CN113988713A - 基于gna-xalo-svm的柴油机装配质量异常模式识别方法 - Google Patents
基于gna-xalo-svm的柴油机装配质量异常模式识别方法 Download PDFInfo
- Publication number
- CN113988713A CN113988713A CN202111411979.8A CN202111411979A CN113988713A CN 113988713 A CN113988713 A CN 113988713A CN 202111411979 A CN202111411979 A CN 202111411979A CN 113988713 A CN113988713 A CN 113988713A
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- mode
- missing
- diesel engine
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000012706 support-vector machine Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 4
- 238000000513 principal component analysis Methods 0.000 claims abstract description 4
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 241000257303 Hymenoptera Species 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000003909 pattern recognition Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000012567 pattern recognition method Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开一种基于GNA‑XALO‑SVM的柴油机装配质量异常模式识别方法,采用蒙特卡洛仿真装配间隙的6种模式数据,组成初始数据集矩阵Xn×m,对初始数据集矩阵Xn×m设置缺失值,获得含有缺失值的缺失数据集D:对缺失数据集D进行填补得到填补后的数据集Bn×m;利用主成分分析法对数据集Bn×m降维得到降维后的数据集P;基本蚁狮算法优化支持向量机的惩罚因子和核函数,得到优化后的惩罚因子和核函数以及优化后的支持向量机分类器;利用改进的灰色关联度分析法进行缺失值填补,提高相关性,使填补的数据更符合实际数据,利用改进蚁狮算法优化支持向量机的参数,提高支持向量机异常模式识别的准确率。
Description
技术领域
本发明属于异常模式智能领域,具体涉及船用的柴油机,是一种基于GNA(灰色关联度分析法)、XALO(蚁狮算法)、以及SVM(支持向量机)的船用的柴油机装配质量异常模式识别方法。
背景技术
船用柴油机的装配过程会产生反映装配质量的质量特性数据,质量特性数据的模式分为下面六类:正常模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式、和周期模式。目前的船用柴油机装配主要依赖于人工,环境等各种因素的影响会导致装配过程出现操作不规范,使得装配质量特性数据波动,所以需要针对装配过程质量控制开展动态异常模式识别,从而提高柴油机装配质量。准确识别装配过程数据流的异常模式,对船用柴油机装配过程质量控制很重要。
目前,异常模式识别方法大多是利用机器学习算法对模型进行特征提取和算法优化方面,其中特征提取在模式识别中起到重要的作用,可以对原始数据的关键信息保留和冗余信息的剔除。针对异常模式识别,中国专利号为201910673710.3、名称为““基于模糊匹配的时间序列异常模式识别方法及装置”公开的方案中提到先对原始时间序列进行缺失值处理,利用模糊匹配算法针对时间序列进行异常模式识别,但该方案中,由于质量数据模式比较相似,模糊匹配算法并不能识别成功,模糊匹配的准确率不如支持向量机(SVM)。中国专利号为201910217926.9、名称为“一种基于改进遗传算法优化的质量控制图模式识别方法”公开的方案,利用改进遗传算法进行异常模式识别,但是没有考虑缺失数据对于结果的影响。中国专利号为201810157181.7、名称为“基于多源多参量融合的输变电设备状态异常模式识别方法及装置”公开的方法,根据时间序列生成数据,并通过聚类方法识别异常模式,但是其主要是识别出异常数据,并不能识别异常数据中的异常模式。
针对船用柴油机,关键质量特性数据对其装配质量都会产生或多或少的影响,目前很少考虑缺失数据对识别结果的影响,通常是利用小波分析对数据进行预处理,跳过缺失数据,但是一些关键节点缺失数据会对识别结果产生较大的影响。
发明内容
本发明的目的是为了克服现有技术的不足,提供了一个基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法,体现缺失数据对船用柴油机装配质量异常模式识别结果的影响,利用优化后的支持向量机分类器更准确地识别异常模式。
为实现上述目的,本发明所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法采用的技术方案是包括以下步骤:
步骤1:选取柴油机重要部件的装配间隙u0,采用蒙特卡洛仿真得到其正常模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式以及周期模式这6种模式数据,组成初始数据集矩阵Xn×m,n为行,m为列;对初始数据集矩阵Xn×m设置缺失值,获得含有缺失值的缺失数据集D:
步骤2:对缺失数据集D进行填补,得到填补后的数据集Bn×m;
步骤3:利用主成分分析法对数据集Bn×m降维,得到降维后的数据集P;
步骤4:基本蚁狮算法优化支持向量机的惩罚因子和核函数,得到优化后的惩罚因子和核函数以及优化后的支持向量机分类器;
步骤5:将所述的数据集P分为训练集和测试集,将训练集输入支持向量机分类器中,得到异常模式诊断模型,将测试集输入所述的异常模式诊断模型中,获得分类结果,将分类结果和测试集的实际结果进行比较,计算出准确率,如果准确率高于90%,则为该异常诊断模型为满足要求的异常诊断模型;
步骤6:采集待诊断的柴油机部件的装配间隙,将该采集的装配间隙数据输入步骤五中所述的满足要求的异常模式诊断模型中,获得模式的类别,得出6种模式中的正常模式或其他的异常模式。
本发明与现有技术相比,其显著优点是:
1、本发明利用改进的灰色关联度分析法进行缺失值填补。改进的灰色关联度分析法利用皮尔逊相关系数进行填补,通过相关性填补缺失数据,提高实例间的相关性,使填补的数据更符合实际数据,降低缺失数据对结果产生的影响,降低船用柴油机质量数据异常模式识别的难度。
2、本发明针对支持向量机参数敏感度高的缺点,利用改进蚁狮算法优化支持向量机的参数,通过混沌因子优化蚁狮算法边界,提高蚂蚁自适应边界内移动的范围,避免局部最优解,提高了蚁狮算法的收敛速度和寻优精度,提高支持向量机异常模式识别的准确率。
3、本发明是针对船用柴油机关键零部件装配创建数据集,更加适用于船用柴油机装配质量异常模式识别。
附图说明
图1为本发明的总体流程图;
图2为正常模式和异常模式控制示意图;
图3为图1中改进灰色关联度分析法缺失值填补流程图;
图4为图1主成分降维流程图;
具体实施方式
参见图1,本发明所述的基于GNA-XALO-SVM的异常模式识别方法,主要包括缺失值填补、改进蚁狮算法优化支持向量机参数和优化后的支持向量机识别异常模式三个部分。首先对数据进行缺失值填补,降低缺失值对算法和结果产生的影响;利用改进蚁狮算法对支持向量机参数进行优化,提高支持向量机分类准确率;最后将数据集导入优化后的支持向量机分类器中,输出异常模式识别结果。如图1所示,具体步骤如下:
步骤一:针对船用柴油机质量数据异常模式复杂性,选取其中的重要部件的装配间隙u0作为识别对象。例如选取活塞连杆这个部件的装配间隙作为识别对象。然后,针对装配间隙u0采用蒙特卡洛仿真得到如图2所示的6种模式:
(2)上升趋势模式:x2(t)=u0+H(t)+k1×t,其中k1为上升趋势的变化斜率。
(3)下降趋势模式:x3(t)=u0+H(t)-k2×t,其中k2为下降趋势的变化斜率。
(4)向上阶跃模式:x4(t)=u0+H(t)+b×s1,其中b为系数,当t≥t0时,b=1,当t<t0时,b=0,t0产生阶跃时的采样点序号,s1为向上阶跃幅度。
(5)向下阶跃模式:x5(t)=u0+H(t)-b×s2,其中当t≥t0时,b=1,当t<t0时,b=0,s2为向下阶跃幅度;
(6)周期模式:x6(t)=u0+H(t)+A×sin(2πt/Tm),其中A为周期模式的振幅,Tm为变化周期。
得到6种模式的模式数据为x1(t),x2(t),x3(t),x4(t),x5(t),x6(t),由这6种模式的模式数据构建初始数据集矩阵Xn×m,其中n为数据集矩阵X的行,m为数据集矩阵X的列,X=(X1,X2,X3,…,Xn)T,其中T表示转置,Xi为数据集矩阵X的第i行,i=1,2,…n,Xi为x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)中的任意一个,且x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)可被重复选择。Xi=(xi1,xi2,xi3,…,xim)为某一模式各采样点t对应的值。
由于噪声等环境因素会产生数据缺失的情况,所以对初始数据集矩阵Xn×m设置缺失值,缺失值设置规则如下:在Xn×m中任意选取其中的行,并在选取的行中随机选择3~6个位置,使其为0,位置为0的代表其位置是缺失数据,从而生成缺失数据集D。如下表1所示的数据集矩阵Xn×m,其中位置为0的代表其位置是缺失数据,组成含有缺失数据的缺失数据集D:
表1
步骤二:对数据集D中的缺失值进行填补,填补方法是利用改进灰色关联度分析方法填补,如图3所示,具体是:
(21)将数据集D作归一化处理,得到归一化后的数据集D。
(22)归一化后的数据集D作处理,将其分为含有缺失值的数据和不含有缺失值的数据,将所有不含有缺失值的数据组成完整子集Di1,将所有含有缺失值的数据组成不完整子集Di2。
(23)从完整子集Di1和不完整子集Di2中分别取出一行数据,完整子集Di1中的一行数据记为数据组Z,不完整子集Di2中的一行数据记为数据组Y。然后分别计算数据组Z的样本均值以及数据组Y的样本均值计算的公式是:最后,根据样本均值和计算数据组Z和Y之间的皮尔逊相关系数数rz,y,计算公式是:其中,zt,yt为Z,Y对应于采样点t的值。
(24)根据皮尔逊相关系数,采用最近邻填补法预填补步骤(22)中的归一化后的数据集D。所述的最近邻填补法参见中国专利号为201710267672.2、名称为“一种基于最近邻KNN算法的缺失数据填补方法”的文献公开的方法。
归一化后的数据集D在采用最近邻填补法预填补后,得到的数据集为对比数据集Tn×m,此时的对比数据集Tn×m仅仅作为对比数据,虽然不含有缺失值,但不是最终的完整数据集。
(25)判断步骤(22)中归一化后的数据集D中的每一行(第b行)是否含有缺失数据,b=1,2,…n,如果含有缺失数据,则由步骤(23)中的皮尔逊相关系数rz,y和该行(第b行)数据计算rz,y和该行数据之间的关联度,关联度计算公式是:其中min表示最小值,max表示最大值,Db表示数据集D第b行数据,ρ为分辨系数,且ρ∈(0,1),通常取0.5。
同时,还要计算皮尔逊相关系数rz,y与步骤(24)中所述的对比数据集Tn×m中第b行数据间的关联度ξb2。计算公式与上述的关联度计算公式雷同。
(26)然后比较两个关联度ξb1与ξb2的大小,如果ξb1≥ξb2,则用皮尔逊相关系数rz,y替换数据集D中的缺失值0,反之,则用对比数据集Tn×m中的第b行数据整体替换数据集D的第b行数据,直到所有缺失数据填补完成,填补完成后的数据集记为Bn×m,该数据集为最终填补好的完整的数据集。
步骤三:利用主成分分析法对填补好的完整的数据集Bn×m降维,如图4所示:
(31)将数据集Bn×m进行标准化处理。
(32)计算步骤(31)标准化处理后的数据集Bn×m的相关系数矩阵R。
(33)计算相关系数矩阵R的特征值λ1≥λ2≥…≥λm≥0,及对应的特征向量ui1,ui2,…,uim,i=1,2,…n,由特征向量组成m个新的指标变量:
式中,y1是第1主成分,y2是第2主成分,…,ym是第m主成分。
(34)计算主成分yj的累积贡献率ap,其中其中λl为相关系数矩阵R的第l个特征值,p<m,由于船用柴油机对装配精度要求较高,所以选取累积贡献率达到95%的前p(p≤m)个主成分,此时可以将数据集Bn×m从n×m维降到n×p维,并将降维后的数据存入数据集P中。
步骤四:通过对文献(“TheAnt Lion Optimizer”DOI:10.1016/j.advengsoft.2015.01.010)中提供的基本蚁狮算法作改进,优化支持向量机参数。
(41)设置算法初始参数,包括最大迭代次数Tmax,种群数量NALO,维度Dim,初始位置矩阵Ma,支持向量机惩罚因子的范围[cmin,Cmax]和核函数参数的范围[gmin,gmax],其中cmin,cmax为惩罚因子最小值和最大值,gmin,gmax为核函数参数最小值和最大值。
(42)对种群进行随机初始化。根据步骤(41)中惩罚因子和核函数参数的取值范围随机初始化蚁狮和蚂蚁的种群,实现整个蚁狮种群的并行搜索。
(43)计算蚁狮陷阱位置的适应度值,适应度值为支持向量机分类器识别的准确率,并将最优适应度定义为精英蚁狮。
(44)利用优化轮盘赌选择一个蚁狮。优化轮盘赌是参见文献(“Comparison andAnalysis of the Selection Mechanism in the Artificial Bee Colony Algorithm”,会议名称:Ninth International Conference on Hybrid Intelligent Systems)中方法,选择概率用锦标赛选择方法获得。
(45)使蚂蚁在陷阱的自适应边界[cgen,dgen]内随机滑动。自适应边界定义如下:其中cgen是第gen次迭代时所有变量的最小值,dgen为第gen次迭代时包含所有变量的最大值,I是比率,其中tgen为当前迭代次数,rand为(0,1)之间的随机数,w是一个常量,取决于当前迭代次数tgen。
(45)更新蚂蚁的位置,重新计算适应度值,比较适应度值和精英蚁狮的大小,选择较优的为全局最优解。
(46)判断是否达到迭代次数,如果没达到迭代次数重复步骤(42)~(44);达到迭代次数则输出全局最优解,最优解就是支持向量机优化后的惩罚因子和核函数参数,此时的支持向量机分类器为优化后的支持向量机分类器。
步骤五:将步骤(34)中的数据集P代入步骤(46)中的优化后的支持向量机分类器中。
支持向量机的核函数选择高斯核,因为船用柴油机质量特性数据的不确定性和复杂性,高斯核有很好的泛化能力,不会出现过学习现象。将数据集P前n行作为训练集,剩下的作为测试集,将训练集代入MATLAB支持向量机分类器中,得到异常模式诊断模型,之后将测试集数据代入异常模式诊断模型中,获得分类结果,将分类结果和测试集实际结果进行比较,计算准确率,判断准确率,如果准确率高于90%,则该异常诊断模型满足要求。
步骤六:将步骤五所述的异常模式诊断模型用来诊断柴油机:采集待诊断的柴油机部件的装配间隙,将该采集的装配间隙数据输入所述的异常诊断模型中,异常诊断模型直接输出模式类别,得到6种模式中的正常模式还是其他的异常模式,如此完成模式识别。
Claims (8)
1.一种基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法,其特征是包括以下步骤:
步骤1:选取柴油机重要部件的装配间隙u0,采用蒙特卡洛仿真得到其正常模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式以及周期模式这6种模式数据分别是x1(t),x2(t),x3(t),x4(t),x5(t),x6(t),组成初始数据集矩阵Xn×m,n为行,m为列;对初始数据集矩阵Xn×m设置缺失值,获得含有缺失值的缺失数据集D:
步骤2:对缺失数据集D进行填补,得到填补后的数据集Bn×m;
步骤3:利用主成分分析法对数据集Bn×m降维,得到降维后的数据集P;
步骤4:基本蚁狮算法优化支持向量机的惩罚因子和核函数,得到优化后的惩罚因子和核函数以及优化后的支持向量机分类器;
步骤5:将所述的数据集P分为训练集和测试集,将训练集输入支持向量机分类器中,得到异常模式诊断模型,将测试集输入所述的异常模式诊断模型中,获得分类结果,将分类结果和测试集的实际结果进行比较,计算出准确率,如果准确率高于90%,则为该异常诊断模型为满足要求的异常诊断模型;
步骤6:采集待诊断的柴油机部件的装配间隙,将该采集的装配间隙数据输入步骤五中所述的满足要求的异常模式诊断模型中,获得模式的类别,得出6种模式中的正常模式或其他的异常模式。
2.根据权利要求1所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法,其特征是:所述的正常模式为x1(t)=u0+H(t),t为仿真采样点序号,t=1,2,3,…,m;上升趋势模式为x2(t)=u0+H(t)+k1×t,k1为上升趋势的变化斜率;下降趋势模式为x3(t)=u0+H(t)-k2×t,k2为下降趋势的变化斜率;向上阶跃模式为x4(t)=u0+H(t)+b×s1,b为系数,当t≥t0时,b=1,当t<t0时,b=0,t0产生阶跃时的采样点序号,s1为向上阶跃幅度;向下阶跃模式为x5(t)=u0+H(t)-b×s2,当t≥t0时,b=1,当t<t0时,b=0,s2为向下阶跃幅度;)周期模式为x6(t)=u0+H(t)+A×sin(2πt/Tm),A为周期模式的振幅,Tm为变化周期。
4.根据权利要求1所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法,其特征是:步骤2中,对缺失数据集D进行填补的方法是:
步骤(1):将归一化后的缺失数据集D中不含有缺失值的数据组成完整子集Di1,含有缺失值的数据组成不完整子集Di2;
步骤(2):从完整子集Di1和不完整子集Di2中分别取出一行数据分别记为数据组Z和Y,先分别计算数据组Z的样本均值以及数据组Y的样本均值再根据样本均值和计算数据组Z和Y之间的皮尔逊相关系数数rz,y,
步骤(3):采用最近邻填补法预填补所述的归一化后的数据集D,得到对比数据集Tn×m;
步骤(4):判断归一化后的数据集D中的每一行是否含有缺失数据,如果含有缺失数据,则计算皮尔逊相关系数rz,y和该一行数据之间的关联度ξb1以及皮尔逊相关系数rz,y与对比数据集Tn×m中该行数据间的关联度ξb2;
步骤(5):比较两个关联度ξb1与ξb2的大小,如果ξb1≥ξb2,则用皮尔逊相关系数rz,y替换数据集D中的缺失值0,反之,则用对比数据集Tn×m中的该一行数据整体替换数据集D的同一b行数据,得到填补完成后的数据集Bn×m。
5.根据权利要求1所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法,其特征是:步骤3中,所述的主成分分析法中,选取累积贡献率达到95%的前p个主成分,将数据集Bn×m从n×m维降到n×p维,p<m。
6.根据权利要求1所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法,其特征是:步骤4中,所述的基本蚁狮算法优化支持向量机的惩罚因子和核函数的方法是:
步骤1):设置的初始参数中包括支持向量机惩罚因子的范围[cmin,cmax]和核函数的范围[gmin,gmax],cmin,cmax为惩罚因子最小值和最大值,gmin,gmax为核函数最小值和最大值;
步骤2):根据惩罚因子和核函数的取值范围随机初始化蚁狮和蚂蚁的种群;
步骤3):计算蚁狮陷阱位置的适应度值,将最优适应度定义为精英蚁狮;
步骤4):利用优化轮盘赌选择一个蚁狮,使蚂蚁在陷阱的自适应边界内随机滑动;
步骤5):更新蚂蚁的位置,重新计算适应度值,比较适应度值和精英蚁狮的大小,选择较优的为全局最优解,即是支持向量机优化后的惩罚因子和核函数,得到的支持向量机分类器为优化后的支持向量机分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411979.8A CN113988713B (zh) | 2021-11-25 | 2021-11-25 | 基于gna-xalo-svm的柴油机装配质量异常模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411979.8A CN113988713B (zh) | 2021-11-25 | 2021-11-25 | 基于gna-xalo-svm的柴油机装配质量异常模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988713A true CN113988713A (zh) | 2022-01-28 |
CN113988713B CN113988713B (zh) | 2024-06-21 |
Family
ID=79731776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111411979.8A Active CN113988713B (zh) | 2021-11-25 | 2021-11-25 | 基于gna-xalo-svm的柴油机装配质量异常模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988713B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008041840A1 (de) * | 2008-09-05 | 2009-10-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Klopferkennung in einem Brennkraftmotor |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
CN112526931A (zh) * | 2020-11-27 | 2021-03-19 | 江苏科技大学 | 一种船用柴油机机身孔系镗削加工过程质量控制方法 |
-
2021
- 2021-11-25 CN CN202111411979.8A patent/CN113988713B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008041840A1 (de) * | 2008-09-05 | 2009-10-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Klopferkennung in einem Brennkraftmotor |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
CN112526931A (zh) * | 2020-11-27 | 2021-03-19 | 江苏科技大学 | 一种船用柴油机机身孔系镗削加工过程质量控制方法 |
Non-Patent Citations (1)
Title |
---|
简春菲;王晓峰;王司;: "基于ALO-SVM的模拟电路故障诊断研究", 自动化技术与应用, no. 12, 25 December 2019 (2019-12-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN113988713B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111785329B (zh) | 基于对抗自动编码器的单细胞rna测序聚类方法 | |
CN111429415B (zh) | 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN111368885A (zh) | 一种基于深度学习和信息融合的航空发动机气路故障诊断方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN114019370B (zh) | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 | |
CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
CN111275074B (zh) | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 | |
CN115575125A (zh) | 基于gadf-gan-avoa-cnn的轴承故障诊断方法 | |
CN115796358A (zh) | 一种碳排放预测的方法及终端 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN114169385A (zh) | 基于混合数据增强的mswi过程燃烧状态识别方法 | |
CN113988713A (zh) | 基于gna-xalo-svm的柴油机装配质量异常模式识别方法 | |
CN116310728A (zh) | 基于CNN-Linformer模型的浏览器识别方法 | |
CN107229944B (zh) | 基于认知信息粒子的半监督主动识别方法 | |
CN113111308A (zh) | 基于数据驱动遗传编程算法的符号回归方法及系统 | |
CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 | |
CN118094454B (zh) | 一种配电网负荷数据异常检测方法及系统 | |
CN117784615B (zh) | 一种基于impa-rf的火控系统故障预测方法 | |
CN110197201A (zh) | 一种电梯保养5s检测方法与系统 | |
CN112070023B (zh) | 一种邻域先验嵌入型协同表示模式识别方法 | |
Guan | Performance Analysis of Convolutional Neural Networks and Multilayer Perceptron in Generative Adversarial Networks | |
Wei et al. | Oversampling algorithm based on generative adversarial network | |
CN118101276A (zh) | 一种基于融合特征的入侵检测方法及系统 | |
JPH09231079A (ja) | ファジィ推論システムおよびファジィルール構築システム |
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 | ||
GR01 | Patent grant |