CN110399906A - 基于支撑向量机的故障分类模型的训练方法及装置 - Google Patents

基于支撑向量机的故障分类模型的训练方法及装置 Download PDF

Info

Publication number
CN110399906A
CN110399906A CN201910594560.7A CN201910594560A CN110399906A CN 110399906 A CN110399906 A CN 110399906A CN 201910594560 A CN201910594560 A CN 201910594560A CN 110399906 A CN110399906 A CN 110399906A
Authority
CN
China
Prior art keywords
sample data
svm
failure modes
training
fitness
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.)
Pending
Application number
CN201910594560.7A
Other languages
English (en)
Inventor
陈海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deep Blue Technology Shanghai Co Ltd
Original Assignee
Deep Blue Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Deep Blue Technology Shanghai Co Ltd filed Critical Deep Blue Technology Shanghai Co Ltd
Priority to CN201910594560.7A priority Critical patent/CN110399906A/zh
Publication of CN110399906A publication Critical patent/CN110399906A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请公开了一种基于支撑向量机的故障分类模型的训练方法及装置。该方法采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；基于预设多重宇宙优化算法和预设的第二数量的训练参数，对训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，训练参数包括一组惩罚系数和核宽度；根据测试样本数据，对第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，适应度是根据测试样本数据的测试值与相应真实值确定的；将第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。该方法通过结合多重宇宙优化算法与支撑向量机提高了故障诊断效率。

Description

基于支撑向量机的故障分类模型的训练方法及装置
技术领域
本申请涉及通信技术领域，尤其涉及一种基于支撑向量机的故障分类模型的训练方法及装置。
背景技术
自动驾驶仪是导弹控制系统的核心。它可以稳定地控制导弹在预定轨道上的飞行姿态，其飞行状态直接决定着作战任务的执行效果。因此，在自动驾驶仪故障发生后，如何快速、准确地定位故障源成为关键技术。在目前故障诊断处理上，提出了一种基于支撑向量机(SVM)的自动驾驶仪故障诊断方法，SVM能以较少的样本有效地解决分类问题，但SVM中的惩罚系数和核函数参数(或称“核宽度”)对分类性能有很大的影响。目前，群体智能优化算法，如遗传算法、蚁群优化算法(ACO)、跳蛙算法(SFLA)、布谷鸟搜索算法(CS)和引力搜索算法(GSA)已应用于SVM的参数优化。
例如，构建基于遗传算法GA优化的SVM故障诊断方法，先进行参数的初始化，针对每一个体，将其进行二进制编码，也就是将问题空间的参数转变成遗传算法空间的0,1，与此同时计算合成核，并应用在对故障样本数据进行交叉验证的SVM训练集及测试集上，获得参数适应度来度量在优化过程中达到或接近于最优解的优良程度；其次依次进行选择操作、交叉操作及变异操作，最终判断经优化算法迭代后的参数适应度是否达到最优解，如不满足继续对数据进行训练测试。
然而，发明人发现上述方案对初始故障样本数据的处理较为复杂，效率较低，即该优化算法不适合较大数据。
又例如，构建基于搜索算法GSA优化算法的SVM故障诊断。首先初始化各个参数和种群位置，更新适应度，得到粒子的惯性质量、以及每个粒子在每个方向的引力、加速度，更新每个粒子的位置，在迭代过程中将每个粒子的位置替换到SVM的诊断模型中，得到当前粒子适应度，进而根据适应度得出全局最优值，对于经迭代后适应度没有达到最优的粒子，继续进入下一轮迭代。
然而，发明人发现上述方案对需要更新计算粒子的参数较多，导致迭代过程较慢，效率较低。
发明内容
本申请实施例提供一种基于支撑向量机的故障分类模型的训练方法及装置，解决了现有技术存在的上述问题，提高了故障诊断效率。
第一方面，提供了一种基于支撑向量机的故障分类模型的训练方法，该方法可以包括：
采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；
基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；
根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；
将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，包括：
设置第一数量的迭代次数；
在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。
在一个可选的实现中，将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型，包括：
若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；
若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，得到测试样本数据和训练样本数据之前，所述方法还包括：
将采集的样本数据与预设正常数据进行比较；
若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；
若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。
第二方面，提供了一种基于支撑向量机的故障分类模型的训练装置，该装置可以包括：分类单元、训练单元、获取单元和确定单元；
所述分类单元，用于采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；
所述训练单元，用于基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；
所述获取单元，用于根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；
所述确定单元，用于将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，所述训练单元，具体用于设置第一数量的迭代次数；
在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。
在一个可选的实现中，所述确定单元，具体用于若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；
若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，所述分类单元，还用于将采集的样本数据与预设正常数据进行比较；
若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；
若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本发明上述实施例的方法采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；基于预设多重宇宙优化算法和预设的第二数量的训练参数，对训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，训练参数包括一组惩罚系数和核宽度；根据测试样本数据，对第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，适应度是根据测试样本数据的测试值与相应真实值确定的；将第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。该方法通过结合多重宇宙优化算法与支撑向量机提高了故障诊断效率。
附图说明
图1为本发明实施例提供的一种基于支撑向量机的故障分类模型的训练方法的流程示意图；
图2为本发明实施例提供的一种于支撑向量机的故障分类模型的训练装置的结构示意图；
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例提供的基于支撑向量机的故障分类模型的训练方法可以应用在服务器上，也可以应用在终端上。为了保证诊断的精确性，服务器是具有较强计算能力的应用服务器或云服务器；终端可以是具有较强的计算能力的用户设备(User Equipment，UE)、具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station，MS)等。
本申请针对自动驾驶仪测试中缺乏故障样本的问题，提出了一种基于多元宇宙优化(Multi-Verse Optimizer，MVO)算法的支撑向量机SVM的故障诊断方法。该算法通过对SVM的参数进行优化，提高了算法的收敛速度以及故障诊断的分类精度。与现有技术的算法相比，本申请的方法需要更新计算的参数较少，提高了故障诊断效率。
多元宇宙优化算法(MVO)是基于物理学的多元宇宙理论中三个主要概念白洞、黑洞和虫洞而提出。在解决优化问题过程中，以下规则被应用到多元宇宙优化算法中：物体是可以通过白洞、黑洞隧道在不同的宇宙之间移动。当白洞，黑洞隧道之间建立两个宇宙，宇宙有一个膨胀率，利用具有较高膨胀率的宇宙有白洞，具有较低膨胀率的宇宙被认为有黑洞，宇宙中的粒子通过虫洞从白洞向黑洞位置转移的原理进行搜索的模拟。这个机制允许宇宙之间很容易地交换对象，不管宇宙中物质的膨胀率大小，宇宙里所有的物质都会通过虫洞随机移动，到达最佳宇宙的位置。其中，在整个宇宙中的迭代次数，可以确保改善平均膨胀率。在每一次迭代过程中，根据依靠轮盘赌机制来产生个白洞。
MVO算法中假设待优化问题中的每个变量是宇宙中的一个物体，并在优化过程中遵行以下规则：(1)高的膨胀率存在白洞的概率高，存在黑洞的概率低；(2)膨胀率较高的宇宙通过白洞发送物体：膨胀率较低的宇宙通过黑洞吸收物体；(3)所有宇宙中的物体不受膨胀率的影响，通过虫洞朝着最好的宇宙随机移动。
图1为本发明实施例提供的一种基于支撑向量机的故障分类模型的训练方法的流程示意图。如图1所示，该方法可以包括：
步骤110、获取故障样本数据。
根据自动驾驶仪的工作原理和预设的电路模型，利用PSPICE软件建立自动驾驶仪的电路模型，对电路模型发生故障时输出的波形进行分析，采集故障波形的样本数据。将不小于预设正常数据的样本数据标记为正常样本数据；将小于预设正常数据的故障样本数据标记为故障样本数据，如在记录时用向上及向下箭头来区分故障相对正常情况的状态，从而获取具备监督学习特征的故障数据。
步骤120、采用预设分类原则，对故障样本数据进行分类，获取得到测试样本数据和训练样本数据。
对采集到的故障样本数据进行预处理，如归一化处理以消除数据集不同属性问的差异。
将预处理后的故障样本数据采用交叉验证的方法，将故障样本数据分成两部分，得到测试样本数据和训练样本数据，训练样本数据用于训练模型，测试样本数据用于对训练的模型的检测精度进行测试，测试集包括测试样本数据，训练集包括训练样本数据。
步骤130、基于预设多重宇宙优化算法和预设的第二数量的训练参数，对训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型。
其中，训练参数包括一组惩罚系数C和核宽度g。惩罚系数C用于权衡损失和分类间隔的权重，提高分类的稳定性。不断增大C的值，能实现将样本点完全正确的分类。核宽度g是通过SVM中的核函数获得的，核函数主要有RBF核、线性核、多项式核、Sigmoid核。核函数可以将无穷维的映射转换为简单的点乘，对于某一特征映射，可能将原空间映射到高维空间产生维数灾难，核函数有效的解决了这个问题。
在执行该步骤之前，设置预设多重宇宙优化算法的最大迭代次数L、宇宙数目n、SVM惩罚因系数C和核宽度g参数的取值范围[lb，ub]、虫洞存在概率WEP的最大值、最小值、旅行距离率TDR的迭代精度值p和宇宙位置等。
每个宇宙对应一组惩罚系数C和核宽度g。宇宙表示为问题可行解，宇宙个体表示为解的分量，宇宙膨胀率表示解的适应度。
例如，初始种群U可以表示为：
其中，d为潜在可行解中变量的个数；n为宇宙(潜在可行解)的数量。
设变量为惩罚系数C和核宽度g，故d的值为2。由此，初始种群U可以进一步表示为：
由上述初始种群U可知，两列代表存在两个变量：惩罚系数C和核宽度g，n行代表存在n个宇宙，即n组待优化事件。
进一步的，针对每个宇宙个体，将宇宙个体作为黑洞；同时，利用轮盘赌方法随机产生一个宇宙个体作为白洞，在黑洞和白洞间建立时空管道，并进行星体的交换，轮盘赌机制的选择方式可以表示为：
其中，为第i个宇宙的第j个变量；Ui为第i个宇宙；Ni为第i个宇宙的膨胀率；r1是[0，1]中的随机数；为基于轮盘赌机制选择的第k个宇宙的第j个变量(或称“宇宙个体”)。
为了保证宇宙的多样性，在该阶段假定每个宇宙中均含有虫洞，即可以随机地在宇宙间传输星体，而不受膨胀速度大小的影响，为了提升所有宇宙的平均膨胀速度，假定虫洞的时空管道仅建立在宇宙和最优宇宙之间，具体的公式如下所示：
其中，xj表示上一代寻找到的最优宇宙的第j个变量，初代时的最优宇宙为初始化的最优宇宙；TDR和WEP是两个系数；lbj表示第j个变量的下界；ubj表示第j个变量的上界；表示第i个宇宙的第j个变量，则xi表示当前代的最优宇宙；r2，r3和r4为[0,1]范围内的随机数，l为当前迭代次数。
WEP表征了宇宙中存在虫洞的可能性(概率)大小，随着时间的推进，WEP需要逐渐增加，以提升局部搜索的重要性；TDR为宇宙中的星体通过虫洞传输到最优宇宙的距离系数，与WEP相反，TDR需要随着时间的推进逐渐减小，以保证在最优宇宙周围的局部搜索能力，具体的公式如下：
其中，WEPmin和WEPmax分别为虫洞存在概率WEP的最小值和最大值，L为最大迭代次数，p为迭代精度。
在每一次迭代中，获取一组惩罚系数C和核宽度g作为当前训练参数，对训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；
具体为：
由于自动驾驶仪的工作数据，如故障数据、正常数据，是低维的线性不可分数据非线性数据，利用获取的核函数g可以将工作数据映射到高维的分类超平面中使之转换成线性可分数据，以进行工作数据的分类，即分类出故障数据和正常数据。
对于分类超平面的选择。引入获取的惩罚系数C和松弛变量ξi，ξi≥0，松弛变量ξi用于度量一个数据点对线性可分理想条件的偏差程度。
针对训练样本数据，最优分类超平面算法可以表示为：
其中表示最优分类超平面，ω是最优超平面的法向量，b是偏移值，ω·φ(xi)+b是待解的最优超平面，xi是训练样本数据。
由上式可知，训练样本数据的最优分类超平面中的法向量ω和偏移值b是固定值。
根据获取的惩罚系数C、最核宽度g和预设最优分类超平面算法可以训练出当前代的SVM故障分类模型，由此完成一次MVO迭代。
直至迭代次数为第一数量时，得到第一数量的SVM故障分类模型。
步骤140、根据测试样本数据，对第一数量个SVM故障分类模型进行测试，获取第一数量个适应度。
将测试样本数据分别输入第一数量个SVM故障分类模型，获取到第一数量个SVM故障分类模型对应的第一数量个测试值；
根据第一数量个测试值与相应测试样本数据的真实值，采用预设适应度函数，获取第一数量个适应度。预设适应度函数可以是均方根误差(Root MeanSquared Error，RMSE)函数。也就是说，适应度是根据测试样本数据的测试值与相应真实值确定的。
步骤150、根据第一数量个SVM故障分类模型的适应度，确定出最优SVM故障分类模型。
按照迭代顺序，将当前代的适应度与前一代的SVM故障分类模型的适应度进行比较；
若当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将当前代的SVM故障分类模型确定为目标SVM故障分类模型；
若当前代的SVM故障分类模型的适应度不小于前一代的SVM故障分类模型的适应度，则将前一代的SVM故障分类模型确定为目标SVM故障分类模型；
在当前代为第一数量次迭代时，将目标SVM故障分类模型确定为最优SVM故障分类模型，最优SVM故障分类模型包括最优惩罚系数C和最优核宽度g。
或者，按照适应度大小顺序，对第一数量个适应度进行排序，将最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。
本发明上述实施例的方法采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；基于预设多重宇宙优化算法和预设的第二数量的训练参数，对训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，训练参数包括一组惩罚系数和核宽度；根据测试样本数据，对第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，适应度是根据测试样本数据的测试值与相应真实值确定的；将第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。该方法通过结合多重宇宙优化算法与支撑向量机提高了故障诊断效率。
与上述方法对应的，本发明实施例还提供一种基于支撑向量机的故障分类模型的训练装置，如图2所示，该装置包括：分类单元210、训练单元220、获取单元230和确定单元240；
分类单元210，用于采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；
训练单元220，用于基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；
获取单元230，用于根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；
确定单元240，用于将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，训练单元220，具体用于设置第一数量的迭代次数；
在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。
在一个可选的实现中，确定单元240，具体用于若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；
若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，分类单元210，还用于将采集的样本数据与预设正常数据进行比较；
若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；
若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。
本发明上述实施例提供的故障诊断装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本发明实施例提供的故障诊断装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本发明实施例还提供了一种电子设备，如图3所示，包括处理器310、通信接口320、存储器330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。
存储器330，用于存放计算机程序；
处理器310，用于执行存储器330上所存放的程序时，实现如下步骤：
采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；
基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；
根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；
将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，包括：
设置第一数量的迭代次数；
在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。
在一个可选的实现中，将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型，包括：
若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；
若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。
在一个可选的实现中，得到测试样本数据和训练样本数据之前，所述方法还包括：
将采集的样本数据与预设正常数据进行比较；
若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；
若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。
上述提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现，因此，本发明实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的故障诊断方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的故障诊断方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。

Claims (10)

1.一种基于支撑向量机的故障分类模型的训练方法，其特征在于，所述方法包括：
采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；
基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的支撑向量机SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；
根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；
将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。
2.如权利要求1所述的方法，其特征在于，基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，包括：
设置第一数量的迭代次数；
在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。
3.如权利要求2所述的方法，其特征在于，将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型，包括：
若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；
若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。
4.如权利要求1所述的方法，其特征在于，得到测试样本数据和训练样本数据之前，所述方法还包括：
将采集的样本数据与预设正常数据进行比较；
若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；
若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。
5.一种基于支撑向量机的故障分类模型的训练装置，其特征在于，所述装置包括：分类单元、训练单元、获取单元和确定单元；
所述分类单元，用于采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；
所述训练单元，用于基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；
所述获取单元，用于根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；
所述确定单元，用于将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。
6.如权利要求5所述的装置，其特征在于，所述训练单元，具体用于
设置第一数量的迭代次数；
在每一次迭代中，根据预设SVM算法和当前训练参数，对所述训练样本数据进行一次迭代训练，得到当前代的SVM故障分类模型；所述当前训练参数为采用所述预设多重宇宙优化算法从所述第二数量的训练参数中选择的训练参数。
7.如权利要求6所述的装置，其特征在于，所述确定单元，具体用于若所述当前代的SVM故障分类模型的适应度小于前一代的SVM故障分类模型的适应度，则将所述当前代的SVM故障分类模型确定为目标SVM故障分类模型；
若所述当前代为第一数量次迭代，则将所述目标SVM故障分类模型确定为最优SVM故障分类模型。
8.如权利要求5所述的装置，其特征在于，所述分类单元，还用于将采集的样本数据与预设正常数据进行比较；
若所述样本数据不小于所述预设正常数据，则将所述样本数据标记为正常样本数据；
若所述样本数据小于所述预设正常数据，则将所述样本数据标记为故障样本数据。
9.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
CN201910594560.7A 2019-07-03 2019-07-03 基于支撑向量机的故障分类模型的训练方法及装置 Pending CN110399906A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910594560.7A CN110399906A (zh) 2019-07-03 2019-07-03 基于支撑向量机的故障分类模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910594560.7A CN110399906A (zh) 2019-07-03 2019-07-03 基于支撑向量机的故障分类模型的训练方法及装置

Publications (1)

Publication Number Publication Date
CN110399906A true CN110399906A (zh) 2019-11-01

Family

ID=68324114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910594560.7A Pending CN110399906A (zh) 2019-07-03 2019-07-03 基于支撑向量机的故障分类模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN110399906A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942205A (zh) * 2019-12-05 2020-03-31 国网安徽省电力有限公司 一种基于himvo-svm的短期光伏发电功率预测方法
CN112906910A (zh) * 2019-12-04 2021-06-04 北京沃东天骏信息技术有限公司 测试方法、系统、装置和电子设备
CN112988437A (zh) * 2019-12-17 2021-06-18 深信服科技股份有限公司 一种故障预测方法、装置及电子设备和存储介质
CN113220033A (zh) * 2021-05-17 2021-08-06 大连大学 基于改进多元宇宙优化算法的多异构无人机任务分配方法
CN113791429A (zh) * 2021-08-10 2021-12-14 北京自动化控制设备研究所 一种基于svm的卫星接收机故障分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331543A (zh) * 2011-06-23 2012-01-25 上海市安全生产科学研究所 基于支持向量机的故障电弧检测方法
CN105445215A (zh) * 2015-12-02 2016-03-30 中北大学 基于离散多重宇宙优化算法的红外光谱波长选择方法
CN106295153A (zh) * 2016-08-03 2017-01-04 南京航空航天大学 一种基于孪生支持向量机的航空发动机气路故障诊断方法
CN109657709A (zh) * 2018-12-06 2019-04-19 湖北博华自动化系统工程有限公司 一种基于粒子群优化支持向量回归的设备故障预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331543A (zh) * 2011-06-23 2012-01-25 上海市安全生产科学研究所 基于支持向量机的故障电弧检测方法
CN105445215A (zh) * 2015-12-02 2016-03-30 中北大学 基于离散多重宇宙优化算法的红外光谱波长选择方法
CN106295153A (zh) * 2016-08-03 2017-01-04 南京航空航天大学 一种基于孪生支持向量机的航空发动机气路故障诊断方法
CN109657709A (zh) * 2018-12-06 2019-04-19 湖北博华自动化系统工程有限公司 一种基于粒子群优化支持向量回归的设备故障预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任楚苏: "《基于多元宇宙优化算法的SVM参数优化》", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906910A (zh) * 2019-12-04 2021-06-04 北京沃东天骏信息技术有限公司 测试方法、系统、装置和电子设备
CN110942205A (zh) * 2019-12-05 2020-03-31 国网安徽省电力有限公司 一种基于himvo-svm的短期光伏发电功率预测方法
CN110942205B (zh) * 2019-12-05 2022-12-06 国网安徽省电力有限公司 一种基于himvo-svm的短期光伏发电功率预测方法
CN112988437A (zh) * 2019-12-17 2021-06-18 深信服科技股份有限公司 一种故障预测方法、装置及电子设备和存储介质
CN112988437B (zh) * 2019-12-17 2023-12-29 深信服科技股份有限公司 一种故障预测方法、装置及电子设备和存储介质
CN113220033A (zh) * 2021-05-17 2021-08-06 大连大学 基于改进多元宇宙优化算法的多异构无人机任务分配方法
CN113220033B (zh) * 2021-05-17 2023-08-18 大连大学 基于改进多元宇宙优化算法的多异构无人机任务分配方法
CN113791429A (zh) * 2021-08-10 2021-12-14 北京自动化控制设备研究所 一种基于svm的卫星接收机故障分析方法
CN113791429B (zh) * 2021-08-10 2024-05-07 北京自动化控制设备研究所 一种基于svm的卫星接收机故障分析方法

Similar Documents

Publication Publication Date Title
CN110399906A (zh) 基于支撑向量机的故障分类模型的训练方法及装置
Liang et al. A survey on evolutionary constrained multiobjective optimization
CN107103113B (zh) 面向神经网络处理器的自动化设计方法、装置及优化方法
CN111160474A (zh) 一种基于深度课程学习的图像识别方法
CN114896937A (zh) 一种基于强化学习的集成电路布局优化方法
CN115315703A (zh) 使用神经网络生成集成电路布局
US11093683B2 (en) Test pattern generation systems and methods
TWI674823B (zh) 自動佈線系統及方法
CN106100922B (zh) 列车通信网络的网络流量的预测方法和装置
CN111162575A (zh) 一种充电曲线更新方法、装置、云服务器及电池
CN114510072A (zh) 基于进化迁移优化的多无人机路径规划方法、终端及介质
Dan et al. Clustering approach for solving traveling salesman problems via Ising model based solver
Li et al. An early warning model for customer churn prediction in telecommunication sector based on improved bat algorithm to optimize ELM
Muhsen et al. Enhancing NoC-Based MPSoC performance: A predictive approach with ANN and guaranteed convergence arithmetic optimization algorithm
CN111860598B (zh) 一种用于运动行为、关系识别的数据分析方法、电子设备
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN114386631A (zh) 电力负荷故障的抢修方法、装置及电子设备
CN116324787A (zh) 利用人工智能方案的宏布置
CN117709415A (zh) 一种量子神经网络模型的优化方法及装置
CN113449968A (zh) 一种基于深度学习的新能源电网频率风险评估方法及装置
CN113449936A (zh) 城市空间演进模拟预测方法、装置、电子设备及存储介质
CN107506949A (zh) 光伏数据聚类方法、光伏功率预测方法、存储介质和设备
CN110135572A (zh) 一种基于soc的可训练柔性cnn系统设计方法
US20240095424A1 (en) Alignment Cost for Integrated Circuit Placement
Kusari Assessing and accelerating coverage in deep reinforcement learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191101

RJ01 Rejection of invention patent application after publication