基于粒子群和支持向量機的控制系統(tǒng)執(zhí)行器故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于多群體協(xié)同混沌模擬退火粒子群優(yōu)化算法-支持向量機 (MCCSAPS0-SVM)的控制系統(tǒng)執(zhí)行器故障診斷方法，屬于控制系統(tǒng)信號處理與執(zhí)行器故障診 斷技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 由于現(xiàn)代控制系統(tǒng)組成復(fù)雜，常常需要在不同環(huán)境條件下長時間、高負(fù)荷工作，這 就造成控制系統(tǒng)不可避免的會出現(xiàn)各類故障。特別是在航空航天、醫(yī)療、規(guī)?；瘷C械生產(chǎn)等 領(lǐng)域，細(xì)微的故障有時會造成極其嚴(yán)重的經(jīng)濟損失和人員傷害的后果，因此對設(shè)備運行的 狀態(tài)監(jiān)測和故障診斷就成為了重要的研究課題?？刂葡到y(tǒng)執(zhí)行器的故障診斷可分為故障檢 測和故障隔離，這兩者是兩種具有不同目的和方法的技術(shù)。故障檢測的目的是判斷系統(tǒng)當(dāng) 前運行狀態(tài)是否正常;故障隔離的目的是確定故障的類型和發(fā)生的位置。搭建一個快速、有 效、可靠的執(zhí)行器故障診斷系統(tǒng)，其關(guān)鍵在于：1)準(zhǔn)確獲取能夠反映控制系統(tǒng)當(dāng)前運行狀態(tài) 的特征信息;2)建立一種泛化能力強，能夠處理小樣本故障診斷的算法。故障特征提取的優(yōu) 劣對診斷結(jié)果將起到至關(guān)重要的作用，經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition， EMD)是一種非常適合應(yīng)用于非線性、非平穩(wěn)信號的特征提取方法。由于現(xiàn)場采集控制系統(tǒng) 狀態(tài)信號常常存在較強的隨機噪聲，因此在控制系統(tǒng)中在應(yīng)用經(jīng)驗?zāi)B(tài)分解前，必須先對 采樣信號進(jìn)行適當(dāng)且必要的降噪處理。
[0003] 故障診斷是一個典型的小樣本問題，控制系統(tǒng)執(zhí)行器發(fā)生故障具有突發(fā)性且難以 復(fù)現(xiàn)，因此可用的故障樣本十分有限?；诮y(tǒng)計學(xué)習(xí)理論的支持向量機在處理小樣本、非線 性、高維問題的模式識別中具有極強的泛化能力，相較于神經(jīng)網(wǎng)絡(luò)具有所需樣本少、結(jié)構(gòu)更 明確、收斂速度快等優(yōu)點。
[0004] 在支持向量機的實際應(yīng)用中，選擇適合樣本數(shù)據(jù)的有效核函數(shù)，能夠增強支持向 量機決策函數(shù)的可解釋性與魯棒性。將多個單一核函數(shù)進(jìn)行線性組合而成的組合核函數(shù)可 以彌補單一核函數(shù)對多源復(fù)雜樣本數(shù)據(jù)可解釋性不足的缺點。組合核函數(shù)在通過結(jié)合其構(gòu) 成中各單一核函數(shù)的優(yōu)勢，得到性能更加優(yōu)越的支持向量機的同時，仍然存在以下兩個問 題：1)由于組合核函數(shù)的核參數(shù)較多，選取不當(dāng)極易造成組合核函數(shù)的性能不及單一核函 數(shù)的性能；2)在已確定組合核函數(shù)所包含的單一核函數(shù)種類以及核參數(shù)的情況下，各單一 核函數(shù)所占權(quán)重的選擇也會對組合核函數(shù)的性能造成影響。
[0005] 通常將核函數(shù)的參數(shù)與懲罰因子等規(guī)則化參數(shù)統(tǒng)稱為支持向量機的結(jié)構(gòu)參數(shù)。目 前，對支持向量機結(jié)構(gòu)參數(shù)的優(yōu)化方法主要有:試湊法、交叉驗證法、網(wǎng)格搜索法、遺傳算 法、粒子群算法、人工免疫算法、蟻群算法等。其中，粒子群優(yōu)化算法（Particle Swarm Optimization，PS0)需要調(diào)整的參數(shù)較少，且具有結(jié)構(gòu)簡單，容易實現(xiàn)，收斂速度快等優(yōu)勢， 但是由于粒子多樣性的快速消失，算法極易陷入局部極值，無法尋找出全局最優(yōu)解。將混沌 思想引入PS0,不僅改善了粒子群優(yōu)化算法跳出局部極值點的能力，也在一定程度上提高了 算法的收斂速度和精度，然而由于混沌PS0無法克服單獨個體表現(xiàn)出的缺陷，從而容易造成 粒子信息交流的誤判。模擬退火算法(Simulated Annealing，SA)利用概率突跳特性隨機尋 找優(yōu)化函數(shù)的全局最優(yōu)解，也能夠很好的避免在搜索過程中陷入局部的最優(yōu)解，具有良好 的全局優(yōu)化性能，但是因為初始值決定了該算法找出問題的全局最優(yōu)解的性能，所以該算 法也存在一定的局限性。

【發(fā)明內(nèi)容】

[0006] 發(fā)明目的：針對上述現(xiàn)有技術(shù)，提出一種基于多群體協(xié)同混沌模擬退火粒子群優(yōu) 化算法-支持向量機(MCCSAPS0-SVM)的控制系統(tǒng)執(zhí)行器故障診斷方法，能夠通過利用基于 多群體協(xié)同混沌模擬退火粒子群優(yōu)化算法(MCCSAPS0)優(yōu)化結(jié)構(gòu)參數(shù)和采用組合核函數(shù)的 偏二叉樹支持向量機的輸出，實時有效地判斷出控制系統(tǒng)執(zhí)行器是否發(fā)生故障，并且能夠 在執(zhí)行器發(fā)生故障時較為準(zhǔn)確地確定出故障類型。
[0007] 技術(shù)方案：一種基于多群體協(xié)同混沌模擬退火粒子群優(yōu)化算法-支持向量機 (MCCSAPS0-SVM)的控制系統(tǒng)執(zhí)行器故障診斷方法，通過聯(lián)合降噪和改進(jìn)經(jīng)驗?zāi)B(tài)分解 (EMD)方法，對采集到的執(zhí)行器輸出信號進(jìn)行降噪處理和特征提取;利用多群體協(xié)同混沌模 擬退火粒子群優(yōu)化算法(MCCSAPS0)優(yōu)化支持向量機結(jié)構(gòu)參數(shù);采用組合核函數(shù)保證了支持 向量機良好的泛化能力與學(xué)習(xí)能力;利用訓(xùn)練數(shù)據(jù)構(gòu)建一種把一個復(fù)雜的多分類問題轉(zhuǎn)化 為若干個二分類問題的偏二叉樹支持向量機，降低了計算量，提高了診斷的實時性;通過偏 二叉樹支持向量機的輸出，能夠?qū)崟r有效地判斷出控制系統(tǒng)執(zhí)行器是否發(fā)生故障，并且能 夠在執(zhí)行器發(fā)生故障時較為準(zhǔn)確地確定出故障類型，包括如下具體步驟：
[0008] 步驟1)將離散含噪信號f(k)(信號長度為N)先進(jìn)行中值濾波處理得到/0)，濾除 可能的脈沖噪聲；
[0009] 步驟2)對中值濾波處理后的進(jìn)行改進(jìn)小波閥值降噪處理：
[0010] 步驟2.1)將進(jìn)行第j層(從j = l開始)小波分解，其中j的確定方式為:對小波 分解得到的高頻細(xì)節(jié)系數(shù)山(k)進(jìn)行式（1)自相關(guān)系數(shù)λ計算，若滿足自由度1的X2分布，則對 山繼續(xù)進(jìn)行j+Ι層分解，直到不滿足X 2分布為止;式中，山(k)高頻細(xì)節(jié)系數(shù),?為山(k)的平均 值；
[0011]
⑴
[0012] 步驟2.2)將分解得到的小波系數(shù)W(k)帶入式(2)加以處理;式中，W為信號/⑷小 波變換后的小波系數(shù)Wj(k)，y(y>0)，v(v>l)，p(pe[0，l])，q(q> 〇)均為可調(diào)參數(shù)，Ws為經(jīng) 過閥值降噪后的小波系數(shù)，<
為閥值，〇為噪聲標(biāo)準(zhǔn)差；
[0013]
[0014] 步驟2.3)對處理后的各小波系數(shù)進(jìn)行小波逆變換，得到降噪后的真實信號的估計 Kk)>
[0015] 步驟3)對聯(lián)合降噪后的信號進(jìn)行EMD分解，通過比較各本征模態(tài)函數(shù)aMF)與信號 奴〇的相關(guān)系數(shù)P與預(yù)設(shè)閥值ζ的大小剔除max(P)后的所有小于閥值的IMF即"偽分量"；其 中，P通過式(3)計算，〇[ ·]為標(biāo)準(zhǔn)差，G = 〇.lmax(p);
[0016]
(3)
[00 17 ]步驟4 )對剔除"偽分量"后的η個IM F分量，計算各IM F分量c i ( k )的能量
J提取出的特征向量戈
[0018] 步驟5)利用多群體協(xié)同混沌模擬退火粒子群優(yōu)化算法(MCCSAPS0)優(yōu)化組合核函 數(shù)支持向量機結(jié)構(gòu)參數(shù)：
[0019] 步驟5.1)構(gòu)建粒子群優(yōu)化算法迭代公式(4)，該迭代公式能夠使得粒子群在迭代 初期具備較強的搜索能力，能搜索到較大的解空間，并具有不斷搜索新區(qū)域的能力，而在迭 代后期，算法快速收斂到全局最優(yōu)區(qū)域;式中， C1、c2為學(xué)習(xí)因子，n、r2為介于[0，1]之間的 隨機數(shù)，Pibest= (Pil，Pi2,…，PiD)為粒子歷史最優(yōu)適應(yīng)值，gbest= (gl，g2,…，gD)為全局最 優(yōu)適應(yīng)值，W為慣性權(quán)重，tmax為最大迭代次數(shù)，Wmin，Wmax是慣性權(quán)重W的最值，通過調(diào)節(jié)引入 的收斂因子S，可以加快粒子群的收斂速度；
[0020]
(4)
[0027] 式中，Rmax、Rmin為gbest的上下限。接著對當(dāng)前序列中的最優(yōu)粒子位置和速度進(jìn)行P 次迭代后產(chǎn)生混沌序列為1?=(1^，1?2，···，Rp)，通過式(8)可以得到如式(9)所示的最優(yōu)粒子 序列；
[0028] gbest,p = Rmin+Rn(Rmax-Rmin)，n=l，2，."，P (8)
[0029]
(9)
[0030] 步驟5.5)主群更新:在每一代主群選取從群體中最好的粒子，并根據(jù)從群的經(jīng)驗 進(jìn)行狀態(tài)更新，其速度和位置更新方程為式(10):
[0031]
[0032] 式中，Μ為主群，S為從群，C1為學(xué)習(xí)因子，r3為介于[0，1]之間的隨機數(shù)，Φ為滿足式 (11 )的迀移因子，gMbest和gSbest分別為主群和從群中的全局最優(yōu)適應(yīng)值，GMbest和Gsbest分別為 由gMbest和gSbest確定的適應(yīng)值；
[0033]
(11)
[0034] 步驟5.6)退火優(yōu)化:計算每個粒子更新后的適應(yīng)值屯\及適應(yīng)值變化量Δ Ψ1 = Ψ\-Ψ?;若Α ΨΧΟ,或Δ Ψ!>〇時exp(-A Ψ/Τ)在區(qū)間[0，1]上，則進(jìn)行降溫操作Τ-ΚτΤ， 否則溫度不變；
[0035] 步驟5.7)終止條件：當(dāng)滿足溫度降至To,或達(dá)到最大迭代次數(shù)tmax時停止迭代，否 則返回步驟5.3;
[0036]步驟6)構(gòu)造組合核函數(shù)支持向量機：
[0037]步驟6.1)構(gòu)造式（12)形式的組合核函數(shù)，式中，d為多項式核函數(shù)的階數(shù)，〇為高斯 核函數(shù)的核半徑，P為權(quán)重；
[0038] K = pKP〇iy+(l-p)KRBF = p(xxi+l)d+(l-p)exp(-||x-Xi||2/°2) (