CN110456217B - 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 - Google Patents

Abstract

本发明公开一种基于WPD‑FOA‑LSSVM双模型的MMC故障定位方法，属于多电平换流器故障定位技术领域。该方法首先将从模块化多电平换流器采集而来的电容电压信号集合S划分为训练集和测试集，并进行小波包分解，分别提取故障特征向量T1和T2，之后利用果蝇算法优化LSSVM，由故障特征向量T1和T2的集合分别训练LSSVM诊断模型，得到模型M1用于定位故障IGBT所在的桥臂及在子模块内部的位置，得到模型M2用于定位故障子模块，最后将测试集数据输入训练好的模型M1及M2中验证该模型。本发明时间空间成本低，运算速度快并且故障定位准确率高，具有较强的MMC故障定位功能。

Description

一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法

技术领域

本发明涉及多电平换流器故障定位技术领域，尤其涉及一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法。

背景技术

模块化多电平换流器(Modular Multilevel Converter,MMC)由于其模块化程度高、谐波畸变小、开关损耗低、扩展性强等诸多优点，在实际生产生活中被广泛应用中。其灵活性远超于两电平和三电平换流器，且电磁兼容性好，可在高压大功率的场合使用。然而MMC子模块数量的增加，使系统出现故障的概率相应增大，严重影响着系统的安全可靠运行。作为MMC基本的功率单元，子模块故障会致使桥臂结构不对称，导致相间环流增加，直流电压不稳以及交流输出电压畸变等诸多问题的出现，若长期不给予控制，很可能会导致其他设备的故障甚至系统的崩溃。

MMC子模块SM中IGBT的故障可分为短路故障和开路故障两种，因开路故障较短路故障不易被发现，且一般不会集成硬件保护与监控装置，所以对开路故障进行定位十分必要。常用的MMC子模块故障IGBT定位方法多为基于模型的比值法。这些定位方法多数以电容电压增量作为故障定位的依据对SM故障定位，虽然诊断速度较快，但需要额外构建滑膜观测器，且对传感器精确度要求很高，诊断结果易受外界影响。近年来，随着智能算法的逐渐成熟，针对上述问题，已有部分研究开始采用机器学习进行故障定位。基于机器学习的故障定位运算速度快，无需精准的系统建模，推广性强，仅依靠历史数据即可完成算法的建模，并依靠实时数据进行精准定位，具有较好的诊断效果，且符合智能电网发展的要求。然而，这些采用智能算法的研究多数仅实现了故障桥臂或IGBT故障类型的定位，而没有对故障IGBT所在的桥臂、子模块以及类型进行精准定位。现存方法的问题对系统的稳定性维护造成了威胁，因此找到一种可以精准定位模块化多电平换流器故障的算法对系统的稳定性是非常必要的。

发明内容

针对上述现有技术的不足，本发明提供一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法。

本发明所采取的技术方案是一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其流程如图1所示，包括如下步骤：

步骤1：对于具有6个桥臂、6×n个子模块的三相n+1电平换流器，该换流器的结构如图2所示，采集N组故障对应的各子模块电容电压，将采样得到的全体子模块电容电压组成集合S：

S＝[U_c(l,m)|l＝1…N,m＝1…6×n] (1)

其中，Uc_(l,m)代表第l组故障对应的第m个子模块电容电压。

步骤2：将集合S随机分解为训练样本集S_train和测试样本集S_test，其中训练样本个数为Z1，测试样本个数为Z2；

步骤3：采用小波包分解方法对训练样本集S_train和测试样本集S_test中的样本数据进行分解，将6×n个子模块电容电压节点能量组成故障特征向量T1，全体训练样本故障特征向量的集合为T_train1，全体测试样本故障特征向量的集合为T_test1；提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，全体训练样本故障特征向量的集合为T_train2，全体测试样本故障特征向量的集合为T_test2；

步骤3.1：采用‘db5’小波基函数对训练样本集S_train和测试样本集S_test中的样本数据进行三层小波包分解，三层小波包分解的结构如图3所示；

步骤3.1.1：设初始信号为s,给定一组低通与高通共轭正交滤波器系数{h_k}、{g_k}，k＝1,2,…,K，其中，k代表第k个小波基函数，K代表小波基函数库中小波基函数的个数；

初始化小波包系数，第1层的两个节点对应的系数分别为：

不同频段下的小波包系数的递推公式如下：

其中，t为小波基函数的时间尺度，

为第j层第n个节点第k个小波基函数对应的小波包系数；

步骤3.1.2：对于某一给定的正交小波包空间，不同频段下的节点能量公式如下：

其中，E_m,j,n为第m个子模块电容电压在第j层第n个节点的节点能量；

步骤3.1.3：得到对应节点的小波包能量值；

步骤3.2：将6×n个子模块电容电压节点能量组成故障特征向量T1，其维度为6×n×8，全体训练样本故障特征向量的集合为T_train1，全体测试样本故障特征向量的集合为T_test1，记为：

T_train1＝{T1_a|a＝1…Z1} (5)

T_test1＝{T1_b|b＝1…Z2} (6)

步骤3.3：提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，其维度为n×8，全体训练样本故障特征向量的集合为T_train2，全体测试样本故障特征向量的集合为T_test2，记为：

T_train2＝{T2_a|a＝1…Z1}。 (7)

T_test2＝{T1_b|b＝1…Z2} (8)

步骤4：根据故障IGBT所在的桥臂以及所在子模块内部的位置，给故障特征向量设置标签L1；根据故障IGBT所在子模块的位置，给故障特征向量设置标签L2；

步骤4.1：每个子模块含有两个IGBT，定义为IGBT1和IGBT2，将6个桥臂的IGBT1故障标记为1～6，将6个桥臂的IGBT2故障标记为7～12，该1～12即为标签L1；

步骤4.2：采用标签L1对权利要求1所述的故障特征向量集合T_train1和T_test1进行标签标记；

步骤4.3：将每个桥臂中的子模块故障标记为1～n，即为标签L2；

步骤4.4：采用标签L2对权利要求1所述的故障特征向量集合T_train2和T_test2进行标签标记。

步骤5：采用果蝇算法优化参数，采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型，搭建该模型的流程如图4所示；

步骤5.1：将输入向量映射到高维特征空间，并构造最优决策函数，将非线性函数转换为高维特征空间的线性函数，具体公式为：

其中，x_i为故障特征向量，y_i为故障标签，ω为权重，b为偏置项，

为非线性映射函数；

其约束函数为：

s.t.

其中，N为样本数，e_i为松弛因子，即误差变量，γ为正则参数，用于平衡寻找最优超平面和偏差量最小。

步骤5.2：引入拉格朗日乘子求解上述优化问题，其公式为：

其中，α_i为拉格朗日乘子；

对函数的各变量求偏导，并令偏导数为0，可得如下方程：

因此可知：

步骤5.3：可构建决策函数如下：

其中，K()为核函数；

针对MMC故障定位这一非线性问题，本发明采用高斯核函数RBF，其形式如下：

其中，σ²为核函数参数；

步骤5.4：采用果蝇算法对RBF核函数参数σ²以及步骤5.2中的正则参数γ进行优化，果蝇个体位置即代表RBF核函数参数σ²以及正则参数γ；

步骤5.4.1：初始化FOA算法群体规模M_size，最大迭代数M_max；随机初始化果蝇个体位置(X_i,Y_i)＝(X₀,Y₀)，确定果蝇个体搜索食物源的随机方位X_F与Y_F以及随机距离M_distance；

步骤5.4.2：更新果蝇个体位置：

(X_i,Y_i)＝(X_F+M_distance,Y_F+M_distance) (16)

步骤5.4.3：计算果蝇个体与原点之间的距离D_i，并求出味道浓度判定值S_i，即：

步骤5.4.4：将味道浓度判定值S_i带入味道浓度判定函数F中，得到该果蝇个体所处位置的味道浓度值T_i：

T_i＝F(S_i) (19)

步骤5.4.5：搜索果蝇群中浓度最佳的果蝇G_best，即：

G_best＝max(T_i) (20)

步骤5.4.6：果蝇群利用视觉飞向最佳目标G_best，求解最佳味道浓度的果蝇位置(X_best,Y_best)，即本次迭代最优解；

步骤5.4.7：迭代寻优，重复步骤5.4.2至步骤5.4.5，判断当前最佳味道浓度值G_best(N)是否优于上一代最佳味道浓度值G_best(N-1)值，若是，则跳至步骤5.4.6，更新最优参数，若否，则继续迭代，直至达到最大迭代次数M_max，输出最优果蝇位置；

步骤5.5：根据所需步骤4中标签的类别数量，建立多个LS-SVM子分类器，并对子分类器采用步骤5.1到步骤5.4的方法进行训练；由所述多个分类器建立一对多LS-SVM多分类故障定位模型。

步骤6：采用不同的特征向量集合T_train1和T_train2，对步骤5搭建的模型进行训练，得到训练好的模型M1和M2。

步骤7：将测试集提取的特征T_test1输入到训练好的模型M1中，得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置；将测试集提取的特征T_test2输入到训练好的模型M2中，对故障子模块进行定位。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，以子模块电容电压作为判断依据，无需对其他参数进行测量，减少了运行成本；对从模块化多电平换流器采集而来的电容电压信号进行小波包分解，细分了信号中的低频和高频，提高训练的精准度，并剔除了部分冗余信息；采用FOA优化LS-SVM的RBF核函数参数以及正则参数，提高模型精度；采用双模型分类的方式，将故障标签分为两大类分别训练WPD-FOA-LSSVM，形成两个模型M1和M2，M1定位故障IGBT所在桥臂及所在子模块内部的序号，M2定位故障IGBT所在子模块的编号，这种方式提高了单个故障标签对应的数据量，减少了模型训练时所需数据量，大大减少现场数据采集所需的时间成本与空间成本；此外，本发明采用one-against-all的方式，结合双模型的特点，大大减少了所需构建SVM的个数，提高了计算效率。

附图说明

图1为本发明一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法流程图；

图2为本发明三相n+1电平换流器的结构图；

图3为本发明三层小波包分解结构图；

图4为本发明WPD-FOA-LSSVM模型搭建流程图；

图5为本发明不同算法预测分类对比图；

其中，(a)M1模型故障定位结果对比图；

(b)M2模型故障定位结果对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以三相5电平模块化换流器为例，其中子模块电容数为4，6个桥臂的子模块电容总数为24。

如图1所示，本实施例的方法如下所述。

步骤1：对于具有6个桥臂、24个子模块的三相5电平换流器，采集100组故障对应的各子模块电容电压，将采样得到的全体子模块电容电压组成集合S：

S＝[U_c(l,m)|l＝1…N,m＝1…6×n] (1)

其中，Uc_(l,m)代表第l组故障对应的第m个子模块电容电压；

步骤2：将集合S随机分解为训练样本集S_train和测试样本集S_test，其中训练样本个数为Z1＝60，测试样本个数为Z2＝40；

步骤3：采用小波包分解方法对训练样本集S_train和测试样本集S_test中的样本数据进行分解，将24个子模块电容电压节点能量组成故障特征向量T1，全体训练样本故障特征向量的集合为T_train1，全体测试样本故障特征向量的集合为T_test1；提取故障IGBT所在桥臂的4个子模块的归一化节点能量，组成故障特征向量T2，全体训练样本故障特征向量的集合为T_train2，全体测试样本故障特征向量的集合为T_test2；

步骤3.1：采用‘db5’小波基函数对训练样本集S_train和测试样本集S_test中的样本数据进行三层小波包分解，三层小波包分解的结构如图3所示；

步骤3.1.1：设初始信号为s,给定一组低通与高通共轭正交滤波器系数{h_k}、{g_k}，k＝1,2,…,K，其中，k代表第k个小波基函数，K代表小波基函数库中小波基函数的个数；

初始化小波包系数，第1层的两个节点对应的系数分别为：

不同频段下的小波包系数的递推公式如下：

其中，t为小波基函数的时间尺度，

为第j层第n个节点第k个小波基函数对应的小波包系数；

步骤3.1.2：对于某一给定的正交小波包空间，不同频段下的节点能量公式如下：

其中，E_m,j,n为第m个子模块电容电压在第j层第n个节点的节点能量；

步骤3.1.3：得到对应节点的小波包能量值；

步骤3.2：将24个子模块电容电压节点能量组成故障特征向量T1，其维度为192，全体训练样本故障特征向量的集合为T_train1，全体测试样本故障特征向量的集合为T_test1，记为：

T_train1＝{T1_a|a＝1…Z1} (5)

T_test1＝{T1_b|b＝1…Z2} (6)

步骤3.3：提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，其维度为32，全体训练样本故障特征向量的集合为T_train2，全体测试样本故障特征向量的集合为T_test2，记为：

T_train2＝{T2_a|a＝1…Z1}。 (7)

T_test2＝{T1_b|b＝1…Z2} (8)

步骤4：根据故障IGBT所在的桥臂以及所在子模块内部的位置，给故障特征向量设置标签L1；根据故障IGBT所在子模块的位置，给故障特征向量设置标签L2；

步骤4.1：每个子模块含有两个IGBT，定义为IGBT1和IGBT2，将6个桥臂的IGBT1故障标记为1～6，将6个桥臂的IGBT2故障标记为7～12，该1～12即为标签L1；

步骤4.2：采用标签L1对权利要求1所述的故障特征向量集合T_train1和T_test1进行标签标记；

步骤4.3：将每个桥臂中的子模块故障标记为1～n，即为标签L2；

步骤4.4：采用标签L2对权利要求1所述的故障特征向量集合T_train2和T_test2进行标签标记，L1和L2的标签标记的方法如表1所示；

表1标签L1和L2对故障位置的标记方法

步骤5：采用果蝇算法优化参数，采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型，搭建该模型的流程如图4所示；

步骤5.1：将输入向量映射到高维特征空间，并构造最优决策函数，将非线性函数转换为高维特征空间的线性函数，具体公式为：

其中，x_i为故障特征向量，y_i为故障标签，ω为权重，b为偏置项，

为非线性映射函数；

其约束函数为：

s.t.

其中，N为样本数，e_i为松弛因子，即误差变量，γ为正则参数，用于平衡寻找最优超平面和偏差量最小。

步骤5.2：引入拉格朗日乘子求解上述优化问题，其公式为：

其中，α_i为拉格朗日乘子；

对函数的各变量求偏导，并令偏导数为0，可得如下方程：

因此可知：

步骤5.3：可构建决策函数如下：

其中，K()为核函数；

针对MMC故障定位这一非线性问题，本发明采用高斯核函数RBF，其形式如下：

其中，σ²为核函数参数；

步骤5.4：采用果蝇算法对RBF核函数参数σ²以及步骤5.2中的正则参数γ进行优化，果蝇个体位置即代表RBF核函数参数σ²以及正则参数γ；

步骤5.4.1：初始化FOA算法群体规模M_size＝50，最大迭代数M_max＝200，寻优维数M_dim＝2；随机初始化果蝇个体位置(X_i,Y_i)＝(X₀,Y₀)，确定果蝇个体搜索食物源的随机方位X_F与Y_F以及随机距离M_distance；

步骤5.4.2：更新果蝇个体位置：

(X_i,Y_i)＝(X_F+M_distance,Y_F+M_distance) (16)

步骤5.4.3：计算果蝇个体与原点之间的距离D_i，并求出味道浓度判定值S_i，即：

步骤5.4.4：将味道浓度判定值S_i带入味道浓度判定函数F中，得到该果蝇个体所处位置的味道浓度值T_i：

T_i＝F(S_i) (19)

步骤5.4.5：搜索果蝇群中浓度最佳的果蝇G_best，即：

G_best＝max(T_i) (20)

步骤5.4.6：果蝇群利用视觉飞向最佳目标G_best，求解最佳味道浓度的果蝇位置(X_best,Y_best)，即本次迭代最优解；

步骤5.4.7：迭代寻优，重复步骤5.4.2至步骤5.4.5，判断当前最佳味道浓度值G_best(N)是否优于上一代最佳味道浓度值G_best(N-1)值，若是，则跳至步骤5.4.6，更新最优参数，若否，则继续迭代，直至达到最大迭代次数M_max，输出最优果蝇位置；

步骤5.5：根据所需步骤4中标签的类别数量，建立多个LSSVM子分类器，并对子分类器采用步骤5.1到步骤5.4的方法进行训练；由所述多个分类器建立一对多LSSVM多分类故障定位模型。

步骤6：采用不同的特征向量集合T_train1和T_train2，对步骤5搭建的模型进行训练，得到训练好的模型M1和M2。

步骤7：将测试集提取的特征T_test1输入到训练好的模型M1中，得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置；将测试集提取的特征T_test2输入到训练好的模型M2中，对故障子模块进行定位。

M1模型对训练集与测试集的分类结果如图5(a)所示，M2模型对训练集与测试集的分类结果如图5(b)所示。

单模型与双模型SVM、LSSVM以及FOA-LSSVM六种训练模型对训练集以及测试集预测结果的对比如表2所示；

表2

通过表2可知，SVM模型所需构建的SVM总数较多，且测试集准确率低，而采用One-against-all模式的LSSVM与FOA-LSSVM所需构建的SVM总数较少，大大减少了构建模型所需时间与空间成本，且在准确率上显著增高；此外，根据单模型与双模型的结果对比可知，双模型在定位精确度上具有很大优势，可实现对故障IGBT的精准定位。

单模型与双模型经过小波包分解前后故障定位准确率对比如表3所示；

表3小波包分解对准确率的影响

通过表3可知，双模型在准确率上比单模型高出50％以上，这是由于训练样本数据过少，单模型难以进行精准建模；此外，通过表3中对未经过小波包分解的数据与经过小波包分解的数据对比可知，经小波包分解后的数据维数显著降低，输入节点数量大大减少，总仿真时间也显著降低，且测试数据准确率显著升高。

Claims (5)

1.一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于包括如下步骤：

步骤1：对于具有6个桥臂、6×n个子模块的三相n+1电平换流器，采集N组故障对应的各子模块电容电压，将采样得到的全体子模块电容电压组成集合S；

步骤2：将集合S随机分解为训练样本集S_train和测试样本集S_test，其中训练样本个数为Z1，测试样本个数为Z2；

步骤3：采用小波包分解方法对训练样本集S_train和测试样本集S_test中的样本数据进行分解，将6×n个子模块电容电压节点能量组成故障特征向量T1，全体训练样本故障特征向量的集合为T_train1，全体测试样本故障特征向量的集合为T_test1；提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，全体训练样本故障特征向量的集合为T_train2，全体测试样本故障特征向量的集合为T_test2；

步骤4：根据故障IGBT所在的桥臂以及所在子模块内部的位置，给故障特征向量设置标签L1；根据故障IGBT所在子模块的位置，给故障特征向量设置标签L2；

步骤5：采用果蝇算法优化参数，采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型；

步骤6：采用不同的特征向量集合T_train1和T_train2，对步骤5搭建的模型进行训练，得到训练好的模型M1和M2；

步骤7：将测试集提取的特征T_test1输入到训练好的模型M1中，得到故障IGBT在MMC中所在桥臂以及所在子模块SM内部的位置；将测试集提取的特征T_test2输入到训练好的模型M2中，对故障子模块进行定位。

2.根据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于：所述步骤1中将采样得到的全体子模块电容电压组成集合S记为：

S＝[U_c(l,m)|l＝1…N,m＝1…6×n] (1)

其中，Uc_(l,m)代表第l组故障对应的第m个子模块电容电压。

3.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于所述步骤3的过程如下：

步骤3.1：采用‘db5’小波基函数对训练样本集S_train和测试样本集S_test中的样本数据进行三层小波包分解；

步骤3.1.1：设初始信号为s,给定一组低通与高通共轭正交滤波器系数{h_k}、{g_k}，k＝1,2,…,K，其中，k代表第k个小波基函数，K代表小波基函数库中小波基函数的个数；

初始化小波包系数，第1层的两个节点对应的系数分别为：

不同频段下的小波包系数的递推公式如下：

其中，t为小波基函数的时间尺度，

为第j层第n个节点第k个小波基函数对应的小波包系数；

步骤3.1.2：对于某一给定的正交小波包空间，不同频段下的节点能量公式如下：

其中，E_m,j,n为第m个子模块电容电压在第j层第n个节点的节点能量；

步骤3.1.3：得到对应节点的小波包能量值；

步骤3.2：将6×n个子模块电容电压节点能量组成故障特征向量T1，其维度为6×n×8，全体训练样本故障特征向量的集合为T_train1，全体测试样本故障特征向量的集合为T_test1，记为：

T_train1＝{T1_a|a＝1…Z1} (5)

T_test1＝{T1_b|b＝1…Z2} (6)

步骤3.3：提取故障IGBT所在桥臂的n个子模块的归一化节点能量，组成故障特征向量T2，其维度为n×8，全体训练样本故障特征向量的集合为T_train2，全体测试样本故障特征向量的集合为T_test2，记为：

T_train2＝{T2_a|a＝1…Z1} (7)

T_test2＝{T2_b|b＝1…Z2} 。 (8)

4.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于：所述步骤4中根据故障IGBT所在的桥臂以及所在子模块内部的位置，给故障特征向量设置标签L1；根据故障IGBT所在子模块的位置，给故障特征向量设置标签L2的过程如下：

步骤4.1：每个子模块含有两个IGBT，定义为IGBT1和IGBT2，将6个桥臂的IGBT1故障标记为1～6，将6个桥臂的IGBT2故障标记为7～12，该1～12即为标签L1；

步骤4.2：采用标签L1对权利要求1所述的故障特征向量集合T_train1和T_test1进行标签标记；

步骤4.3：将每个桥臂中的子模块故障标记为1～n，即为标签L2；

步骤4.4：采用标签L2对权利要求1所述的故障特征向量集合T_train2和T_test2进行标签标记。

5.据权利要求1所述的一种基于WPD-FOA-LSSVM双模型的MMC故障定位方法，其特征在于所述步骤5中采用果蝇算法优化参数，采用one-against-all的方式搭建WPD-FOA-LSSVM故障定位模型的过程如下：

步骤5.1：将输入向量映射到高维特征空间，并构造最优决策函数，将非线性函数转换为高维特征空间的线性函数，具体公式为：

其中，x_i为故障特征向量，y_i为故障标签，ω为权重，b为偏置项，

为非线性映射函数；

其约束函数为：

其中，N为样本数，e_i为松弛因子，即误差变量，γ为正则参数，用于平衡寻找最优超平面和偏差量最小；

步骤5.2：引入拉格朗日乘子求解上述优化问题，其公式为：

其中，α_i为拉格朗日乘子；

对函数的各变量求偏导，并令偏导数为0，可得如下方程：

因此可知：

步骤5.3：可构建决策函数如下：

其中，K()为核函数；

针对MMC故障定位这一非线性问题，本发明采用高斯核函数RBF，其形式如下：

其中，σ²为核函数参数；

步骤5.4：采用果蝇算法对RBF核函数参数σ²以及步骤5.2中的正则参数γ进行优化，果蝇个体位置即代表RBF核函数参数σ²以及正则参数γ；

步骤5.4.1：初始化FOA算法群体规模M_size，最大迭代数M_max，寻优维数M_dim；初始化果蝇个体位置(X_i,Y_i)＝(X₀,Y₀)，确定果蝇个体搜索食物源的随机方位X_F与Y_F以及距离M_distance；

步骤5.4.2：更新果蝇个体位置：

(X_i,Y_i)＝(X_F+M_distance,Y_F+M_distance) (16)

步骤5.4.3：计算果蝇个体与原点之间的距离D_i，并求出味道浓度判定值S_i，即：

步骤5.4.4：将味道浓度判定值S_i带入味道浓度判定函数F中，得到该果蝇个体所处位置的味道浓度值T_i：

T_i＝F(S_i) (19)

步骤5.4.5：搜索果蝇群中浓度最佳的果蝇G_best，即：

G_best＝max(T_i) (20)

步骤5.4.6：果蝇群利用视觉飞向最佳目标G_best，求解最佳味道浓度的果蝇位置(X_best,Y_best)，即本次迭代最优解；

步骤5.4.7：迭代寻优，重复步骤5.4.2至步骤5.4.5，判断当前最佳味道浓度值G_best(N)是否优于上一代最佳味道浓度值G_best(N-1)值，若是，则跳至步骤5.4.6，更新最优参数，若否，则继续迭代，直至达到最大迭代次数M_max，输出最优果蝇位置；

步骤5.5：根据所需步骤4中标签的类别数量，建立多个LSSVM子分类器，并对子分类器采用步骤5.1到步骤5.4的方法进行训练；由所述多个LSSVM子分类器建立一对多LSSVM多分类故障定位模型。

Images