一種改進蟻群算法優化支持向量機參數的方法
2023-09-19 12:09:50
一種改進蟻群算法優化支持向量機參數的方法
【專利摘要】本發明涉及一種改進蟻群算法優化支持向量機參數的方法。步驟如下：確定n個參數的取值範圍，並且通過對每個參數進行N等分計算網格間隔；螞蟻從第一列到第N列選擇出N個網格點，這N個網格點行程作為一個解，M只螞蟻找到M個解；將這M個解輸入目標函數，找出最大與最小的二個目標函數值；進行全局信息素更新，Pt=Pt-1·ρ根據公式Pt=Pt-1-op在全局最優解附近的一定範圍增加一定量信息素的值，強化全局最優解；根據公式Pt=Pt-1-wp在全局最差解附近的一定範圍進行信息素一定量減少操作，弱化全局最差解；如果沒有達到全局最大循環次數則對網格重新劃分；直至達到循環結束條件完成參數的尋優。本方法提高了尋求最佳組合的速度和準確率。並且在改進的蟻群算法中融合了網格和高概率隨機選擇的原則，增加了螞蟻對最優解的敏感度。
【專利說明】一種改進蟻群算法優化支持向量機參數的方法
【技術領域】
[0001]本發明涉及一種用於機械軸承的故障診斷的改進型蟻群算法優化支持向量機參數的方法。
【背景技術】
[0002]在現代生產中，機械設備的故障診斷技術越來越受到重視，如果某臺設備出現故障而未能及時發現和排除，其結果不僅會導致設備本身損壞，甚至可能造成機毀人亡的嚴重後果。因為某臺設備出現故障而引起整條生產線生產的產品出現問題甚至造成停產所帶來的損失是巨大的。因此，故障診斷在生產線中的地位是不可忽視的。
[0003]滾動軸承被廣泛應用在機械設備中，並且作為關鍵部件。滾動軸承需要具有較高的可靠性，機械運行中軸承故障的發生可能會導致致命的機械故障。因此，精確的檢測和診斷滾動軸承故障的存在是極其重要的，
[0004]早期的滾動軸承診斷方法在診斷精度和效率方面不能達到工業標準。隨著人工智慧技術的不斷進步，人工智慧方法被應用在滾動軸承故障診斷中。比如專家系統人工神經網絡等，這些方法基於經驗風險最小化的原則，存在一些共性的缺點，比如容易陷入局部最優解、收斂速度慢、過學習等，特別是在樣本數量有限時過低的泛化能力。大多數情況下，人工智慧解決的故障診斷中，故障樣本的缺少是診斷的瓶頸問題。過低的泛化能力可能導致錯誤的故障診斷結果。
【發明內容】
[0005]為了解決上述存在的技術問題，本發明提供一種用於機械軸承的故障診斷的改進蟻群算法優化支持向量機參數的方法。運用改進的蟻群算法對支持向量機的參數進行優化，尋找出最佳的參數組合，完成對滾動軸承的故障進行分類。
[0006]本發明的目的是通過下述技術方案實現的:一種改進蟻群算法優化支持向量機參數的方法，其步驟如下:
[0007](I)根據參數優化的問題，確定η個參數的取值範圍，並且通過對每個參數進行N等分計算網格間隔；
[0008]hj= (Xm-X1) /N
[0009]形成η* (Ν+1)個點構成的網格；初始化各網格點信息素值、最大循環次數和循環終止條件；
[0010](2)每隻螞蟻在每一列中隨機選擇一定數目的網格點，找出信息素最大的最為這一列的選擇點，螞蟻從第一列到第N列選擇出N個網格點，這N個網格點行程作為一個解，M只螞蟻找到M個解；
[0011](3)將這M個解輸入目標函數(支持向量機)，找出最大與最小的二個目標函數值，這二個值即為全局最優解和全局最差解；
[0012](4)進行信息素的更新，首先進行全局信息素更新，Pt=Pw.P ;其中P是揮發因子，表示信息素的揮發過程；
[0013]根據公式Pt=Pw-Op在全局最優解附近的一定範圍增加一定量信息素的值，強化全局最優解；
[0014]根據公式Pt=PwIP在全局最差解附近的一定範圍進行信息素一定量減少操作，弱化全局最差解；
[0015](5)如果沒有達到全局最大循環次數Nmax則轉到步驟(2)，否則轉到步驟(6)進行網格的重新劃分；
[0016](6)當算法循環次數NC達到Nmax後找出信息素矩陣中最大值處對應的行，縮小變量的取值範圍在網格點中對應值的附近重新劃分網格；初始化信息素矩陣；轉到步驟(2)進行再一次的循環，直至達到循環結束條件(網格間隔h〈 ε )，完成參數的尋優。
[0017]本發明的有益效果:本方法採用上述方案，通過改進蟻群算法中螞蟻更新信息素的方式，快速選擇最佳組合併且避開最差組合，從而提高了尋求參數最佳組合的速度和準確率。並且在改進的蟻群算法中融合了網格和高概率隨機選擇的原則，增加了螞蟻對最優解的敏感度並且避免陷入局部極值，增加了對全局最優解的尋找能力。本發明方法解決了支持向量機的參數選擇的難題，將本發明方法應用於軸承故障診斷，實現很好的故障分類效果。
【專利附圖】
【附圖說明】
[0018]圖1是基於改進蟻群算法優化支持向量機的流程圖。
[0019]圖2是參數空間網格圖。
[0020]圖3是數據的峰峰值曲線圖。
[0021]圖4是數據的平局值曲線圖。
[0022]圖5是數據的絕對平均值曲線圖。
[0023]圖6是數據的均方值曲線圖。
[0024]圖7是數據的根植曲線圖。
[0025]圖8是數據的方差曲線圖。
[0026]圖9是數據的標準偏差曲線圖。
[0027]圖10是數據的偏度曲線圖。
[0028]圖11是數據的峰值曲線圖。
[0029]圖12(A)是負載為Ohp和故障直徑為14mil的數據集的準確率曲線圖。
[0030]圖12⑶是負載為Ohp和故障直徑為14mil的數據集的時間曲線圖。
[0031]圖13(A)是負載為2hp和故障直徑為14mil的數據集的準確率曲線圖。
[0032]圖13⑶是負載為2hp和故障直徑為14mil的數據集的時間曲線圖。
【具體實施方式】
[0033]一、本發明的理論依據:
[0034]1、蟻群算法是由義大利學著Dorigo M等人首先提出[13]受自然界螞蟻的群集體行為的啟發。螞蟻之間通過信息素交換信息，每隻螞蟻根據信息素的大小決定自己的行為，同時也產生一定量的信息素對周圍的環境產生影響。單只螞蟻根據自己所處的環境做出相應的選擇，單只是隨機的行為，但整體是交流形成高度有序的群體行為。蟻群算法對初始解的依賴性不強，並且個體之間不斷進行信息交流和傳遞，其正反饋機制更有利於發現較好的解，並且有全局優化和啟發式尋優的特點。將高概率隨機選擇和網格與蟻群算法結合，改變蟻群算法中更新信息素更新方式和選擇網格點的方式。網格點中信息素大的值被選中的概率相對大，相應的信息素不斷增加，就會使下一代螞蟻很容易選擇這個解，容易發生停滯現象。通過隨機選擇一定的網格點，選擇其中信息素最大的一個，防止陷入局部全局最優解。在全局最優解附近更新信息素同時在全局最差解附近更新，使螞蟻選中全局最優解的概率降低又不會脫離一定範圍。從而螞蟻選擇其他元素的概率增加，解的多樣性得到保證，並且減少了陷入停滯現象的可能。在全局最差解附近相應的減少信息素，加快了排除部分解的速度也就是加快了想最優解的尋找速度，提高算法的收斂速度。
[0035]2、蟻群算法優化支持向量機參數:支持向量機是一種基於結構風險最小化原則的機器學習方法，其目的是在解決分類問題，通過兩個相對的類之間的邊距最大化。支持向量機是根據統計學理論提出的機器學習技術，SVM利用統計學理論中的結構風險最小化原則代替了傳統的經驗風險最小化原則，提高了支持向量機的泛化能力和學習能力，並且在很大程度上解決了模型選擇與過學習問題、非線性和維數災難問題、局部最小點問題。
[0036]3、支持向量機的一個重要優勢就是引進核函數，這使得SVM有能力處理高維特徵空間和非線性特徵空間。核函數將非線性的樣本空間映射到高維的特徵空間，將樣本空間的非線性問題轉變成特徵空間的線性問題。研究發現，選擇不同的核函數對支持向量機的性能影響不大，而不同核函數中參數的選擇對支持向量機的性能影響是巨大的。同樣作為權衡學習機器的經驗風險和置信範圍比例的懲罰因子C，也是決定學習機器性能的關鍵因素。
[0037]二、根據上述理論，本發明提出一種改進蟻群算法優化支持向量機參數的方法，此方法的整個過程如圖1所示。其步驟如下:
[0038]根據參數優化的問題，確定η個參數的取值範圍，並且通過對每個參數進行N等分計算網格間隔。
[0039]hj= (Xm-X1) /N
[0040]形成η* (Ν+1)個點構成的網格。初始化各網格點信息素值、最大循環次數和循環終止條件。
[0041]每隻螞蟻在每一列中隨機選擇一定數目的網格點，找出信息素最大的最為這一列的選擇點，螞蟻從第一列到第N列選擇出N個網格點，這N個網格點行程一個解，M只螞蟻找到M個解，如圖2。
[0042]將這M個解輸入目標函數，找出最大和最小的二個目標函數值，這二個值即為全
局最優解和全局最差解。
[0043]進行信息素的更新，首先進行全局信息素更新，Pt=Pw.P ;其中P是揮發因子，表示信息素的揮發過程。
[0044]根據公式Pt=Pw-Op,在全局最優解附近的一定範圍增加一定量信息素的值，強化全局最優解。根據公式Pt=PwIP,在全局最差解附近的一定範圍進行信息素一定量減少操作，弱化全局最差解。
[0045]如果沒有達到全局最大循環次數則轉到步驟(2)，否則轉到步驟(6)進行網格的重新劃分；
[0046]當算法循環Nmax後找出信息素矩陣中最大值處對應的行，縮小變量的取值範圍在網格點中對應值的附近重新劃分網格。初始化信息素矩陣。轉到步驟2進行再一次的循環，知道達到循環結束條件。完成參數的尋優。
[0047]三、將本發明一種改進蟻群算法優化支持向量機參數的方法用於機械軸承的故障診斷，具體步驟如下:
[0048]1、採集原始信號:滾動軸承數據時來自美國Case Western Reserve University電氣工程實驗室。在不同負載(0，1I, 2，3hp)和不同故障深度(7，14，21mil)下有四種狀態，分別是正常、內圈故障、外圈故障、滾動體故障。數據的採樣頻率為12K和48K。每個狀態有50組樣本，一共是200組。其中120組數據作為訓練樣本，80組數據作為測試樣本。同時為了更好的驗證本方法適合小樣本，選擇80組數據作為訓練樣本，120組數據作為測試樣本。
[0049]2、對原始信號進行特徵提取:
[0050]( 1)對信號進行預處理，提取特徵，震動信號特徵值得計算有很多種方法，選擇峰峰值，均值，絕對平均值，均方值，均方根值，方差，標準偏差，偏度，峰值這9中特徵值來處理原始信號。
[0051]①峰峰值是指信號的變化範圍。公式為:
max(Xi)-miin(xi) (1)
[0053]②平均值是信號的平均值
【權利要求】
1.一種改進蟻群算法優化支持向量機參數的方法，其步驟如下: (1)根據參數優化的問題，確定η個參數的取值範圍，並且通過對每個參數進行N等分計算網格間隔；
hi= (Xm-X1) /N 形成η* (Ν+1)個點構成的網格；初始化各網格點信息素值、最大循環次數和循環終止條件； (2)每隻螞蟻在每一列中隨機選擇一定數目的網格點，找出信息素最大的最為這一列的選擇點，螞蟻從第一列到第N列選擇出N個網格點，這N個網格點行程作為一個解，M只螞蟻找到M個解； (3 )將這M個解輸入目標函數:支持向量機，找出最大與最小的二個目標函數值，這二個值即為全局最優解和全局最差解； (4)進行信息素的更新，首先進行全局信息素更新，Pt=Pw.P ;其中P是揮發因子，表示信息素的揮發過程； 根據公式Pt=Pu-Op在全局最優解附近的一定範圍增加一定量信息素的值，強化全局最優解； 根據公式Pt=Puip在全局最差解附近的一定範圍進行信息素一定量減少操作，弱化全局最差解； (5)如果沒有達到全局最大循環次數Nm ax則轉到步驟(2)，否則轉到步驟(6)進行網格的重新劃分； (6)當算法循環次數NC達到Nmax後找出信息素矩陣中最大值處對應的行，縮小變量的取值範圍在網格點中對應值的附近重新劃分網格；初始化信息素矩陣；轉到步驟(2)進行再一次的循環，直至達到循環結束條件(網格間隔h〈 ε )，完成參數的尋優。
【文檔編號】G06Q10/04GK103440527SQ201310323310
【公開日】2013年12月11日 申請日期:2013年7月29日 優先權日:2013年7月29日
【發明者】張利, 鄭阿楠, 王軍, 訾遠 申請人:遼寧大學