CN114462627A - 基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 - Google Patents
基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 Download PDFInfo
- Publication number
- CN114462627A CN114462627A CN202210261296.7A CN202210261296A CN114462627A CN 114462627 A CN114462627 A CN 114462627A CN 202210261296 A CN202210261296 A CN 202210261296A CN 114462627 A CN114462627 A CN 114462627A
- Authority
- CN
- China
- Prior art keywords
- wolf
- algorithm
- alpha
- support vector
- vector machine
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法,包括:1、采集顶吹熔炼系统中的监测数据,基于最大信息系数对监测数据进行特征优选,获取最优特征集;2、将最优特征集分为训练集和测试集;3、使用改进灰狼算法优化支持向量机的核函数参数与惩罚因子,根据优化后的核函数参数与惩罚因子进行SVM建模,得到GWO‑SVM分类模型;4、根据训练集对GWO‑SVM分类模型进行支持向量机训练,基于训练后的GWO‑SVM分类模型针对测试集进行异常诊断,并输出异常诊断结果。本发明将最大信息系数与改进灰狼算法结合,能够提高异常诊断的准确率。
Description
技术领域
本发明涉及顶吹熔炼系统技术领域,更具体的说是涉及一种基于灰狼算 法与支持向量机顶吹熔炼系统异常诊断方法。
背景技术
目前,顶吹熔炼系统是一种在全世界比较先进的有色冶金系统,在金属 铜、锡、铅、镍等熔炼领域得到了广泛地运用,顶吹熔炼系统具有尺寸紧凑、 配套生产流程简单、投资低等优势,因而,顶吹熔炼技术在我国多家有色冶 金企业得到了推广与应用,如中条山有色金属公司侯马冶炼厂、云南冶炼厂、 云铜陵有色金属集团股份有限公司、金川集团镍冶炼厂等。顶吹熔炼系统的 关键部件包括,喷枪系统、炉衬、烟道、炉体。
但是,在各企业的顶吹熔炼系统运行的过程中,常见的故障主要有三种, 分别是:喷枪故障、炉衬故障和烟道故障。喷枪故障又包含了喷枪端部烧损、 喷枪端部管壁烧穿、旋流器烧损,炉衬故障又包含了化学腐蚀、变质层崩裂 和剥落、机械蚀损,烟道故障主要指的是烟道结瘤。其中,喷枪故障的发生 频率是最高的。并且故障频率呈上升趋势,故障预测成果有限,维修成本高, 特别是对故障前期的异常诊断的研究成果更是少有涉及,影响了企业的生产 效率和经济效益,严重时甚至可以影响到整个企业的安全生产运行。原始监 测数据总是包含冗余信息,会掩盖数据本身蕴含的真实信息,冗余信息甚至 会干扰诊断结果。
因此,如何提供一种基于灰狼算法与支持向量机顶吹熔炼系统异常诊断 方法,从大量的系统运行数据中对异常进行精准诊断,尽可能对事故提前发 现与报警是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于灰狼算法与支持向量机顶吹熔炼系统 异常诊断方法,通过进行两类喷枪异常的准确检测,基于MIC(Maximal InformationCoefficient)进行顶吹熔炼系统的特征选取,通过改良控制参 数对灰狼算法进行改进,并结合莱维飞行对灰狼算法中的位置进行更新,进 一步对核函数参数和惩罚因子进行优化,获取的GWO-SVM参数的最优解,从 而实现对顶吹熔炼系统进行精准异常诊断的目的。
为了实现上述目的,本发明采用如下技术方案:基于灰狼算法与支持向 量机顶吹熔炼系统异常诊断方法,包括:
步骤1:采集顶吹熔炼系统中的监测数据,基于最大信息系数对监测数据 进行特征优选,获取最优特征集;
步骤2:将最优特征集分为训练集和测试集;
步骤3:使用改进灰狼算法优化支持向量机的核函数参数与惩罚因子,根 据优化后的核函数参数与惩罚因子进行SVM建模,得到GWO-SVM分类模型;
步骤4:根据所述训练集对所述GWO-SVM分类模型进行支持向量机训练, 基于训练后的GWO-SVM分类模型针对所述测试集进行异常诊断,并输出异常 诊断结果。
优选的,步骤1中,获取最优特征集的过程如下:
步骤1-1:将监测数据的特征放置在二维坐标系中;
步骤1-2:对所述二维坐标系进行多次网格划分;
步骤1-3:计算在每次网格划分下,每一块网格中的特征之间的互信息值, 计算每次网格划分的最大互信息值,并建立最大互信息矩阵;
步骤1-4:将最大互信息矩阵做标准化处理;
步骤1-5:根据标准化处理的最大互信息矩阵计算最大信息值,计算公式 为:
其中,X,Y分别为给定的两变量,I(X(G),Y(G))表示互信息,logmin{x,y}表示 为归一化,B为最大网格数,通常取B=n0.6,n为数据量;
步骤1-6:根据计算的最大信息值得到特征变量的相关性,并依据特征变 量的相关性从小到大依次排序,依据排序剔除预设的特征变量个数,未剔除 的特征变量为最优特征集。
优选的,步骤3中,改进灰狼算法步骤如下:
步骤3-1:初始化灰狼种群N,随机初始化灰狼的位置,最大迭代次数为 T,初始化迭代次数t=1,初始化的目标适应度值,刚开始是随机的,随着迭代 过程与适应度函数值进行比较,目标适应度值改变;
步骤3-2:根据莱维飞行对灰狼捕食位置进行位置更新;
步骤3-3:计算每个灰狼个体的适应度值;若新个体的适应度值优于旧个 体,则更新新一代个体,由新个体替换原来的位置,并更新适应度值;反之, 保留旧个体,原来的适应度值保持不变;其中,适应度值是以svm预测时错 误率最小为目标;
步骤3-4:根据更新的适应度值计算并更新灰狼算法参数;
步骤3-5:若当前迭代次数大于最大迭代次数,输出核函数参数与惩罚因 子;否则,t=t+1,返回步骤S3-2。
优选的,所述步骤3-2中,位置更新的公式如下:
优选的,所述随机搜索路径公式为:
XLevy(u)=Xstep·[X(t)-Xm(t)]·Xrandn
其中,u的取值为1.5,Xm(t)为当前迭代时α、β、δ狼的位置,Xrandn为区 间[0,1]之间的随机数,X(t)为当前迭代ω狼的位置,t为迭代次数,Xstep表 示服从一定分布规律的随机数,Γ()表示一种函数关系,μ和v服 从正态分布,μ~N(0,1),ν~N(0,S2),
优选的,所述步骤3-3中,包括:
步骤3-3-1:计算灰狼个体与猎物的距离,公式为:
d=|D×XP(t)-X(t)|
其中,t为当前迭代次数,XP(t)表示猎物的位置,X(t)表示当前迭代ω狼 的位置,D为灰狼个体的系数向量;
步骤3-3-2:计算剩余ω狼群与α,β,δ狼的距离:
其中,Xα(t)、Xβ(t)、Xδ(t)分别为α、β、δ狼的当前位置,D1、D2、D3分别 为α、β、δ狼的系数向量,dα、dβ、dδ分别表示α、β、δ与剩余ω狼群的距离,即 当前狼趋向3个最优解的距离;
步骤3-3-3:计算α狼,β狼,δ狼的更新位置:
步骤3-3-4:ω狼的最终位置公式为:
其中,t为当前迭代次数,X1(t)、X2(t)和X3(t)分别为ω狼群与α,β,δ 狼的距离。
(2)D=2m2
其中,T为最大迭代次数,t为当前迭代次数;表示灰狼种群的系数向 量,D为灰狼个体的系数向量,a表示距离控制参数,即收敛因子,a的各个 分量在迭代过程中线性地从2减小到0,m1和m2为[0,1]之间的随机向量。
优选的,所述步骤4中,GWO-SVM分类模型训练如下:
步骤4-1:构造最优线性决策函数,利用结构风险最小化原则,将分类问 题转化为优化问题:
步骤4-2:输入所述训练集xi,以及对应的输出类标记yi,依据拉格朗 日乘子理论求解上式,得到如下公式:
其中,ci和cj为引入的拉格朗日乘子,yi和yj为类标记,K(xi,xj)选用径 向基函数,xj为测试集。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基 于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法,本发明可以降低维修 成本,故障发生概率,减少因系统停机而给企业带来经济损失,进而降低顶 吹熔炼系统的运维人员工作量,更重要的是确保整个系统安全高效的运行。。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面 描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不 付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的流程示意图。
图2为本发明改进的灰狼算法流程示意图。
图3为本发明的灰狼群体等级结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而 不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例公开了一种基于灰狼算法与支持向量机顶吹熔炼系统异常 诊断方法,包括:步骤1:采集顶吹熔炼系统中的监测数据,基于最大信息系 数对监测数据进行特征优选,获取最优特征集;
步骤2:将最优特征集分为训练集和测试集;
步骤3:使用改进灰狼算法优化支持向量机的核函数参数与惩罚因子,根 据优化后的核函数参数与惩罚因子进行SVM建模,得到GWO-SVM分类模型;
步骤4:根据训练集对所述GWO-SVM分类模型进行支持向量机训练,基于 训练后的GWO-SVM分类模型针对测试集进行异常诊断,并输出异常诊断结果。 本发明采用一种基于最大信息系数法(MIC)与改进的灰狼优化-支持向量机算 法(GWO-SVM)相结合,第一,顶吹熔炼系统中所采集的监测数据对系统异常 诊断效果的影响度有强有弱,而MIC则可以根据数据之间的相关性,消除冗 余的特征数据。第二,SVM算法较传统算法,如神经网络、K邻近、决策树等 算法,对异常数据较为敏感,且泛化能力好。第三,GWO算法是一种智能优化 算法,具有收敛速度快,寻优能力强等优点。本发明提出的改进灰狼优化算 法对SVM参数进行优化,在避免陷入局部最优方面表现突出,能够提高异常 诊断的准确率。
在本实施例中,步骤1中,在面对成千上万的数据变量时,针对某一特 定输出结果,有些变量与其存在重要的因果关系尚未揭示出来,有些变量之 间则互为冗余关系,有些变量与输出结果则为完全不相关。本发明基于最大 信息系数(MIC)来计算所监测的11种顶吹熔炼系统的特征变量与喷枪尖端 烧损、喷枪尖端管壁穿孔早期阶段异常间的相关性,并依据相关敏感性的得 分进行排序,最后从11种监测变量中选择出对异常较为敏感的最优特征子集, 即剔除影响较小即相关性弱的不敏感甚至不相关的数据特征,同时剔除冗余变量,选出影响较大的最优特征集,从而提高异常诊断算法的准确率,并降 低算法的运行复杂度。本发明的核心思想:在输出确定的情形下,对于两个 变量而言,若两者之间存在一定的关联,那么就可以在二维平面中通过不断 绘制网格格栅将两变量组成的散点图中的数据点分割开。其中,x与y由样本 数的大小决定,并得到其状态下最大互信息,进而可以将不同的网络格栅状 态下得到的最大互信息组成一个特征矩阵A,表示如下:
然后将矩阵A做标准化处理,消除格栅数的影响,从而使矩阵A所属元 素的最大互信息之间可以相互比较,标准化后矩阵A的元素值在0到1之间, 最后计算MIC,其计算公式为
其中,X,Y分别为给定的两变量,I(X(G),Y(G))表示互信息,logmin{x,y}表示 为归一化,B为最大网格数,通常取B=n0.6,n为数据量。
进而,将MIC应用于顶吹熔炼系统的异常诊断中,通过计算表示特征相 关性的MIC,对特征进行排序,并依据相关性从小到大依次剔除,通过比较算 法的准确率,最终选出最优特征集。
在本实施例中,步骤3中,灰狼优化算法的流程为:通过模拟自然界中 灰狼的社会等级制度与狩猎行为,按照适应度排序将整个狼群分为四个级别: α、β、δ、ω;其中,α负责群体的决策,β协助管理决策,δ负责侦查、放哨、 捕猎等行为,ω负责平衡内部关系;捕猎时,α、β、δ追捕猎物,ω跟随3类狼 的后面包围,对于狩猎猎物,具体步骤为:搜索跟踪、包围猎物、狩猎和攻 击。
2)包围猎物:根据猎物的位置更新搜索空间中各个灰狼的位置,更新方 程如下:
其中,t是当前迭代次数,XP(t)表示猎物的位置,X(t+1)是灰狼位置, d表示猎物与灰狼之间的距离,表示灰狼群体的系数向量,a表示距离控制 参数,即收敛因子,a的各个分量在迭代过程中线性地从2减小到0,m1和m2为[0,1]之间的随机向量,T为最大迭代次数;
灰狼个体与猎物的距离,公式为:
d=|D×XP(t)-X(t)|
XP(t)表示猎物的位置,X(t)表示当前迭代ω狼的位置,D表示灰狼个体的 系数向量;
但是,GWO算法在解决复杂优化问题时仍然容易过早陷入局部极值,即出 现早熟收敛的现象。为解决上述问题,本发明利用莱维飞行对灰狼种群的位 置进行更新。莱维飞行属于随机游动,是一种性能良好的搜索策略,其对群 体中α灰狼进行全局搜索,能够扩大算法的搜索范围,避免出现及早陷入局部 最优的问题。其位置更新可表示为:
XLevy(u)=Xstep·[X(t)-Xm(t)]·Xrandn
其中,Xalpha取0.01,XLevy(u)为随机搜索路径,u的取值为1.5,为点 对点乘法;Xα为α狼当前位置,Xm(t)为当前迭代时α、β、δ狼的位置,Xrandn为 区间[0,1]之间的随机数,X(t)为当前迭代ω狼的位置,t为迭代次数,Xstep表示服从一定分布规律的随机数,Γ()表示一种函数关系,如 μ和v服从正态分布,μ~N(0,1),ν~N(0,S2),
3)狩猎阶段:更新狼群中ω狼个体的位置依据α狼,β狼和δ狼的信息, ω狼最终位置的更新公式为:
其中,X1(t)、X2(t)和X3(t)定义为:
Xα(t)、Xβ(t)、Xδ(t)分别为α、β、δ狼在第t次迭代的位置,dα、dβ、dδ分别表示 α、β、δ与其他个体间的距离,即当前狼趋向3个最优解的距离。
4)攻击阶段:攻击猎物是狩猎过程的最后阶段。接近猎物可以通过减少a 的值来数学建模。注意的变化可以通过a的变化来实现,整个迭代过程中a 的区间为[0,2]。当|A|<1时,灰狼可以移动到它当前位置与猎物之间的任何 位置,此时对应于局部精确搜索,而强的局部搜索能力能够保证精准搜索, 加快算法的收敛速度。当时,灰狼群体将扩大包围圈,以寻找更好的猎 物,此时对应于全局搜索。
本发明需要兼顾全局搜索和局部搜索能力,提出一种新的非线性控制参 数的更新方法,可表示为:
在搜索前期a的变化较慢,其代表算法的全局探索能力较强;在搜索后期 a的变化较快,其代表算法将具有良好的局部搜索能力。也即,收敛因子a将 随进化迭代次数的增加而呈现出非线性动态变化的规律,从而为平衡算法在 全局搜索能力和局部搜索能力之间的协同提供保证。
在本实施例中,SVM作为机器学习的一种算法,在解决非线性、小样本以 及高维模式识别中体现出特有的优势,但SVM的性能很大程度受内部参数的 影响。使用传统的粒子群算法、布谷鸟搜索算法以及遗传算法对SVM进行参 数优化,都对SVM性能的提升有限。本发明通过改进的灰狼优化算法来优化 SVM参数,可同时考虑全局搜索和局部搜索的能力,进而提高异常诊断的效果。
在本实施例中,选择映射函数Ψ(xi)把n维样本向量(xi,yi)(i=1,2,…n)从原 空间映射到高斯特征空间,在此高维特征空间中构造最优线性决策函数,将 分类问题转化为优化问题,利用了结构风险最小化原则,同时引入了间隔的 概念,并巧妙地利用原空间的核函数取代了特征空间的点积运算,降低了运 算的复杂度。针对特定样本集,以svm预测时错误率最小为目标适应度值, 该优化问题可表示为:
数据是非线性可分的,SVM使用核函数把数据映射到高维空间,在高维空 间中可以找到一个超平面,从而线性可分,其目标函数为:
其中C代表惩罚因子,利用它可以平衡最大间隔与松弛变量;松弛因子 ξi≥0,i=1,2,...,n,ci和cj为引入的拉格朗日乘子,yi和yj为类标记,xj为 测试集;
核函数被定义为非线性函数的点积,这样可以解决由高维投影导致的维 数灾难问题,主要有3种常用的核函数:
线性核函数:K(xi,xj)=<xi,xj>
径向基函数:K(xi,xj)=exp(-||xi-xj||2/2σ2)
多项式核函数:K(xi,xj)=(<xi,xj>+c)d
由于径向基核函数在近似任何非线性函数方面性能显著,而且有更少的 参数进行优化,故在本发明的SVM分类器中被采用。可表示为:
其中,xi为训练集,γ为径向基核宽。
在本实施例中,本发明对于改进的灰狼算法进行仿真,以金川集团冶炼 厂的顶吹熔炼系统为对象,主要对喷枪尖端烧损、喷枪尖端管壁穿孔的两类 异常进行诊断。喷枪主要包括四层同心管套组成,从内到外,依次是燃料管、 氧气输送管、助燃空气输送管、冷却空气输送管。仿真分析包括以下步骤:
5-1,将数据集划分为训练集和测试集:从金川集团冶炼厂顶吹熔炼车间 采集2021年50余周的状态监测数据,并进行前期处理,将整理好的8000组 数据作为SVM分类训练的集合,分为训练集H1和测试集H2。其中,训练集 中有6400组数据用于SVM分类器的训练,并将剩余数据作为测试集,用于训 练效果检验,分配结果见表2。其中,F1代表正常数据,F2和F3分别表示喷 枪尖端烧损异常不明显与明显两种状态,F4和F5分别表示喷枪尖端管壁穿孔 不明显与明显两种状态。
表2分配训练集H1和测试集H2
5-2,选取评价指标:异常诊断的结果用混淆矩阵来表示见表3,其中PZ 为匹配正确的正常数目,WP为误报数目,LP为漏报数目,PY为匹配正确的异 常数目。
表3混淆矩阵
异常诊断的本质仍然是一个分类问题,对于这类问题,通常用误报与漏 报来反映分类的真实情况,而将准确率和召回率(Recall)作为评价指标恰 恰可以衡量分类效果。
准确率:
召回率:
5-3,结果分析:
(1)基于MIC的特征优选结果分析:采集的11种状态监测特征数据, 计算出表示相关性的MIC,并根据相关性的大小进行排序,排序结果如表4所 示。
表4基于MIC的特征选取相关性排序
为了选取顶吹熔炼系统异常诊断时的最优特征集,基于改进的GWO-SVM 进行训练,依次剔除相关性较小特征和冗余特征,从而确定出最优特征集。 以准确率作为评价指标,该指标可反映所选取特征子集的优劣,结果如下表5 所示。
表5特征剔除个数与异常诊断结果
从表5可以看出,随着被剔除的冗余变量或不敏感变量越来越多,当剔 除掉前6个特征变量时,其准确率达到一个峰值,即96.5%。与剔除5个变量 和剔除7个变量相比较,在保留5个特征变量的情况下,既能够保留数据的 有效特征,又可减少冗余变量和不敏感变量,保证了顶吹熔炼系统进行异常 诊断的准确率。通过将原始数据集和选择出的特征子集进行比对,结果表明 选择出的最优特征子集可以有效地代替原数据特征集进行异常诊断,可谓是 达到了特征选择目的。
(2)基于改进后的GWO-SVM算法仿真结果分析:通过MIC方法对11种 监测数据进行特征选择,进而用改进的GWO优化算法对SVM中的参数C、γ进 行优化。其中设定GWO算法中灰狼种群大小为40,迭代次数为400,自变量 维数为2,即对两个参数进行优化,C和γ的寻优范围分别为[0.1,100]和 [0.01,1000],选择具有非线性映射能力的高斯径向基函数(RBF)作为SVM 的核函数,最终得出经优化后两参数的值分别为97.25374和2.674。针对顶吹熔炼系统展开仿真实验,其仿真结果如表6混淆矩阵所示。
表6混淆矩阵
通过计算可得,准确率的平均值为94.9%,召回率的平均值为95%,将改 进后的GWO-SVM与未改进的GWO-SVM两种分类算法进行比较,对比结果如下 表7。从表7可以看出,在1600个测试样本中F1、F2、F3、F4、F5的准确率 分别达到93.1%,91.6%,95.6%,94.1%,100%。从表7可以看出,改进后的 GWO-SVM较未改进得GWO-SVM的准确率和召回率均有明显的提升,分别提升了 4.9%和10.2%。
表7改进前后方法的检测结果
本发明结合MIC的改进型GWO-SVM异常诊断算法,经过一系列的仿真实 验与分析,通过MIC进行特征集优选,解决了顶吹熔炼系统监测数据的冗余 问题,剔除了冗余变量、不敏感和不相关变量,可以有效提升异常诊断的准 确性。本发明通过对控制参数进行改进,同时利用莱维飞行对灰狼种群的更 新位置进行改进,有效增强了算法的寻优能力,突显了改进后的算法能够在 全局搜索能力和局部搜索能力之间进行协同。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都 是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。 对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述 的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下, 在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例, 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法,其特征在于,包括:
步骤1:采集顶吹熔炼系统中的监测数据,基于最大信息系数对监测数据进行特征优选,获取最优特征集;
步骤2:将最优特征集分为训练集和测试集;
步骤3:使用改进灰狼算法优化支持向量机的核函数参数与惩罚因子,根据优化后的核函数参数与惩罚因子进行SVM建模,得到GWO-SVM分类模型;
步骤4:根据所述训练集对所述GWO-SVM分类模型进行支持向量机训练,基于训练后的GWO-SVM分类模型针对所述测试集进行异常诊断,并输出异常诊断结果。
2.根据权利要求1所述的基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法,其特征在于,步骤1中,获取最优特征集的过程如下:
步骤1-1:将监测数据的特征放置在二维坐标系中;
步骤1-2:对所述二维坐标系进行多次网格划分;
步骤1-3:计算在每次网格划分下,每一块网格中的特征之间的互信息值,计算每次网格划分的最大互信息值,并建立最大互信息矩阵;
步骤1-4:将最大互信息矩阵做标准化处理;
步骤1-5:根据标准化处理的最大互信息矩阵计算最大信息值,计算公式为:
其中,X,Y分别为给定的两变量,I(X(G),Y(G))表示互信息,logmin{x,y}表示为归一化,B为最大网格数,通常取B=n0.6,n为数据量;
步骤1-6:根据计算的最大信息值得到特征变量的相关性,并依据特征变量的相关性从小到大依次排序,依据排序剔除预设的特征变量个数,未剔除的特征变量为最优特征集。
3.根据权利要求1所述的基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法,其特征在于,步骤3中,改进灰狼算法步骤如下:
步骤3-1:初始化灰狼种群N,随机初始化灰狼的位置,最大迭代次数为T,初始化迭代次数t,令t=1,随机初始化目标适应度值;
步骤3-2:根据莱维飞行对灰狼捕食位置进行位置更新;
步骤3-3:计算每个灰狼个体的适应度值;若新个体的适应度值优于旧个体,则更新新一代个体,由新个体替换原来的位置,并更新适应度值;反之,保留旧个体,原来的适应度值保持不变;
步骤3-4:根据更新的适应度值计算并更新灰狼算法参数;
步骤3-5:若当前迭代次数大于最大迭代次数,输出核函数参数与惩罚因子;否则,t=t+1,返回步骤S3-2。
6.根据权利要求3所述的基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法,其特征在于,所述步骤3-3中,包括:
步骤3-3-1:计算灰狼个体与猎物的距离,公式为:
d=|D×XP(t)-X(t)|
其中,t为当前迭代次数,XP(t)表示猎物的位置,X(t)表示当前迭代ω狼的位置,D为灰狼个体的系数向量;
步骤3-3-2:计算剩余ω狼群与α,β,δ狼的距离:
其中,Xα(t)、Xβ(t)、Xδ(t)分别为α、β、δ狼的当前位置,D1、D2、D3分别为α、β、δ狼的系数向量,dα、dβ、dδ分别表示α、β、δ与剩余ω狼群的距离,即当前狼趋向3个最优解的距离;
步骤3-3-3:计算α狼,β狼,δ狼的更新位置:
步骤3-3-4:ω狼的最终位置公式为:
其中,t为当前迭代次数,X1(t)、X2(t)和X3(t)分别为ω狼群与α,β,δ狼的距离。
8.根据权利要求1所述的基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法,其特征在于,所述步骤4中,GWO-SVM分类模型训练如下:
步骤4-1:构造最优线性决策函数,利用结构风险最小化原则,将分类问题转化为优化问题:
步骤4-2:输入所述训练集xi,以及对应的输出类标记yi,依据拉格朗日乘子理论求解上式,得到如下公式:
其中,ci和cj为引入的拉格朗日乘子,yi和yj为类标记,K(xi,xj)选用径向基函数,xj为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261296.7A CN114462627A (zh) | 2022-03-16 | 2022-03-16 | 基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261296.7A CN114462627A (zh) | 2022-03-16 | 2022-03-16 | 基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114462627A true CN114462627A (zh) | 2022-05-10 |
Family
ID=81417881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210261296.7A Pending CN114462627A (zh) | 2022-03-16 | 2022-03-16 | 基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462627A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129565A (zh) * | 2023-08-23 | 2023-11-28 | 广西大学 | 基于能量比率与gwo-svm的钢管混凝土脱空敲击力检测方法 |
CN117129565B (zh) * | 2023-08-23 | 2024-06-11 | 广西大学 | 基于能量比率与gwo-svm的钢管混凝土脱空敲击力检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
CN108183500A (zh) * | 2017-11-24 | 2018-06-19 | 国网甘肃省电力公司电力科学研究院 | 一种多能互补的农村微能网容量优化配置方法及装置 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
CN111681258A (zh) * | 2020-06-12 | 2020-09-18 | 上海应用技术大学 | 基于混合灰狼优化svm的混合增强智能轨迹预测方法和装置 |
CN112163570A (zh) * | 2020-10-29 | 2021-01-01 | 南昌大学 | 一种基于改进灰狼算法优化的svm心电信号识别方法 |
CN113011612A (zh) * | 2021-03-23 | 2021-06-22 | 合肥工业大学 | 基于改进灰狼算法的生产与维修调度方法及系统 |
CN113993152A (zh) * | 2021-10-25 | 2022-01-28 | 哈尔滨理工大学 | 基于改进灰狼算法优化支持向量机回归机的通信基站流量预测方法 |
-
2022
- 2022-03-16 CN CN202210261296.7A patent/CN114462627A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
CN108183500A (zh) * | 2017-11-24 | 2018-06-19 | 国网甘肃省电力公司电力科学研究院 | 一种多能互补的农村微能网容量优化配置方法及装置 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
CN111681258A (zh) * | 2020-06-12 | 2020-09-18 | 上海应用技术大学 | 基于混合灰狼优化svm的混合增强智能轨迹预测方法和装置 |
CN112163570A (zh) * | 2020-10-29 | 2021-01-01 | 南昌大学 | 一种基于改进灰狼算法优化的svm心电信号识别方法 |
CN113011612A (zh) * | 2021-03-23 | 2021-06-22 | 合肥工业大学 | 基于改进灰狼算法的生产与维修调度方法及系统 |
CN113993152A (zh) * | 2021-10-25 | 2022-01-28 | 哈尔滨理工大学 | 基于改进灰狼算法优化支持向量机回归机的通信基站流量预测方法 |
Non-Patent Citations (3)
Title |
---|
YUSEN LIU等: "Fault Diagnosis of Series Batteries based on GWO-SVM", pages 451 - 454 * |
倪静 等: "一种混合策略改进的灰狼优化算法", vol. 20, no. 5, pages 1 * |
方晓玉 等: "一种改进的混合灰狼优化支持向量机预测算法及应用", vol. 57, no. 12, pages 122801 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129565A (zh) * | 2023-08-23 | 2023-11-28 | 广西大学 | 基于能量比率与gwo-svm的钢管混凝土脱空敲击力检测方法 |
CN117129565B (zh) * | 2023-08-23 | 2024-06-11 | 广西大学 | 基于能量比率与gwo-svm的钢管混凝土脱空敲击力检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
da Silva et al. | A new methodology for multiple incipient fault diagnosis in transmission lines using QTA and Naïve Bayes classifier | |
Li et al. | Transfer learning with limited labeled data for fault diagnosis in nuclear power plants | |
CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
Ma et al. | Remaining useful life estimation for turbofan engine with transformer-based deep architecture | |
CN115859616A (zh) | 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法 | |
Batayev | Gas turbine fault classification based on machine learning supervised techniques | |
Zhong et al. | Aero-engine exhaust gas temperature prognostic model based on gated recurrent unit network | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN117236278A (zh) | 一种基于数字孪生技术的芯片生产仿真方法及系统 | |
Chen et al. | Convolution-graph attention network with sensor embeddings for remaining useful life prediction of turbofan engines | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
Wang et al. | Soft sensor modeling method by maximizing output-related variable characteristics based on a stacked autoencoder and maximal information coefficients | |
CN114462627A (zh) | 基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 | |
Zhou et al. | An improved extension neural network methodology for fault diagnosis of complex electromechanical system | |
CN110967188B (zh) | 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 | |
Wang et al. | Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN | |
CN114860953A (zh) | 一种基于少样本关系预测模型的可解释方法 | |
Li et al. | Knowledge features enhanced intelligent fault detection with progressive adaptive sparse attention learning for high-power diesel engine | |
Musgrave et al. | FDIA Detection Methods on a Navy Smart Grid AMI Data Set using Autoenocoder Neural Networks: A Case Study | |
Song et al. | Anomaly Detection in Spacecraft Telemetry Data using Graph Convolution Networks | |
CN114136622B (zh) | 一种基于dbn-dtl的航空发动机气路故障诊断方法 | |
Li et al. | Abnormal Diagnosis Method of Self‐Powered Power Supply System Based on Improved GWO‐SVM |
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 |