，由式(1)确定α狼，β狼，δ狼与猎物间的距离，式(2)则表示灰狼个体的更新方式，其中，式(3)中收敛因子a随着迭代次数从2线性递减到0，t_max为最大迭代次数，式(4)中，A，C为系数向量，r₁和r₂均为[0，1]的随机数，|A|＞1对应于全局搜索，|A|＜1对应于局部搜索；

D＝|C·X_P(t)-X(t)| (1)

X(t+1)＝X_P(t)-A·D (2)

A＝2a·r₂-a，C＝2r₁ (4)

式中，t表示种群当前迭代次数，式(1)、(2)中X_P代表猎物位置，X代表灰狼个体位置，D表示α狼，β狼，δ狼与猎物间的距离；

101a-3-3，当灰狼判断出猎物位置时，此时α狼，β狼，δ狼总是最靠近猎物的，式(5)-(7)中，X_α，X_β，X_δ分别表示α狼，β狼，δ狼当前位置，X(t)表示当前灰狼位置，D_α，D_β和D_δ表示α狼，β狼，δ狼与猎物间的距离；

D_α＝|C₁·X_a(t)-X(t)| (5)

D_β＝|C₂·X_β(t)-X(t)| (6)

D_δ＝|C₃·X_δ(t)-X(t)| (7)

ω狼可依据α狼，β狼，δ狼的方位推算出猎物的大概位置，从而靠近猎物，ω狼朝向α狼，β狼，δ狼移动的位置的数学表达式如式(8)-(10)：

X₁＝X_α-A₁·D_α (8)

X₂＝X_β-A₂·D_β (9)

X₃＝X_δ-A₃·D_δ (10)

式(11)为按平均值计算的ω狼的最终位置，至此，N个灰狼个体的位置都得到了更新；

101a-3-4，重新计算位置经过更新后的N个灰狼个体的适应度值，若优于前次迭代最优适应度值，则保留更新后的位置，否则保留前次迭代的最优适应度值，然后依照适应度值从大到小将灰狼个体重新分为α，β，δ，ω四组，其中位置最优的仍然定义为α狼，位置次优的仍然定义为β狼和δ狼，N个灰狼个体中除了α，β，δ外其他的狼仍然定义为ω狼；

101a-3-5，由α狼，β狼，δ狼的位置再次作为寻找猎物位置的基准，迭代更新下一代个体的位置，重复101a-3-2到101a-3-4的步骤，最终寻找到猎物位置，实现捕获猎物的任务，此时，α狼的最终位置即为SVR学习方法构建的每一个初始检测模型的核函数σ与惩罚因子γ。