CN117784615B - 一种基于impa-rf的火控系统故障预测方法 - Google Patents
一种基于impa-rf的火控系统故障预测方法 Download PDFInfo
- Publication number
- CN117784615B CN117784615B CN202410200695.1A CN202410200695A CN117784615B CN 117784615 B CN117784615 B CN 117784615B CN 202410200695 A CN202410200695 A CN 202410200695A CN 117784615 B CN117784615 B CN 117784615B
- Authority
- CN
- China
- Prior art keywords
- population
- prey
- data set
- impa
- optimal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 244000062645 predators Species 0.000 claims abstract description 51
- 238000007637 random forest analysis Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000013178 mathematical model Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 12
- 208000015756 familial Alzheimer disease Diseases 0.000 claims description 11
- 235000019162 flavin adenine dinucleotide Nutrition 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 244000062662 apex predator Species 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000019637 foraging behavior Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 201000004569 Blindness Diseases 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能故障诊断技术领域，公开一种基于IMPA‑RF的火控系统故障预测方法，包括步骤：S1、采集陀螺仪组引脚信号的数据；S2、通过TOPSIS算法对引脚信号的数据进行预处理，得到模型输入数据集；将模型输入数据集分为测试数据集和训练数据集；S3、对于训练数据集，采用改进的海洋捕食者优化算法(IMPA)对随机森林(RF)进行训练，得到基于改进的海洋捕食者优化算法优化的随机森林（IMPA‑RF）；S4、将测试数据集输入到优化后的随机森林（IMPA‑RF）中，对陀螺仪组进行故障预测，输出预测结果。本发明对随机森林(RF)的主要参数进行优化，弥补了在训练过程中参数选择的盲目性的缺陷，具有更高的预测精度和实用性。
Description
技术领域
本发明涉及人工智能故障诊断技术领域，具体为一种基于IMPA-RF的火控系统故障预测方法。
背景技术
陀螺仪组是炮控系统的重要组成部分，由速率陀螺仪、温控板、电源板和检测板等组成。陀螺仪组在火控系统中被用来精确测量炮塔及火炮角位置与角速度，向系统提供赋予火炮新位置的驱动信号。陀螺仪组在战场作战中发挥重要作用，频繁使用也增加了故障发生率。对其进行故障预测可以提高战场作战运动能力以及火力输出，最大化发挥作战能力。
目前各种基于人工智能的算法已经广泛应用到故障诊断领域，支持向量机对于核函数选取的随意性与对大规模训练的局限性导致预测结果缺乏准确性，专家系统知识获取困难、知识库局限于存储的弊端也无法保证预测结果的效率和正确性；故障树分析法计算规模大，工作烦琐，过多占用内存，也导致了故障预测中的运行速度变慢，与其他算法进行了对比，随机森林算法（RandomForest,RF）具有解释性和鲁棒性的优点完美解决了内部机制复杂问题；RF具有较强的泛化与表达能力也使得故障预测结果有较高的准确性，通过集成学习的方法在一定程度上改善了其他机器学习算法在故障诊断领域中的局限性，例如泛化能力弱等问题。
但需要注意的是，随机森林也有着一些缺陷，如：需要训练多个决策树模型，并且需要对每个模型进行预测，因此计算复杂度较高；需要存储多个决策树模型，因此需要大量内存；生成的模型比较复杂，不太容易解释。
发明内容
针对现有技术中故障分析算法的计算规模大、复杂度高、工作繁琐、预测结果缺乏准确性等不足，本发明采用的技术方案是：一种基于IMPA-RF的火控系统故障预测方法，其特征在于包括以下步骤：
S1、采集陀螺仪组引脚信号的数据；
S2、通过TOPSIS算法对引脚信号的数据进行预处理，得到模型输入数据集；
将模型输入数据集分为测试数据集和训练数据集；
S3、对于训练数据集，通过引用步长自适应参数和最优邻域扰动机制两种方式对海洋捕食者优化算法进行改进，通过改进的海洋捕食者优化算法对随机森林的关键参数进行训练，得到基于改进的海洋捕食者优化算法优化的随机森林；
S301、初始改进的海洋捕食者优化算法的参数并随机产生初始化种群：改进的海洋捕食者优化算法随机在搜索空间范围内初始化猎物位置来启动优化过程，数学模型如下所示：
（1）
式中：Prey 0是生成的初始猎物矩阵，ub和lb是解空间的上界与下界；rand表示在[0,1]的均匀随机变量；
S302、当时，计算每个个体的适应度，并将最佳适应度值分配各最有种群个体；
其中，Iter表示当前的迭代数，表示最大迭代数；
S303、根据公式（2）更新控制步长的自适应参数CF；
（2）
其中，CF表示影响捕食者移动步长的自适应参数，s表示的位数；
S304、根据捕食者与猎物速度不同而形成的不同迭代时期分别更新种群；
S305、计算每个个体的适应度值，将最优个体适应度值赋给最优种群个体；
S306、使用最优邻域扰动机制对种群进行更新降低种群的局部停滞的概率；
具体的，步骤S306中，鱼类聚集效应或涡流通常改变海洋捕食者觅食行为，克服算法早熟的问题，解决漩涡现象，使捕食者向猎物靠近，故引入最优邻域扰动机制对种群进行更新，加快种群个体向最优位置靠拢的速度，对于生成的新的位置采用贪婪选择策略判断是否保留，数学模型如下所示：
（10）
（11）
（12）
（13）
式中：μ为最优邻域扰动机制，表示一个最小的正数来避免分母为0，f(Prey i )表示第i个个体的适应度值，/>表示最优种群个体的适应度值，/>是/>激活函数，/>表示最优种群个体的位置，FADs为影响概率，取值0.2，r为[0,1]范围内的均匀随机数，P r1和P r2分别表示在猎物种群中随机选取的两个猎物，/>表示使用最优邻域扰动后种群个体新的位置，Prey i 表示此阶段原种群所在位置，f old 表示原种群此阶段对应的适应度值，f new 表示对应更新种群的适应度值；
S307、当迭代次数没有达到最大时，则返回步骤S303；如果达到最大迭代次数，输出最优种群个体的位置和适应度值至训练随机森林，利用训练数据集构建IMPA-RF分类预测模型，并利用测试数据集验证预测模型的精确性；
S4、将测试数据集输入到优化后的随机森林中，对陀螺仪组进行故障预测，输出预测结果。
步骤S2中，通过TOPSIS算法对引脚信号的数据进行预处理，得到模型输入数据集，是将模型输入数据集分为测试数据集和训练数据集，是对采集的陀螺仪组引脚信号的数据通过TOPSIS算法进行评价排序并归一化处理，从中提取出关键属性信息构建数据集，具体为：
S201、构造决策矩阵,设n个具有m个参数指标的评价对象，得到一个n×m的决策矩阵；
S202、判断m个参数指标是否需要进行正向化处理，如果需进行正向化处理，则将常见的极大型指标、极小型指标、中间型指标以及区间型指标均转化为极大型指标，得到正向矩阵；
S203、正向矩阵标准化：将正向矩阵消除量纲，并进行标准化处理，得到标准化后的矩阵Z；
S204、对于标准化后的矩阵Z，计算每一个评价对象与最大值、最小值的距离；
S205、利用评价对象与最大值、评价对象与最小值的距离通过计算得分；
S206、对评价对象进行得分排序，得到归一化处理后的评价结果，做为输入模型的训练数据集。
步骤S202中，如果m个参数指标不需要进行正向化处理，则转步骤S204。
步骤S304中，当在猎物速度大于捕食者速度时的迭代初期时，即当，全局搜索至关重要，采用布朗随机游走策略维持当前位置，数学模型如下所示：
（3）
（4）
式中：Prey i 表示当前个体位置向量，step i 表示当前阶段的移动步长，R B 表示呈正态分布的布朗游走随机向量，p为常数，取值0.5，R为[0,1]之间的均匀分布值，Elite i表示由顶级捕食者即最优种群个体组成的精英矩阵。
步骤S304中，当在捕食者与猎物以同样速度运动的迭代中期时，即当，种群被分为两个部分，猎物进行Levy运动探索新领域，捕食者进行布朗运动在领域寻找猎物，数学模型如下所示：
（5）
（6）
式中：R L 表示Levy飞行运动的随机向量，n表示种群的数量。
步骤S304中，当在捕食者的移动速度比猎物移动速度快的迭代后期时，即当，数学模型如下所示：
（7）
（8）
在捕食者的移动速度比猎物快的迭代后期，为提高算法的局部开发能力，此时捕食者选择Levy飞行运动，数学模型如下所示：
（9）
式中：FADs为影响概率，取值0.2，U为二进制数组，r取[0,1]范围内的均匀随机数，P r1和P r2表示在猎物种群中随机选取的两个猎物。
与现有技术相比，本发明具有以下有益技术效果及优点：
1．本发明提供一种基于IMPA-RF的火控系统故障预测方法，使用Topsis算法对数据进行预处理，与其他综合评价算法(层次分析法、灰色关联度分析等)相比避免了数据的主观性，不需要目标函数，可以很好的表达多个影响指标的综合影响力度，对于数据的分布以及样本量、指标多少无严格限制；
2、采用随机森林(RF)相比于支持向量机(SVM)、决策树等相比，能够处理各种类型的数据，包括离散值和连续值，可以使用一些健壮的损失函数，能够处理非线性数据，在相对较少的调参情况下，预测的准确率更高；
3、本发明方法过改进的海洋捕食者优化算法(IMPA)对随机森林(RF)的主要参数进行优化，弥补了在训练过程中参数选择的盲目性的缺陷，提高了分类预测模型的预测精度具有更高的预测精度和实用性。
附图说明
图1为本发明一种基于IMPA-RF的火控系统故障预测方法的主体框架图；
图2为本发明方法中对油压传感器数据进行预处理的数据处理算法模型图。
具体实施方式
下面结合附图对本发明进行详细说明，但本发明的保护范围不受附图所限。
本发明提供一种基于IMPA-RF的火控系统故障预测方法，如图1 所示：包括以下步骤：
S1、采集陀螺仪组引脚信号的数据；
S2、通过TOPSIS算法对引脚信号的数据进行预处理，得到模型输入数据集；
将模型输入数据集分为测试数据集和训练数据集；
步骤S2中，通过TOPSIS算法对引脚信号的数据进行预处理，得到模型输入数据集，是将模型输入数据集分为测试数据集和训练数据集，是对采集的陀螺仪组引脚信号的数据通过TOPSIS算法进行评价排序并归一化处理，从中提取出关键属性信息构建数据集，具体如图2所示：
S201、构造决策矩阵,设n个具有m个参数指标的评价对象，得到一个n*m的决策矩阵；
S202、判断m个参数指标是否需要进行正向化处理，如果需进行正向化处理，则将常见的极大型指标、极小型指标、中间型指标以及区间型指标均转化为极大型指标，得到正向矩阵M，如果m个参数指标不需要进行正向化处理，则转步骤S204；
具体地，参数指标为极小型指标时，将极小型指标转化为极大型指标的公式为：
，其中/>是极大型指标，x i 是第i（i=1，2，···，n）个评价对象的指标，x max 是评价对象中的最大指标，x min 是最小指标；
参数指标为中间型指标时，指定{x i }为一组中间型指标序列，将中间型指标转化为极大型指标的公式为：
，
其中，最佳值为x best ；
参数指标为区间型指标时，指定{x i }为一组区间型指标序列，将区间型指标转化为极大型指标的公式为：
其中，最佳的区间为[a,b]；a，b为指定自由参数；
S203、正向矩阵标准化：将正向矩阵消除量纲，并进行标准化处理，得到标准化后的矩阵Z；
对标准化后的矩阵Z；公式如下：
，式中，Z ij 为矩阵Z中的每一个元素，x ij 为矩阵X中的每一个元素；
S204、对于标准化后的矩阵Z，计算每一个评价对象与最大值、最小值的距离；
S205、利用评价对象与最大值、评价对象与最小值的距离通过计算得分；
S206、对评价对象进行得分排序，得到归一化处理后的评价结果，做为输入模型的训练数据集。
S3、对于训练数据集，采用改进的海洋捕食者优化算法(IMPA)对随机森林(RF)进行训练，得到基于改进的海洋捕食者优化算法优化的随机森林（IMPA-RF）；
步骤S3中，改进的海洋捕食者优化算法(IMPA)为解决收敛性差，探索效率低容易陷入局部最优等问题，通过引用步长自适应参数和最优邻域扰动机制两种方式进行改进，通过改进的海洋捕食者优化算法(IMPA)对随机森林(RF)的关键参数进行寻优，从而提高预测精度，具体为：
S301、初始改进的海洋捕食者优化算法(IMPA)的参数并随机产生初始化种群：改进的海洋捕食者优化算法(IMPA)随机在搜索空间范围内初始化猎物位置来启动优化过程，数学模型如下所示：
（1）
式中：Prey 0是生成的初始猎物矩阵，ub和lb是解空间的上界与下界；rand表示在[0,1]的均匀随机变量；
S302、当时，计算每个个体的适应度，并将最佳适应度值分配各最有种群个体；
其中，Iter表示当前的迭代数，表示最大迭代数；
S303、根据公式（2）更新控制步长的自适应参数CF；
（2）
其中，CF表示影响捕食者移动步长的自适应参数，s表示的位数；
S304、根据捕食者与猎物速度不同而形成的不同迭代时期分别更新种群；
具体地，当在猎物速度大于捕食者速度时的迭代初期时，即当，全局搜索至关重要，采用布朗随机游走策略维持当前位置，数学模型如下所示：
（3）
（4）
式中：Prey i 表示当前个体位置向量，step i 表示当前阶段的移动步长，R B 表示呈正态分布的布朗游走随机向量，p为常数，取值0.5，R为[0,1]之间的均匀分布值，Elite i 表示由顶级捕食者即最优种群个体组成的精英矩阵。
当在捕食者与猎物以同样速度运动的迭代中期时，即当，种群被分为两个部分，猎物进行Levy运动探索新领域，捕食者进行布朗运动在领域寻找猎物，数学模型如下所示：
（5）
（6）
式中：R L 表示Levy飞行运动的随机向量，n表示种群的数量。
传统MPA算法单纯以当前迭代次数与总迭代次数的比值作为步长动态变换的条件不能提高其搜索能力，本文中提出一种新的自适应参数使算法在寻优初期，扩大搜索范围寻找猎物；在迭代后期提高了算法的局部搜索性能，得到更好的寻优结果。
当在捕食者的移动速度比猎物移动速度快的迭代后期时，即当，数学模型如下所示：
（7）
（8）
在捕食者的移动速度比猎物快的迭代后期，为提高算法的局部开发能力，此时捕食者选择Levy飞行运动，数学模型如下所示：
（9）
式中：FADs为影响概率，取值0.2，U为二进制数组，r取[0,1]范围内的均匀随机数，P r1和P r2表示在猎物种群中随机选取的两个猎物。
S305、计算每个个体的适应度值，将最优个体适应度值赋给最优种群个体；
S306、使用最优邻域扰动机制对种群进行更新，降低种群的局部停滞的概率；
具体地，鱼类聚集效应（FADs）或涡流通常改变海洋捕食者觅食行为，克服算法早熟的问题，解决漩涡现象，使捕食者向猎物靠近，传统MPA算法中采用FADs行为进行位置移动时，使用的是随机选择策略，对一部分猎物位置维度进行重置，对另一部分猎物位置进行变异，让猎物随机移动。但这种克服算法早熟的方法具有很大的随机性，并不能保证种群接近最优解，故引入最优邻域扰动机制对种群进行更新，加快种群个体向最优位置靠拢的速度，对于生成的新的位置采用贪婪选择策略判断是否保留，数学模型如下所示：
（10）
（11）
（12）
（13）
式中：μ为最优邻域扰动机制，表示一个最小的正数来避免分母为0，f(Prey i )表示第i个个体的适应度值，/>表示最优种群个体的适应度值，/>是/>激活函数，/>表示最优种群个体的位置，FADs为影响概率，取值0.2，r为[0,1]范围内的均匀随机数，P r1和P r2分别表示在猎物种群中随机选取的两个猎物，/>表示使用最优邻域扰动后种群个体新的位置。Prey i 表示此阶段原种群所在位置，f old 表示原种群此阶段对应的适应度值，f new 表示对应更新种群的适应度值。
S307、当迭代次数没有达到最大时，则返回步骤S303；如果达到最大迭代次数，输出最优种群个体的位置和适应度值至训练随机森林（RF），利用训练数据集构建IMPA-RF分类预测模型，并利用测试数据集验证预测模型的精确性。
具体地，随机森林算法（Random Forest,RF）是由多个决策树组成的一种智能集成学习算法。决策树（Classification and Regression Trees,CART）是一种统计模型，此类模型在输入特征后可以得到不同类或值。RF中使用CART作为基学习器，使用Gini指数最小化准则来选择特征并进行划分。设输入样本集合。在分类问题中，对于给定样本D，假设有K个类别，第k个类别的概率为p k ，其基尼指数为：/>。采用叶节点方差确定划分点k和集合D，叶节点p的方差定义为：/>，y p 为叶节点p截止到y i 的平均值。然后以相同的方式划分下一级叶节点，直至预设的节点域值，生成最终决策树,训练结束后建立估计函数,新的X可以通过S得到估计值Y。随机森林将多个决策树组合在一起，实现数据分类，具有调节参数少、训练速度快、估计精度高、泛化能力强等优点。该算法通过Bootstrap抽样法从原始数据中抽取多个样本数据，构造新的训练样本集合。基于CART思想对每个训练集建立决策树，最终，根据q个决策树的结果求平均，得出最终估计值Y为：/>。
随机森林算法建模时涉及的参数主要有学习速率(learning_rate)，用于控制学习时参数更新的步长，若步长过大，则学习过程可能会发散，反之，又会导致模型进行太多次迭代，学习时间大幅度增加；最大迭代次数(n_estimators)，表示基学习器的个数，与learning_rate相互作用，learning_rate较小时，需增加迭代次数，以便使训练误差收敛；子采样(subsample)，用于控制参与拟合的数据集样本比例，设置为小于１时可有效减小整体模型的方差，防止过拟合；决策树最大深度(max_depth)，内部节点再划分所需最小样本数(min_samples_split)和叶子节点所包含的最少样本数(min_samples_leaf)，均是用于控制每棵树的复杂度，具体的取值取决于数据分布，若取值过大，则会使模型结构复杂，易导致过拟合，反之，易导致欠拟合。
通过步骤S3，对随机森林进行训练得到优化后的随机森林（IMPA-RF）。
S4、将测试数据集输入到优化后的随机森林（IMPA-RF）中，对陀螺仪组进行故障预测，输出预测结果。
本实施例的研究对象为某型坦克炮控箱的陀螺仪组，通过现有的装备试验台采集陀螺仪组引脚信号的数据值，通过TOPSIS算法对数据进行预处理，将预处理后筛选的评价高的信号的数据值通过改进的海洋捕食者优化算法(IMPA)优化随机森林(RF)进行试验，采集得到的数据值作为实验的初始数据。
对采集的数据通过TOPSIS算法进行评价排序并归一化处理，采用改进的海洋捕食者优化算法(IMPA)对随机森林进行训练，得到基于Tent映射的金枪鱼群优化算法优化的随机森林（TM-TSO-RF）对某型装甲车辆综合传动装置中的离合器进行故障预测，弥补了在训练过程中参数选择的盲目性的缺陷，具有更高的预测精度和实用性，此模型可以有效的对获取得到的引脚信号进行故障预测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本实例发明，凡在本发明的精神和原则之内，所做的任何修改，等同替换、改进等，均应包含在本发明的保护范围内。
Claims (6)
1.一种基于IMPA-RF的火控系统故障预测方法，其特征在于包括以下步骤：
S1、采集陀螺仪组引脚信号的数据；
S2、通过TOPSIS算法对引脚信号的数据进行预处理，得到模型输入数据集；
将模型输入数据集分为测试数据集和训练数据集；
S3、对于训练数据集，通过引用步长自适应参数和最优邻域扰动机制两种方式对海洋捕食者优化算法进行改进，通过改进的海洋捕食者优化算法对随机森林的关键参数进行训练，得到基于改进的海洋捕食者优化算法优化的随机森林；
S301、初始改进的海洋捕食者优化算法的参数并随机产生初始化种群：改进的海洋捕食者优化算法随机在搜索空间范围内初始化猎物位置来启动优化过程，数学模型如下所示：
式中：Prey 0是生成的初始猎物矩阵，ub和lb是解空间的上界与下界；rand表示在 [0,1]的均匀随机变量；
S302、当时，计算每个个体的适应度，并将最佳适应度值分配各最有种群个体；
其中，Iter表示当前的迭代数，表示最大迭代数；
S303、根据公式（2）更新控制步长的自适应参数CF；
（2）
其中，CF表示影响捕食者移动步长的自适应参数，s表示的位数；
S304、根据捕食者与猎物速度不同而形成的不同迭代时期分别更新种群；
S305、计算每个个体的适应度值，将最优个体适应度值赋给最优种群个体；
S306、使用最优邻域扰动机制对种群进行更新降低种群的局部停滞的概率；
具体的，步骤S306中，鱼类聚集效应或涡流通常改变海洋捕食者觅食行为，克服算法早熟的问题，解决漩涡现象，使捕食者向猎物靠近，故引入最优邻域扰动机制对种群进行更新，加快种群个体向最优位置靠拢的速度，对于生成的新的位置采用贪婪选择策略判断是否保留，数学模型如下所示：
（10）
（11）
（12）
（13）
式中：μ为最优邻域扰动机制，表示一个最小的正数来避免分母为0，f(Prey i )表示第i个个体的适应度值，/>表示最优种群个体的适应度值，/>是/>激活函数，/>表示最优种群个体的位置，FADs为影响概率，取值0.2，r为[0,1]范围内的均匀随机数，P r1和P r2分别表示在猎物种群中随机选取的两个猎物，/>表示使用最优邻域扰动后种群个体新的位置，Prey i 表示此阶段原种群所在位置，f old 表示原种群此阶段对应的适应度值，f new 表示对应更新种群的适应度值；
S307、当迭代次数没有达到最大时，则返回步骤S303；如果达到最大迭代次数，输出最优种群个体的位置和适应度值至训练随机森林，利用训练数据集构建IMPA-RF分类预测模型，并利用测试数据集验证预测模型的精确性；
S4、将测试数据集输入到优化后的随机森林中，对陀螺仪组进行故障预测，输出预测结果。
2.根据权利要求1所述的一种基于IMPA-RF的火控系统故障预测方法，其特征在于：步骤S2中，通过TOPSIS算法对引脚信号的数据进行预处理，得到模型输入数据集，是将模型输入数据集分为测试数据集和训练数据集，是对采集的陀螺仪组引脚信号的数据通过TOPSIS算法进行评价排序并归一化处理，从中提取出关键属性信息构建数据集，具体为：
S201、构造决策矩阵,设n个具有m个参数指标的评价对象，得到一个n×m的决策矩阵；
S202、判断m个参数指标是否需要进行正向化处理，如果需进行正向化处理，则将常见的极大型指标、极小型指标、中间型指标以及区间型指标均转化为极大型指标，得到正向矩阵；
S203、正向矩阵标准化：将正向矩阵消除量纲，并进行标准化处理，得到标准化后的矩阵Z；
S204、对于标准化后的矩阵Z，计算每一个评价对象与最大值、最小值的距离；
S205、利用评价对象与最大值、评价对象与最小值的距离通过计算得分；
S206、对评价对象进行得分排序，得到归一化处理后的评价结果，做为输入模型的训练数据集。
3.根据权利要求2所述的一种基于IMPA-RF的火控系统故障预测方法，其特征在于：步骤S202中，如果m个参数指标不需要进行正向化处理，则转步骤S204。
4.根据权利要求1所述的一种基于IMPA-RF的火控系统故障预测方法，其特征在于：步骤S304中，当在猎物速度大于捕食者速度时的迭代初期时，即当，全局搜索至关重要，采用布朗随机游走策略维持当前位置，数学模型如下所示：
（3）
（4）
式中：Prey i 表示当前个体位置向量，step i 表示当前阶段的移动步长，R B 表示呈正态分布的布朗游走随机向量，p为常数，取值0.5，R为[0,1]之间的均匀分布值，Elite i表示由顶级捕食者即最优种群个体组成的精英矩阵。
5.根据权利要求1所述的一种基于IMPA-RF的火控系统故障预测方法，其特征在于：步骤S304中，当在捕食者与猎物以同样速度运动的迭代中期时，即当，种群被分为两个部分，猎物进行Levy运动探索新领域，捕食者进行布朗运动在领域寻找猎物，数学模型如下所示：
（5）
（6）
式中：R L 表示Levy飞行运动的随机向量，n表示种群的数量。
6.根据权利要求1所述的一种基于IMPA-RF的火控系统故障预测方法，其特征在于：
步骤S304中，当在捕食者的移动速度比猎物移动速度快的迭代后期时，即当，数学模型如下所示：
（7）
（8）
在捕食者的移动速度比猎物快的迭代后期，为提高算法的局部开发能力，此时捕食者选择Levy飞行运动，数学模型如下所示：
（9）
式中：FADs为影响概率，取值0.2，U为二进制数组，r取[0,1]范围内的均匀随机数，P r1和P r2表示在猎物种群中随机选取的两个猎物。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200695.1A CN117784615B (zh) | 2024-02-23 | 2024-02-23 | 一种基于impa-rf的火控系统故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410200695.1A CN117784615B (zh) | 2024-02-23 | 2024-02-23 | 一种基于impa-rf的火控系统故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117784615A CN117784615A (zh) | 2024-03-29 |
| CN117784615B true CN117784615B (zh) | 2024-05-24 |
Family
ID=90389278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410200695.1A Active CN117784615B (zh) | 2024-02-23 | 2024-02-23 | 一种基于impa-rf的火控系统故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117784615B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681250A (zh) * | 2018-05-14 | 2018-10-19 | 浙江大学 | 一种基于群智能优化的改进机器学习故障诊断系统 |
| CN115906638A (zh) * | 2022-11-24 | 2023-04-04 | 北京石油化工学院 | 建立火控系统故障预测模型、故障预测方法及相关装置 |
| CN116910485A (zh) * | 2023-08-28 | 2023-10-20 | 盐城工学院 | 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 |
| CN117273053A (zh) * | 2023-08-24 | 2023-12-22 | 江西理工大学 | 一种海洋捕食者算法的优化实现方法 |
-
2024
- 2024-02-23 CN CN202410200695.1A patent/CN117784615B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681250A (zh) * | 2018-05-14 | 2018-10-19 | 浙江大学 | 一种基于群智能优化的改进机器学习故障诊断系统 |
| CN115906638A (zh) * | 2022-11-24 | 2023-04-04 | 北京石油化工学院 | 建立火控系统故障预测模型、故障预测方法及相关装置 |
| CN117273053A (zh) * | 2023-08-24 | 2023-12-22 | 江西理工大学 | 一种海洋捕食者算法的优化实现方法 |
| CN116910485A (zh) * | 2023-08-28 | 2023-10-20 | 盐城工学院 | 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| Marine Predators Algorithm-Based Model Predictive Controller for MPPT of Grid-Tied PV System;Ghazi A. Ghazi;Proceedings of the 2023 IEEE 11th International Conference on Systems and Control;20231231;全文 * |
| 一种基于 IPSO-RF 的火控系统健康预测方法;高锦涛;火炮发射与控制学报;20231024;全文 * |
| 基于PCA-MPA-ANFIS模型的年径流预测研究;李代华;水电能源科学;20200731;第38卷(第7期);全文 * |
| 多策略改进MPA算法与HKELM的变压器故障辨识;谢国民;电子测量与仪器学报;20230430;第37卷(第4·期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117784615A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102622418B (zh) | 一种基于bp神经网络的预测装置及设备 | |
| CN114841257B (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
| CN114548591B (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN115063676A (zh) | 一种基于ais数据的船舶目标分类方法 | |
| CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| Hu et al. | A dynamic rectified linear activation units | |
| CN109886405A (zh) | 一种抑制噪声的基于人工神经网络结构优化方法 | |
| CN112651499A (zh) | 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法 | |
| CN116015967B (zh) | 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法 | |
| CN117784615B (zh) | 一种基于impa-rf的火控系统故障预测方法 | |
| CN115759346B (zh) | 一种基于ao算法的碳排放量预测方法、装置及设备 | |
| Taymouri et al. | Encoder-decoder generative adversarial nets for suffix generation and remaining time prediction of business process models | |
| CN115208651B (zh) | 基于逆习惯化机制的流聚类异常检测方法及系统 | |
| CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| Barreto et al. | Training and analysis of hyperparameters in neural networks for computer vision applications: A didactic approach | |
| Lu et al. | Apso-based optimization algorithm of lstm neural network model | |
| Suyal et al. | An Agile Review of Machine Learning Technique | |
| Nivedetha | Water Quality Prediction using AI and ML Algorithms | |
| 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 | |
| Gharehchopogh et al. | A new hybrid whale optimization algorithm and golden jackal optimization for data clustering | |
| CN113712511B (zh) | 一种脑成像融合特征的稳定模式判别方法 | |
| Zhao et al. | A hybrid method for incomplete data imputation | |
| Ghanbarzadeh Bonab | An Improved Symbiotic Organisms Search for Community Detection in Social Networks | |
| Jin et al. | Class-incremental learning of convolutional neural networks based on double consolidation mechanism |
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 | ||
| GR01 | Patent grant |