[发明专利]基于AMFO算法和SVM算法继电器贮存寿命预测方法

权利要求书

1.基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述继电器贮存寿命预测方法包括如下步骤：

步骤1：对电磁继电器进行加速退化贮存试验，获取建立训练样本所需的材料性能参数；

步骤2：对步骤1中的原始性能参数数据进行主成分分析，进行降维处理，剔除冗余数据，保留对样本总体贡献较大的因素，获取主成分变量；

步骤3：将步骤2获取的主成分变量分别取训练集和测试集数据，将所述训练集数据输入SVM模型中进行训练学习；

步骤4：采用自适应飞蛾火焰优化算法，对SVM模型的核函数中的参数进行优化，确定最优参数c和σ，利用最优参数进行构建SVM模型，提高SVM模型预测数据的精度，建立起优化后的模型进行寿命预测；

步骤5：设置失效阈值，选择不同区间的测试样本使得初始预测时间点不同，预测到达失效阈值的退化曲线；

步骤6：通过计算概率密度函数得出最终的预测的寿命，并且与实际继电器贮存寿命进行对比，进行误差分析。

2.根据权利要求1所述基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述步骤4中采用自适应飞蛾火焰优化算法，确定最优参数C和σ，利用最优参数进行构建SVM模型，包括如下步骤：

步骤4-1：对参数进行初始化，设置飞蛾种群大小n，搜索的空间维度d，最大迭代次数T以及火焰数量N，在空间内初始化飞蛾的位置；

步骤4-2：矩阵OM储存着飞蛾的适应度值，矩阵M表示飞蛾的位置：

m_ij＝[b_ub(i)-b_lb(i)]rand()+b_lb(i)

其中b_ub(i)和b_lb(i)分别为第i个飞蛾位置的上限和下限；

步骤4-3：矩阵OF储存着火焰的适应度值，矩阵F表示火焰的位置：

步骤4-4：计算个体的适应度值，并按照从小到大的顺序给所有个体排序，找出最优的飞蛾位置并将其赋值给火焰；

步骤4-5：利用公式更新动态自适应惯性权重以及火焰的位置，利用公式减少火焰数量，其中ω为动态自适应权重因子，其中N为火焰数量的最大值，l为当前的迭代次数，T为最大迭代次数，迭代次数l＝l+1；

步骤4-6：将自适应步长公式应用于飞蛾M_i和火焰F_j的距离公式中更新飞蛾与火焰的距离D_i，其中l为当前的迭代次数，T为最大迭代次数，θ为参数；

步骤4-7：利用对数螺线函数公式S(M_i，F_j)＝D_i*e^pt*cos2πt+ωF_j更新飞蛾的位置，其中M_i和F_j分别飞蛾和火焰的位置，D_i为更新后的飞蛾与火焰的距离，p为螺旋形状常数，ω为动态自适应权重因子，动态自适应权重因子和j个火焰相乘，是随着迭代次数的增加从1到0的非线性自适应减小，使飞蛾朝着正确的搜索方向前进，并有效提高算法的精度；

步骤4-8：不断进行迭代更新，直到满足停止条件，输出整个迭代过程中火焰的最优位置以及所对应的适应度值，停止迭代搜索即算法结束，输出最优参数值；

步骤4-9：根据最优的参数构建SVM模型。

3.根据权利要求1或2所述基于AMFO算法和SVM算法继电器贮存寿命预测方法，其特征在于：所述步骤4中的SVM模型的寿命预测的预测过程包括如下步骤：

步骤4-10-1：对原始性能参数数据进行归一化处理，建立训练样本集；

步骤4-10-2：选择核函数及参数：不同的核函数选择会出现不同的SVM模型，参数的计算式式中和σ_y分别为平均值和方差；

步骤4-10-3：根据建立的SVM模型进行样本训练，进而对其进行预测，得到相关的预测结果，将输入样本代入模型中，进行分析，输出预测值；

步骤4-10-4：把预测值与实际值进行检验，如果对预测值不满意则返回第步骤4-10-3，反之则进行误差分析。