[发明专利]动态粒子群算法优化的多核支持向量机吊舱故障诊断方法及装置

权利要求书

1.一种动态粒子群算法优化的多核支持向量机吊舱故障诊断方法，其特征在于，包括，

步骤一、获取吊舱故障诊断样本，对数据进行标准化处理，提取特征向量，对数据进行归一化处理，并将其划分为训练集和测试集；

步骤二、初始化种群，将种群划分为若干个子种群，构建粒子群优化算法，利用每次环境下多种群方法找到局部和全局最优解信息，保存在记忆体中；

步骤三、当吊舱类型或环境发生变化，选取记忆体中粒子组成新的种群，新种群经历相同的循环，直至达到停止条件；

步骤四、取得支持向量机模型的最优结构参数，建立多核支持向量机故障诊断模型，由多项式核函数和径向基RBF核函数构成的组合核，采用训练集对构建的模型进行训练，直到达到停止条件；

步骤五、采用训练集样本对模型进行训练，交叉验证分类模型准确率；

步骤六、将测试集数据输入到优化后的支持向量机故障诊断模型，检验模型的故障诊断准确率，并输出结果。

2.根据权利要求1所述方法，其特征在于，

所述步骤二具体包括，将种群划分为多个子种群，采用多线程记忆制粒子群算法充分利用每次环境下多种群方法得到的局部和全局最优解信息，将当前环境下能找到的局部和全局最优解保存在记忆体中。

3.根据权利要求1或2所述方法，其特征在于，

所述步骤三具体包括，采用适于动态环境的粒子群算法，当检测环境发生变化，取出记忆体中的粒子，当记忆体中的粒子数小于种群个数，则随机PopSize-NUM个粒子，组成新的种群，当记忆体中粒子大于种群个数，则选择适应度较好的前PopSize个粒子组成新的种群，然后进入到新的循环中，直至达到停止条件。

4.根据权利要求1或2所述方法，其特征在于，

所述步骤四具体包括，基于粒子群算法寻优得到的支持向量机的最优结构参数，建立多核支持向量机故障诊断模型，提高模型的学习能力和泛化能力。

5.根据权利要求1或2所述方法，其特征在于，

所述步骤五具体包括，采用交叉验证的方式，选用训练集中分类准确率最高支持向量机模型，在分类准确率相同的情况下选用惩罚因子C最小的一组，过高的C会发生过学习，然后采用测试集验证模型的检测性能。

6.一种动态粒子群算法优化的多核支持向量机吊舱故障诊断装置，其特征在于，包括，

获取单元，用于获取吊舱故障诊断样本，对数据进行标准化处理，提取特征向量，对数据进行归一化处理，并将其划分为训练集和测试集；

初始化单元，用于初始化种群，将种群划分为若干个子种群，构建粒子群优化算法，利用每次环境下多种群方法找到局部和全局最优解信息，保存在记忆体中；

第一处理单元，用于当吊舱类型或环境发生变化，选取记忆体中粒子组成新的种群，新种群经历相同的循环，直至达到停止条件；

第二处理单元，用于取得支持向量机模型的最优结构参数，建立多核支持向量机故障诊断模型，由多项式核函数和径向基RBF核函数构成的组合核，采用训练集对构建的模型进行训练，直到达到停止条件；

验证单元，用于采用训练集样本对模型进行训练，交叉验证分类模型准确率；

输出单元，用于将测试集数据输入到优化后的支持向量机故障诊断模型，检验模型的故障诊断准确率，并输出结果。

7.根据权利要求6所述装置，其特征在于，

所述初始化单元还用于，将种群划分为多个子种群，采用多线程记忆制粒子群算法充分利用每次环境下多种群方法得到的局部和全局最优解信息，将当前环境下能找到的局部和全局最优解保存在记忆体中。

8.根据权利要求6或7所述装置，其特征在于，

所述第一处理单元还用于，采用适于动态环境的粒子群算法，当检测环境发生变化，取出记忆体中的粒子，当记忆体中的粒子数小于种群个数，则随机PopSize-NUM个粒子，组成新的种群，当记忆体中粒子大于种群个数，则选择适应度较好的前PopSize个粒子组成新的种群，然后进入到新的循环中，直至达到停止条件。

9.根据权利要求6或7所述装置，其特征在于，

所述第二处理单元还用于，基于粒子群算法寻优得到的支持向量机的最优结构参数，建立多核支持向量机故障诊断模型。

10.根据权利要求6或7所述装置，其特征在于，

所述验证单元还用于，采用交叉验证的方式，选用训练集中分类准确率最高支持向量机模型，在分类准确率相同的情况下选用惩罚因子C最小的一组，然后采用测试集验证模型的检测性能。