[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

说明书

技术领域

本发明涉及故障诊断与健康管理领域，尤其涉及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及装置。

背景技术

吊舱是悬挂在运动载体(飞机、船舶)外舱体有效载荷容器装置，根据设备功能，吊舱可以分为导航吊舱、捕控指令吊舱、瞄准吊舱、红外测量吊舱、电子干扰吊舱以及电子情报吊舱。吊舱在使用过程中具有反复性，工作时吊挂在飞机下随飞机飞行。随着军队飞行任务的日益加剧，吊舱在频繁的挂飞训练过程中受到起降时振动冲击以及高空飞行超低温环境的侵蚀，导致吊舱的故障率不断提升，吊舱的测试保障任务日益加剧。吊舱是配合精确制导武器使用的必不可少的部件，保证吊舱的完好率是武器测试维修保障的重要内容。但是在吊舱测试设备研制中专用测试设备复杂、扩展能力差，测试设备的投资巨大，重复使用率低，不能满足武器装备设计生产的“三化”要求。同时，吊舱测试设备缺乏有效的故障诊断方法，多停留在以采集到的实时数据来初判故障类型，缺乏对复杂信号的故障诊断能力。

发明内容

鉴于上述的分析，本发明旨在提供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及装置，用完全或者至少部分地解决上述问题。

为解决上述问题，本发明主要是通过以下技术方案实现的：

本发明一方面提供了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，该方法包括：

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(Radial Basis Function，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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，然后采用测试集验证模型的检测性能。

本发明另一方面还提供了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，该装置包括，

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(Radial Basis Function，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。