基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法
2023-05-28 09:58:06
基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法
【專利摘要】本發明公開了一種基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法。本發明包括以下步驟：1）採集在線數據；2）輸入離線數據；3）設定模型精度需求；4）數據預處理；5）判斷是否存在動平衡系統模型；6）判斷系統不平衡量是否超過閾值；7）帶卡爾曼濾波的生物地理學智能優化支持向量機算法；8）動平衡系統模型；9）動平衡調整。本發明根據動平衡系統小樣本和非線性的特點採用支持向量機算法進行系統建模，並且利用生物地理學智能優化算法對支持向量機算法的懲罰因子和核函數參數進行尋優，另外考慮到動平衡系統現場的噪聲幹擾，本發明還採用卡爾曼濾波增強了整體算法的魯棒性和精確性，可實現對動平衡系統的高精度檢測控制。
【專利說明】基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法
【技術領域】
[0001]本發明屬於自動化控制和人工智慧【技術領域】，具體涉及基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法。
技術背景
[0002]在自動化控制中，由於旋轉機械在長時間工作的情況下可能存在的機械磨損和安全性問題，動平衡技術突顯出其重要意義，如果能夠在旋轉機械工作的情況下實時調整旋轉機械的質量分布，就可以減小旋轉不平衡量對轉軸的影響，使旋轉機械能夠長時間的安全運行。
[0003]目前，對動平衡技術的研究多採用比較傳統的方法，比如試探法、影響因子法等，這些方法對旋轉機械工作現場環境要求較高，當現場存在較大噪聲幹擾影響傳感器測量精度時，傳統方法的檢測控制效果不佳。此外，傳統方法在長時間運行之後會發生誤差逐漸增大的情況，不利於旋轉機械的實際工作。
[0004]支持向量機(Support Vector Machine,簡稱SVM)是由統計學習理論發展而來的，建立在結構風險最小原理基礎上的具有良好泛化能力的一種機器學習方法，在解決小樣本、非線性和高維模式識別的問題時具有很好的優越性。SVM的核函數通常選用高斯徑向基(Radial Basis Function,簡稱RBF)核函數,此時SVM的算法性能受到懲罰因子C和核函數參數σ的強烈影響，因此參數的確定一直是個研究的熱點問題。
[0005]生物地理學智能優化算法(Biogeography-Based Optimization,簡稱ΒΒ0)是受生物地理學理論啟發的基於群智能的優化算法，與遺傳算法和粒子群算法相比，BBO具有設置參數少、計算簡單和收斂速度快等優點，特別適用於實際工程應用中的優化問題。
[0006]在動平衡系統這類實際工程應用中，現場噪聲幹擾對傳感器檢測以及後期算法運行造成較大的影響，因此有必要結合卡爾曼濾波、BBO和SVM的各自優勢，對動平衡檢測控制方法進行改進。
[0007]目前，針對動平衡檢測控制方法，中國專利申請號「200910023752.9」——公開了「一種改進的高速主軸全息動平衡方法」；中國專利申請號「200910180576.X」 一一公開了「動平衡試驗工裝及其動不平衡的配平方法」；中國專利申請號「201110425584.3」 一一公開了「一種大型旋轉載荷動平衡控制方法」;中國專利申請號「201310581038.8」一一公開了「一種電機轉子動平衡的校驗方法」；中國專利申請號「201310179099.1」 一一公開了 「剛性轉子動平衡的獲取方法」。在已公開的發明或文獻中，未提到使用基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法的實例。
【發明內容】
[0008]針對現有技術存在的缺陷，本發明的目的是提供一種基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法，提高動平衡檢測控制系統的精確性。本發明實用性聞，推廣能力強。
[0009]為達到上述目的，本發明採用了以下技術方案:
基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法，包括以下步驟:
(1.1)，採集在線數據，即實時採集安裝在動平衡系統上的傳感器的數據；
(1.2)，輸入離線數據，即輸入動平衡系統的歷史測量數據；
(1.3)，設定模型精度需求，即設定動平衡系統建模的模型精度需求；
(1.4)，數據預處理，即對在線數據，離線數據和模型精度需求等數據進行錯誤數據和冗餘數據的數據清除以及數據集成工作；
(1.5)，判斷是否存在動平衡系統模型，即是否當前狀態已經存在動平衡系統模型，若是，轉步驟(1.6)，否則，轉步驟(1.7)；
(1.6)，判斷系統不平衡量是否超過閾值，若是，轉步驟(1.7)，否則，轉步驟(1.8)；
(1.7)，通過帶卡爾曼濾波的生物地理學智能優化支持向量機算法對動平衡系統進行建模，得到動平衡系統模型；
(1.8)，將步驟(1.4)預處理後的數據輸入動平衡系統模型，計算得到動平衡控制信
號;
(1.9)，將步驟(1.8)得到的動平衡控制信號輸入動平衡系統進行動平衡調整。
[0010]所述步驟(1.7)所述的帶卡爾曼濾波的生物地理學智能優化支持向量機算法是通過帶卡爾曼濾波的生物地理學智能優化算法對支持向量機做參數尋優實現的，其步驟為:
(2.1)，初始化生物地理學智能優化算法BBO的參數；
(2.2),初始化支持向量機基本參數；
(2.3)，隨機初始化每個棲息地的適應度向量；
(2.4)，將輸入數據集歸一化，作為支持向量機的訓練集；
(2.5)，將BBO中每個棲息地的適應度向量即支持向量機的懲罰因子C和核函數參數σ代入支持向量機；
(2.6)，計算支持向量機的訓練集均方誤差MSE作為每個棲息地的適應度指數HSI ；
(2.7)，經過卡爾曼濾波，計算每個棲息地的HSI估計值；
(2.8)，將每個棲息地按照其HSI估計值進行排序；
(2.9)，計算每個棲息地可容納的物種數量S，遷入率λ和遷出率μ ；
(2.10)，根據λ和μ確定物種遷移；
(2.11)，計算每個棲息地的變異率，進行物種變異操作；
(2.12)，通過支持向量機重新計算棲息地的HSI值，保存全局最優解；
(2.13)，判斷是否滿足終止條件，若是，繼續以下步驟，否則，轉步驟(2.5);
(2.14)，輸出支持向量機模型的最優參數，建模完成。
[0011]本發明與現有技術相比較，具有以下突出的實質性特點和顯著的進步:
(I)本發明使用支持向量機對動平衡系統進行建模，在動平衡系統小樣本和非線性的情況下，充分利用支持向量機的優勢進行精確建模，增強了動平衡系統的控制精度。
[0012](2)本發明使用生物地理學智能優化算法對支持向量機的懲罰因子和核函數參數進行尋優，具有設置參數少、計算簡單和收斂速度快等優點，具有很強的適應性和魯棒性。
[0013](3)本發明引入卡爾曼濾波對生物地理學智能優化算法進行優化，利用卡爾曼濾波減小動平衡系統工作現場噪聲幹擾對生物地理學智能優化算法中棲息地適應度指數計算帶來的負面影響，避免陷入局部最優，提高了收斂精度。
【專利附圖】
【附圖說明】
[0014]圖1是本發明基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法的主程序框圖。
[0015]圖2是圖1中的帶卡爾曼濾波的生物地理學智能優化支持向量機算法的子程序框圖。
【具體實施方式】
[0016]下面結合附圖和優選實施例對本發明作進一步詳細的描述。
[0017]實施例一:
如圖1所示，本基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法，包括如下步驟:
(1.1)，採集在線數據，即實時採集安裝在動平衡系統上的傳感器的數據。採集的數據包括一個轉速傳感器和若干振動傳感器的實時數據。
[0018](1.2)，輸入離線數據，即輸入動平衡系統的歷史測量數據。針對實際採樣情況選擇離線數據的規模，若實際採樣情況不佳，有效數據採集速度較慢，則可以輸入較大規模的離線數據以加快建模速度。
[0019](1.3)，設定模型精度需求，即設定動平衡系統建模的模型精度需求。模型精度需求對建模速度和動平衡檢測控制精度有較大影響。
[0020](1.4)，數據預處理，即對在線數據，離線數據和模型精度需求等數據進行錯誤數據和冗餘數據的數據清除以及數據集成工作。在實際動平衡系統工作時，由於傳感器的損壞、現場環境噪聲的突變、人為的影響等等，會發現有些數據明顯不符合實際情況，有些採樣周期採樣的點數會產生跳變等，因此需要進行錯誤數據和冗餘數據的清除工作。另外對在線數據和離線數據兩部分數據整合到一個一致的數據存儲中。
[0021](1.5)，判斷是否存在動平衡系統模型，即是否當前狀態已經存在動平衡系統模型，若是，轉步驟(1.6)，否則，轉步驟(1.7)。此步驟適用於區分系統是否為第一次建模的情況，對不同情況分別進行處理。
[0022](1.6)，判斷系統不平衡量是否超過閾值，若是，轉步驟(1.7)，否則，轉步驟(1.8)。如果系統不平衡量超過閾值，代表當時的動平衡系統模型已經失效，造成這個問題的原因有很多，工作環境的劇烈變化、動平衡系統的自身結構的突變等等都會造成動平衡系統模型的失效，此時需要重新對動平衡系統進行建模。
[0023](1.7)，通過帶卡爾曼濾波的生物地理學智能優化支持向量機算法對動平衡系統進行建模，得到動平衡系統模型。本發明實施例提供了帶卡爾曼濾波的生物地理學智能優化支持向量機算法。利用生物地理學智能優化算法的設置參數少、計算簡單和收斂速度快等優點對支持向量機的懲罰因子和核函數參數進行尋優，提高了算法的適應性和魯棒性，更進一步，利用卡爾曼濾波對生物地理學智能優化算法進行優化，利用卡爾曼濾波減小動平衡系統工作現場噪聲幹擾對生物地理學智能優化算法中棲息地適應度指數計算帶來的負面影響，避免陷入局部最優，提高了收斂精度。
[0024](1.8)，將步驟(1.4)預處理後的數據輸入動平衡系統模型，計算得到動平衡控制信號。根據步驟(1.7)得到的動平衡系統模型，對步驟(1.4)預處理後的數據進行計算處理，得到動平衡控制信號。
[0025](1.9)，將步驟(1.8)得到的動平衡控制信號輸入動平衡系統進行動平衡調整。
[0026]實施例二:
本實施例與實施例一基本相同，特別之處如下:
如圖2所示上述帶卡爾曼濾波的生物地理學智能優化支持向量機算法，包括如下步
驟:
(2.1)，初始化生物地理學智能優化算法BBO的參數。
[0027]設置適應度向量SIV的數量D、棲息地種群最大容量
s職、種群規模nh、迭代次數N、遷入率函數最大值1、遷出率函數最大值E、最大變異概率
、遷移率忍。d和精英個體Z。
[0028](2.2),初始化支持向量機基本參數。
[0029]設置支持向量機SVM模型類型為印silon-SVR，核函數類型為高斯徑向基核函數和一些相關默認參數。
[0030]其中印silon-SVR模型的模型優化函數為:
【權利要求】
1.基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法，其特徵在於，包括以下步驟: (1.1)，採集在線數據，即實時採集安裝在動平衡系統上的傳感器的數據； (1.2)，輸入離線數據，即輸入動平衡系統的歷史測量數據； (1.3)，設定模型精度需求，即設定動平衡系統建模的模型精度需求； (1.4)，數據預處理，即對在線數據，離線數據和模型精度需求等數據進行錯誤數據和冗餘數據的數據清除以及數據集成工作； (1.5)，判斷是否存在動平衡系統模型，即是否當前狀態已經存在動平衡系統模型，若是，轉步驟(1.6)，否則，轉步驟(1.7)； (1.6)，判斷系統不平衡量是否超過閾值，若是，轉步驟(1.7)，否則，轉步驟(1.8)； (1.7)，通過帶卡爾曼濾波的生物地理學智能優化支持向量機算法對動平衡系統進行建模，得到動平衡系統模型； (1.8)，將步驟(1.4)預處理後的數據輸入動平衡系統模型，計算得到動平衡控制信號; (1.9)，將步驟(1.8)得到的動平衡控制信號輸入動平衡系統進行動平衡調整。
2.根據權利要求1所述的基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法，其特徵在於:所述步驟(1.7)中的帶卡爾曼濾波的生物地理學智能優化支持向量機算法包括以下步驟: (2.1)，初始化生物地理學智能優化算法BBO的參數； (2.2),初始化支持向量機基本參數； (2.3)，隨機初始化每個棲息地的適應度向量； (2.4)，將輸入數據集歸一化，作為支持向量機的訓練集； (2.5)，將BBO中每個棲息地的適應度向量即支持向量機的懲罰因子C和核函數參數σ代入支持向量機； (2.6)，計算支持向量機的訓練集均方誤差MSE作為每個棲息地的適應度指數HSI ； (2.7)，經過卡爾曼濾波，計算每個棲息地的HSI估計值； (2.8)，將每個棲息地按照其HSI估計值進行排序； (2.9)，計算每個棲息地可容納的物種數量S，遷入率λ和遷出率μ ； (2.10)，根據λ和μ確定物種遷移； (2.11)，計算每個棲息地的變異率，進行物種變異操作； (2.12)，通過支持向量機重新計算棲息地的HSI值，保存全局最優解； (2.13)，判斷是否滿足終止條件，若是，繼續以下步驟，否則，轉步驟(2.5); (2.14)，輸出支持向量機模型的最優參數，建模完成。
3.根據權利要求2所述的基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法，其特徵在於，所述步驟(2.6)中所述的每個棲息地的適應度指數HSI計算方法: 利用訓練集對支持向量機的模型進行訓練，再計算訓練集的均方誤差，公式為USS^^iy.-yixjf，其中η為訓練集的樣本數量，為輸入樣本對應的輸出樣本，池)為輸入樣本對應的預測值。
4.根據權利要求2所述的基於生物地理學智能優化支持向量機算法的動平衡檢測控制方法，其特徵在於，所述步驟(2.7)中所述的卡爾曼濾波計算每個棲息地的HSI估計值方法: 引入卡爾曼濾波對生物地理學智能優化算法進行優化，由於假設不存在系統噪聲，而且所有變量均為標量，所以卡爾曼濾波計算公式為:
【文檔編號】G01M1/38GK103994858SQ201410196647
【公開日】2014年8月20日 申請日期:2014年5月12日 優先權日:2014年5月12日
【發明者】王海寬, 錢世俊, 費敏銳, 方駿, 周志境 申請人:上海大學