CN107563414A - 一种基于Kohonen‑SVM的复杂设备退化状态识别方法 - Google Patents
一种基于Kohonen‑SVM的复杂设备退化状态识别方法 Download PDFInfo
- Publication number
- CN107563414A CN107563414A CN201710691675.9A CN201710691675A CN107563414A CN 107563414 A CN107563414 A CN 107563414A CN 201710691675 A CN201710691675 A CN 201710691675A CN 107563414 A CN107563414 A CN 107563414A
- Authority
- CN
- China
- Prior art keywords
- data
- svm
- kohonen
- degenerate state
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于Kohonen‑SVM的复杂设备退化状态识别方法,步骤如下:1、对复杂设备的正常功率数据进行采集;2、对筛选后的功率数据进行特征提取‑选择‑降维;3、将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习;4、对退化样本集数据进行划分处理;5、在训练样本集的基础上,采用PSO方法对SVM的参数进行寻优求解;6、使用优化的参数和训练集样本数据进行SVM模型学习,得到退化状态识别模型;7、使用测试集样本数据对分类识别模型的准确率进行验证;通过上述步骤,本发明实现了基于Kohonen‑SVM的复杂设备退化状态识别方法,得到了设备的典型退化状态样本集数据和复杂设备的退化状态识别模型。
Description
技术领域
本发明提供一种基于Kohonen-SVM的复杂设备退化状态识别方法,它涉及一种基于Kohonen-SVM的复杂设备退化状态识别方法的实现,属于复杂设备可靠性、复杂设备故障诊断领域。
背景技术
随着工业化水平的不断提高,应用于各工业部门的设备也日趋复杂,这些设备的可靠性直接影响着相关产业的发展。对复杂设备进行实时监测并识别出可能发生的故障类型,对设备的可靠性具有重要的意义。目前,国内外对于复杂设备的诊断的主要集中于故障模式的识别,但这些研究并没有对设备的退化状态进行考虑。退化状态数据隐藏在正常状态数据中,随着时间的增加,最终会演化成劣化故障。其中,劣化故障是指设备长期处于亚健康状态,性能逐渐恶化所导致的故障。因此,对设备退化状态的识别研究是十分必要的。本发明提出了一种基于Kohonen-SVM的复杂设备退化状态识别方法,该方法通过科荷伦(Kohonen)神经网络对设备的正常功率数据进行无监督学习,得到典型的中间退化状态数据。然后使用参数优化的支持向量机(Support Vector Machine,简称SVM)模型对状态数据进行监督学习,生成退化状态分类器模型,用于复杂设备退化状态的识别。
该方法基于Kohonen神经网络和SVM技术,融合故障分析与故障处理等相关理论、方法和技术进行实现,在提高复杂设备维护性的同时,达到提高复杂设备可靠性、安全性、可用性的目的。
发明内容
(一)本发明目的
目前针对复杂设备的故障模式识别方法通常仅考虑正常和故障两种状态,并没有对设备的中间退化状态进行考虑,这种退化状态会随着时间的积累演化成劣化故障,对设备造成严重的损坏。因此本发明将克服现有技术的不足,提供一种基于Kohonen-SVM的复杂设备退化状态识别方法。该方法使用Kohonen神经网络的退化状态挖掘方法对设备的正常功率数据进行无监督学习,得到典型的退化状态数据。并在数据的基础上,使用参数优化的SVM模型对状态数据进行监督学习,生成退化状态分类器模型,用于设备退化状态的识别。这一方法不仅可以对复杂设备的退化状态进行挖掘,还可以对退化状态进行识别分类,为故障诊断领域提供了一种新的解决方法,并对现有的故障模式识别方法进行了创新。
(二)技术方案
本发明一种基于Kohonen-SVM的复杂设备退化状态识别方法,其步骤如下:
步骤1、对复杂设备的正常功率数据进行采集,通过人工筛选的方式剔除其中可能存在的故障数据和坏值数据;
步骤2、对筛选后的功率数据进行特征提取-选择-降维,得到可用于输入学习的多维特征向量数据;
步骤3、将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习,获得退化状态样本集数据;
步骤4、对退化样本集数据进行划分处理,得到SVM训练样本集数据和测试样本集数据;
步骤5、在训练样本集的基础上,采用粒子群优化方法(Particle SwarmOptimization,简称PSO)对SVM的参数进行寻优求解;
步骤6、使用优化的参数和训练集样本数据进行SVM模型学习,得到能有效识别退化状态的SVM模型,即退化状态识别模型;
步骤7、使用测试集样本数据对分类识别模型的准确率进行验证。
其中,在步骤1中所述的“功率数据”,是指设备动作过程中,通过采集装置获得设备的实时电流、电压值,并在这些数值的基础上使用计算机自动分析得到的表征设备状态的数据;所述的“故障数据”,是指设备运行过程发生故障时,通过对比分析检测到的异常功率数据;所述的“坏值数据”,是指设备动作数据采集过程中,数据值小于采集规定阙值的功率数据,坏值数据的存在会影响设备功率整体数据的准确性。
其中,在步骤2中所述的“对筛选后的功率数据进行特征提取-选择-降维”,其作法如下:对功率数据划分为时域数据与值域数据,在划分完成后,开始进行数据的特征提取工作。对于功率时域数据,该方法提取均值、方差、均方根、峭度、进出口差值、极大极小差值、峰值因子、脉冲因子、差分和、波形因子等参数作为特征数据;对于功率值域数据,该方法提取最大时间值、平均值、数据点数、极大极小差值、值中位数、最大值、时间中位数、众数等参数作为特征数据。在提取完成后,使用这些特征数据构建特征向量空间,采用基于准则函数的方法进行特征选择;特征选择完成以后,通过主成分分析、局部线性嵌入进行特征降维,获得的多维特征向量数据。
其中,在步骤3中所述的“多维特征向量数据”,是指功率数据经过特征提取-选择-降维处理后得到的数据,多维特征向量数据可作为Kohonen网络的输入数据,用于退化状态的聚类学习。
其中,在步骤3中所述的“Kohonen网络”,是指一种自组织竞争型神经网络;该网络通过自组织特征映射调整网络权值,使神经网络收敛于一种表示形态,在这一形态中一个神经元只对某种输入模式特别匹配或敏感;Kohonen网络是包含输入层和竞争层两层的前馈神经网络;其中,第1层是输入层,输入层神经元的个数同输入样本向量的维数保持一致,取输入层节点数为m;第2层是竞争层,也称输出层,竞争层节点呈二维阵列分布,取竞争层节点数为n;输入节点和输出节点之间以可变权值进行全连接,连接权值为Kohonen网络的学习是无监督的自组织学习过程;通过无监督学习,网络中不同神经元能够对不同输入模式敏感,实现特定的神经元在模式识别中可以充当某一输入模式的检测器。学习完成后,神经元被划分为不同区域,各区域对输入模型具有不同的响应特征。
其中,在步骤3中所述的“将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习”,其作法如下:将多维特征向量数据输入至网络,网络竞争层上的神经元计算输入样本与竞争层神经元权值之间的欧几里得距离,距离最小的神经元为获胜神经元。调整获胜神经元和相邻神经元权值,使获胜神经元及周边权值靠近该输入样本;通过反复训练,最终各神经元的连接权值具有一定的分布,该分布把数据之间的相似性组织到代表各类的神经元下,使同类神经元具有相近的权系数,不同类的神经元权系数差别明显。需要注意的是,在学习过程中,权值修改学习速率和神经元领域均在不断减少,从而使同类神经元逐渐集中,完成输入数据的自动聚类,生成不同类别的退化态样本集数据。
其中,在步骤4中所述的“对退化样本集数据进行划分处理”,其作法如下:对退化状态样本集数据的样本数目进行统一,规定每种状态的样本数目一致,并按4:1的比例将每种样本划分为训练集和测试集;训练集数据用于进行SVM建模,测试集数据用于进行退化状态识别模型的识别准确率测试。
其中,在步骤4中所述的“SVM”,是指支持向量机模型,该模型是在统计学理论的基础上提出的一种分类器模型,可用于模式分类、线性以及非线性回归分析;支持向量机的原理是给定训练样本,建立一个分类超平面作为决策曲面,使样本正例和反例之间的隔离边缘最大化,从而完成训练样本的分类。
其中,在步骤5中所述的“粒子群优化方法”,是指一种基于群体智能理论的优化算法,该算法具有自我学习和向他人学习的双重优点,可以在较少的迭代次数内找到最优解。
其中,在步骤5中所述的“采用粒子群优化方法(Particle Swarm Optimization,简称PSO)对SVM的参数进行寻优求解”,即“采用PSO方法对SVM的参数进行寻优求解”,其作法如下:对SVM的核参数g和惩罚参数c进行寻优求解,首先,产生初始化种群,在种群中每一个粒子代表一个潜在的最优解,每个粒子具有三项指标表示其特征:位置、速度和适应度值;然后,根据目标函数计算每个粒子的适应度值,该值的好坏代表了粒子的优劣,当粒子在解空间运动时,通过追踪个体极值和群体极值来更新个体的位置;粒子每更新一次位置,需要重新计算适应度值,并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值来更新个体极值和群体极值的位置;最后,当找到足够好的最优解或者达到迭代次数时,PSO算法结束,输出最优的核参数g和惩罚参数c。
其中,在步骤6中所述的“使用优化后的参数和训练集样本数据进行SVM模型学习”,其作法如下:
步骤6.1:设已知训练集:T={(x1,y1),…,(xi,yi)}∈(X×Y)l,其中,xi为特征向量,yi为对应的属性值,xi∈X∈Rn,yi∈Y={-1,1},i=1,2,…,l;
步骤6.2:选取PSO优化的核函数g(x,x′)和适当的惩罚参数C,构造并求解最优化问题:使得0≤αi≤C,i=1,2…,l,从而得到到最优解
步骤6.3:选取α*的一个正分量0<α*<C,并据此计算阈值
步骤6.4:构造决策函数f(x):
步骤6.5:根据决策函数f(x)的值输出类别。
通过上述步骤,可以实现基于Kohonen-SVM的复杂设备退化状态识别方法,该方法基于Kohonen神经网络的无监督退化状态挖掘方法,得到了设备的典型退化状态样本集数据;进一步,在训练样本数据集的基础上采用PSO方法对SVM模型参数进行优化,通过使用优化的SVM模型对退化状态数据进行分类识别,得到了复杂设备的退化状态识别模型。最后采用测试样本数据集对识别分类模型的准确性验证,以证明这一方法识别退化状态的可行性。
(三)优点
本发明与现有技术相比的优点在于:目前,大部分故障模式识别方法只能对复杂设备的正常和故障两种状态进行识别,对处于正常与故障状态之间的退化状态不能进行有效的挖掘和识别。而本发明能够从复杂设备正常的功率数据中挖掘出中间退化态数据,并以此为依据进行监督学习,获取设备典型的各类退化态数据。
附图说明
图1为本发明的总体步骤流程。
图2为本发明的功率数据特征提取流程。
图3为本发明的基于Kohonen网络的方法流程。
图4为本发明的粒子群优化算法流程。
图5为本发明的退化状态识别流程。
图6为本发明的退化状态识别方法实现流程。
图中序号、符号、代号说明如下:
图1中的“步骤1-7”是本发明技术方案中对应的步骤;
图1中的“PSO”是粒子群优化方法,用于完成支持向量机参数的寻优求解;
图1,6中的Kohonen网络是科荷伦神经网络,用于完成退化状态的挖掘工作;
图1,5,6中的SVM是支持向量机模型,用于完成退化状态的识别分类工作;
图3,4中的“Y”表示判断条件为逻辑“真”,“N”表示判断条件为逻辑“假”。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图进行详细描述。
本发明提出了一种基于Kohonen-SVM的复杂设备退化状态识别方法,该方法通过对复杂设备的正常功率数据进行聚类处理,得到设备的典型退化状态样本集数据。进一步在训练样本数据集的基础上,采用PSO方法对SVM模型参数进行优化,通过使用参数优化的SVM模型对退化状态数据进行监督学习,得到设备的退化状态识别模型。最后采用测试样本数据对识别分类模型的准确率进行验证,证明了这一方法在识别退化状态方面的可行性。
本发明一种基于Kohonen-SVM的复杂设备退化状态识别方法,如图1所示,其具体构建步骤如下:
步骤一:对复杂设备的正常功率数据进行实时连续采集,数据应采用“时间-数值”的格式进行表示。数据采集完成后,通过人工筛选方法剔除其中可能存在的故障数据和坏值数据;
步骤二:对筛选后的功率数据进行“特征提取-选择-降维”处理,作为Kohonen神经网络模型的学***均值、数据点数、极大极小差值、值中位数、最大值、时间中位数、众数等参数作为特征数据。在提取完成后,使用这些特征数据构建特征向量空间,采用基于准则函数的方法进行特征选择。特征选择完成以后,通过主成分分析、局部线性嵌入进行特征降维,获得的多维特征向量数据;
步骤三:将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习,获得退化状态样本集数据。基于Kohonen网络的退化状态聚类方法流程如图3所示,将提取的功率特征数据作为模型的输入数据后,需要根据数据的特点对网络进行初始化,确定网络输入输出节点数以及学习参数。网络输入节点数应与输入特征向量的维数保持一致,输出节点数则由退化状态的类别个数决定。Kohonen网络输出层节点代表了输入数据潜在的退化状态类别,一般输出层节点数多于输入数据实际类别的个数。对于复杂设备,本发明所要识别的退化状态类别小于10种,所以这里仅选择36个竞争层节点作为网络的输出类别,并规定这些竞争层节点以6行6列的方阵形式进行排列。
对于网络的学习参数,由于在进化过程中领域半径和学习速率会逐渐变小,因此需要根据Kohonen网络的领域公式对网络的优胜节点领域半径r内的节点权值进行优化调整,这样输入数据会逐渐向某几个输出层节点集中,从而实现网络的聚类功能,得到典型的退化状态样本集数据;
步骤四:对退化状态样本集数据进行预处理,得到训练样本集数据和测试样本集数据。这里,需要对退化状态样本集数据的样本数目进行统一,规定每种状态的样本数目一致,并按4:1的比例将每种样本划分为训练集和测试集。其中,训练集数据用于进行SVM建模,测试集数据用于进行退化状态识别模型的识别准确率测试;
步骤五:在训练集样本数据的基础上,采用粒子群优化算法(Particle SwarmOptimization,PSO)对SVM的核参数g和惩罚参数c进行寻优求解,得到最优的核参数g和惩罚参数c,这两个参数会对分类器的最优性能产生决定性的影响。使用PSO算法对SVM核参数和惩罚参数寻优流程如图4所示,首先,产生初始化种群,在种群中每一个粒子代表一个潜在的最优解,每个粒子具有三项指标表示其特征:位置、速度和适应度值。然后,根据目标函数计算每个粒子的适应度值,该值的好坏代表了粒子的优劣,当粒子在解空间运动时,通过追踪个体极值和群体极值来更新个体的位置。粒子每更新一次位置,需要重新计算适应度值,并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值来更新个体极值和群体极值的位置。最后,当找到足够好的最优解或者达到迭代次数时,PSO算法结束,输出最优的核参数g和惩罚参数c;
步骤六:使用优化后的参数和训练集样本数据进行SVM模型学习,得到能有效识别退化状态的SVM模型,即退化状态识别模型。因为SVM模型在小样本数据分类上具有很大的优越性,并且Kohonen神经网络的退化状态挖掘得到的样本数目并不是很多。因此本发明采用SVM作为退化状态的识别方法。基于SVM的复杂设备退化状态识别方法的整体流程如图5所示,图中的“选定训练集与测试集数据”和“数据集预处理”已在之前的“步骤二”至“步骤四”中完成。本步骤主要进行“训练SVM模型”和“生成识别分类模型”两部分,SVM的训练过程是以分类正确率为指标的监督学习过程,即寻找最优的分类面的过程。在训练中,惩罚函数c和核参数g会对SVM分类器的最优性能产生决定性的影响,本发明在“步骤五”中采用了PSO方法完成这两种参数的优化工作,因此结合优化的参数和训练集样本数据,进行SVM监督学习的作法如下:
步骤6.1:设已知训练集:T={(x1,y1),…,(xi,yi)}∈(X×Y)l,其中,xi为特征向量,yi为对应的属性值,xi∈X∈Rn,yi∈Y={-1,1},i=1,2,…,l;
步骤6.2:选取PSO优化的核函数g(x,x′)和适当的惩罚参数C,构造并求解最优化问题:使得0≤αi≤C,i=1,2…,l,从而得到到最优解
步骤6.3:选取α*的一个正分量0<α*<C,并据此计算阈值b*:
步骤6.4:构造决策函数f(x):
步骤6.5:根据决策函数f(x)的值输出类别。
在SVM训练完成后,得到退化状态识别分类器模型可用于设备退化状态数据的分类。而图5中的“识别模型验证”会在下面“步骤七”中完成;
步骤七:使用测试集样本数据对分类识别模型的准确率进行验证,通过测试集样本数据注入的方式对分类器模型的准确率进行验证,对比预测分类结果与实际分类结果,得出退化状态识别分类准确率,从而判断分类器能否满足现场需求。
其中,在步骤三中所述的Kohonen网络的领域公式如下:
Ni(t)=(t|find(norm(posc,post)<r))t=1,2…,n
式中,posc、post分别表示神经元c和t的位置,find为距离查找函数,norm用于计算两神经元之间的欧几里得距离,r为领域半径,η为学习速率。r、η一般随进化次数的增加而线性下降;
在步骤六中所述的Rn是n维实数空间;
在步骤六中所述的sgn是一种符号函数,用于返回一个整型变量,指出参数的正负号。该函数的语法是sgn(number),number参数是任何有效的数值表达式。返回值如果数字大于0,则sgn返回1,数字等于0,则返回0,数字小于0,则返回-1,数字参数的符号决定了sgn函数的返回值;
通过上述步骤,可以完成基于Kohonen-SVM的复杂设备退化状态识别方法,其整体实现流程如图6所示,这一方法通过Kohonen神经网络的无监督退化状态挖掘,得到复杂设备的典型退化状态样本集数据。进一步,在训练样本数据集的基础上采用粒子群算法对SVM模型参数进行优化,通过使用优化的SVM模型对退化状态数据进行分类识别,得到了复杂设备的退化状态识别模型。最后采用测试样本数据对识别分类模型的准确性进行验证,证明这一方法识别退化状态的可行性。
本发明未详细阐述部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:其步骤如下:
步骤1、对复杂设备的正常功率数据进行采集,通过人工筛选的方式剔除其中可能存在的故障数据和坏值数据;
步骤2、对筛选后的功率数据进行特征提取-选择-降维,得到能用于输入学习的多维特征向量数据;
步骤3、将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习,获得退化状态样本集数据;
步骤4、对退化样本集数据进行划分处理,得到SVM训练样本集数据和测试样本集数据;
步骤5、在训练样本集的基础上,采用粒子群优化方法即PSO对SVM的参数进行寻优求解;
步骤6、使用优化的参数和训练集样本数据进行SVM模型学习,得到能有效识别退化状态的SVM模型,即退化状态识别模型;
步骤7、使用测试集样本数据对分类识别模型的准确率进行验证;
通过上述步骤,能实现基于Kohonen-SVM的复杂设备退化状态识别方法,该方法基于Kohonen神经网络的无监督退化状态挖掘方法,得到了设备的典型退化状态样本集数据;进一步,在训练样本数据集的基础上采用PSO方法对SVM模型参数进行优化,通过使用优化的SVM模型对退化状态数据进行分类识别,得到了复杂设备的退化状态识别模型;最后采用测试样本数据集对识别分类模型的准确性验证,以证明这一方法识别退化状态的可行性。
2.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤1中所述的“功率数据”,是指设备动作过程中,通过采集装置获得设备的实时电流、电压值,并在这些数值的基础上使用计算机自动分析得到的表征设备状态的数据;所述的“故障数据”,是指设备运行过程发生故障时,通过对比分析检测到的异常功率数据;所述的“坏值数据”,是指设备动作数据采集过程中,数据值小于采集规定阙值的功率数据,坏值数据的存在会影响设备功率整体数据的准确性。
3.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤2中所述的“对筛选后的功率数据进行特征提取-选择-降维”,其作法如下:对功率数据划分为时域数据与值域数据,在划分完成后,开始进行数据的特征提取工作;对于功率时域数据,该方法提取均值、方差、均方根、峭度、进出口差值、极大极小差值、峰值因子、脉冲因子、差分和、波形因子等参数作为特征数据;对于功率值域数据,该方法提取最大时间值、平均值、数据点数、极大极小差值、值中位数、最大值、时间中位数和众数参数作为特征数据;在提取完成后,使用这些特征数据构建特征向量空间,采用基于准则函数的方法进行特征选择;特征选择完成以后,通过主成分分析、局部线性嵌入进行特征降维,获得的多维特征向量数据。
4.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤3中所述的“多维特征向量数据”,是指功率数据经过特征提取-选择-降维处理后得到的数据,多维特征向量数据作为Kohonen网络的输入数据,用于退化状态的聚类学习;所述的“Kohonen网络”,是指一种自组织竞争型神经网络;该网络通过自组织特征映射调整网络权值,使神经网络收敛于一种表示形态,在这一形态中一个神经元只对某种输入模式特别匹配或敏感;Kohonen网络是包含输入层和竞争层两层的前馈神经网络;其中,第1层是输入层,输入层神经元的个数同输入样本向量的维数保持一致,取输入层节点数为m;第2层是竞争层,也称输出层,竞争层节点呈二维阵列分布,取竞争层节点数为n;输入节点和输出节点之间以可变权值进行全连接,连接权值为Kohonen网络的学习是无监督的自组织学习过程;通过无监督学习,网络中不同神经元能够对不同输入模式敏感,实现特定的神经元在模式识别中可以充当某一输入模式的检测器;学习完成后,神经元被划分为不同区域,各区域对输入模型具有不同的响应特征。
5.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤3中所述的“将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习”,其作法如下:将多维特征向量数据输入至网络,网络竞争层上的神经元计算输入样本与竞争层神经元权值之间的欧几里得距离,距离最小的神经元为获胜神经元;调整获胜神经元和相邻神经元权值,使获胜神经元及周边权值靠近该输入样本;通过反复训练,最终各神经元的连接权值具有一定的分布,该分布把数据之间的相似性组织到代表各类的神经元下,使同类神经元具有相近的权系数,不同类的神经元权系数差别明显;需要注意的是,在学习过程中,权值修改学习速率和神经元领域均在不断减少,从而使同类神经元逐渐集中,完成输入数据的自动聚类,生成不同类别的退化态样本集数据。
6.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤4中所述的“对退化样本集数据进行划分处理”,其作法如下:对退化状态样本集数据的样本数目进行统一,规定每种状态的样本数目一致,并按4:1的比例将每种样本划分为训练集和测试集;训练集数据用于进行SVM建模,测试集数据用于进行退化状态识别模型的识别准确率测试。
7.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤4中所述的“SVM”,是指支持向量机模型,该模型是在统计学理论的基础上提出的一种分类器模型,用于模式分类、线性以及非线性回归分析;支持向量机的方法是给定训练样本,建立一个分类超平面作为决策曲面,使样本正例和反例之间的隔离边缘最大化,从而完成训练样本的分类。
8.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤5中所述的“粒子群优化方法”,是指一种基于群体智能理论的优化算法,该算法具有自我学习和向他人学习的双重优点,能在较少的迭代次数内找到最优解。
9.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤5中所述的“采用粒子群优化方法(Particle Swarm Optimization,简称PSO)对SVM的参数进行寻优求解”,即“采用PSO方法对SVM的参数进行寻优求解”,其作法如下:对SVM的核参数g和惩罚参数c进行寻优求解,首先,产生初始化种群,在种群中每一个粒子代表一个潜在的最优解,每个粒子具有三项指标表示其特征:位置、速度和适应度值;然后,根据目标函数计算每个粒子的适应度值,该值的好坏代表了粒子的优劣,当粒子在解空间运动时,通过追踪个体极值和群体极值来更新个体的位置;粒子每更新一次位置,需要重新计算适应度值,并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值来更新个体极值和群体极值的位置;最后,当找到足够好的最优解或者达到迭代次数时,PSO算法结束,输出最优的核参数g和惩罚参数c。
10.根据权利要求1所述的一种基于Kohonen-SVM的复杂设备退化状态识别方法,其特征在于:
在步骤6中所述的“使用优化后的参数和训练集样本数据进行SVM模型学习”,其作法如下:
步骤6.1:设已知训练集:T={(x1,y1),…,(xi,yi)}∈(X×Y)l,其中,xi为特征向量,yi为对应的属性值,xi∈X∈Rn,yi∈Y={-1,1},i=1,2,…,l;
步骤6.2:选取PSO优化的核函数g(x,x′)和适当的惩罚参数C,构造并求解最优化问题:使得0≤αi≤C,i=1,2…,l,从而得到到最优解
步骤6.3:选取α*的一个正分量0<α*<C,并据此计算阈值b*:
步骤6.4:构造决策函数f(x):
步骤6.5:根据决策函数f(x)的值输出类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710691675.9A CN107563414B (zh) | 2017-08-14 | 2017-08-14 | 一种基于Kohonen-SVM的复杂设备退化状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710691675.9A CN107563414B (zh) | 2017-08-14 | 2017-08-14 | 一种基于Kohonen-SVM的复杂设备退化状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563414A true CN107563414A (zh) | 2018-01-09 |
CN107563414B CN107563414B (zh) | 2018-05-29 |
Family
ID=60975504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710691675.9A Active CN107563414B (zh) | 2017-08-14 | 2017-08-14 | 一种基于Kohonen-SVM的复杂设备退化状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563414B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597315A (zh) * | 2018-10-31 | 2019-04-09 | 华中科技大学 | 一种机械设备健康退化状态辨识方法、设备及*** |
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN110033082A (zh) * | 2019-03-19 | 2019-07-19 | 浙江工业大学 | 一种识别ai设备中深度学习模型的方法 |
CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
CN113255795A (zh) * | 2021-06-02 | 2021-08-13 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN114397521A (zh) * | 2021-12-24 | 2022-04-26 | 中国人民解放军海军航空大学 | 一种针对电子设备的故障诊断方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030002731A1 (en) * | 2001-05-28 | 2003-01-02 | Heiko Wersing | Pattern recognition with hierarchical networks |
CN102609764A (zh) * | 2012-02-01 | 2012-07-25 | 上海电力学院 | 一种基于cpn神经网络的汽轮发电机组故障诊断方法 |
-
2017
- 2017-08-14 CN CN201710691675.9A patent/CN107563414B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030002731A1 (en) * | 2001-05-28 | 2003-01-02 | Heiko Wersing | Pattern recognition with hierarchical networks |
CN102609764A (zh) * | 2012-02-01 | 2012-07-25 | 上海电力学院 | 一种基于cpn神经网络的汽轮发电机组故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
A. BAKHSHAI 等: "APPLICATION OF TIIE KOHONEN’CSOMPETITIVELAYERIN THE IMPLEMENTATION OF THE SPACE VECTOR MODULATIO", 《IEEE》 * |
李俭川 等: "贝叶斯网络理论及其在设备故障诊断中的应用", 《中国机械工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597315A (zh) * | 2018-10-31 | 2019-04-09 | 华中科技大学 | 一种机械设备健康退化状态辨识方法、设备及*** |
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN110033082A (zh) * | 2019-03-19 | 2019-07-19 | 浙江工业大学 | 一种识别ai设备中深度学习模型的方法 |
CN110033082B (zh) * | 2019-03-19 | 2021-05-18 | 浙江工业大学 | 一种识别ai设备中深度学习模型的方法 |
CN112418317A (zh) * | 2020-11-24 | 2021-02-26 | 西南交通大学 | 一种基于pso-svm的精密加工结构件识别分类的方法 |
CN113255795A (zh) * | 2021-06-02 | 2021-08-13 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN114397521A (zh) * | 2021-12-24 | 2022-04-26 | 中国人民解放军海军航空大学 | 一种针对电子设备的故障诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107563414B (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563414B (zh) | 一种基于Kohonen-SVM的复杂设备退化状态识别方法 | |
CN109669087A (zh) | 一种基于多源信息融合的电力变压器故障诊断方法 | |
Han et al. | Information-utilization-method-assisted multimodal multiobjective optimization and application to credit card fraud detection | |
CN103926526A (zh) | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 | |
CN102024179A (zh) | 一种基于半监督学习的ga-som聚类方法 | |
Chang et al. | Enforced self‐organizing map neural networks for river flood forecasting | |
Chen et al. | AI‐enhanced soil management and smart farming | |
CN108366386A (zh) | 一种使用神经网络实现无线网络故障检测的方法 | |
CN106647272A (zh) | 基于k均值改进卷积神经网络的机器人路径规划方法 | |
CN109255469A (zh) | 融合栈式自编码器和支持向量回归的洪水预测方法 | |
CN109902339A (zh) | 一种基于iaga-svm的滚动轴承故障诊断方法 | |
Bong et al. | Multiobjective clustering with metaheuristic: current trends and methods in image segmentation | |
Feng et al. | Spatial and temporal aware graph convolutional network for flood forecasting | |
Dey et al. | Genetic algorithm-tuned entropy-based fuzzy C-means algorithm for obtaining distinct and compact clusters | |
Tsang et al. | Refinement of generated fuzzy production rules by using a fuzzy neural network | |
Ismail et al. | River flow forecasting: a hybrid model of self organizing maps and least square support vector machine | |
Baruque et al. | Hybrid classification ensemble using topology-preserving clustering | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
CN114861792A (zh) | 一种基于深度强化学习的复杂电网关键节点识别方法 | |
Mozaffari et al. | An evolvable self-organizing neuro-fuzzy multilayered classifier with group method data handling and grammar-based bio-inspired supervisors for fault diagnosis of hydraulic systems | |
Bao et al. | Back Propagation Optimization of Convolutional Neural Network Based on the left and the right hands Identification | |
Gupta et al. | Selection of input variables for the prediction of wind speed in wind farms based on genetic algorithm | |
Wang et al. | Fault diagnosis of ship ballast water system based on support vector machine optimized by improved sparrow search algorithm | |
Dhahri et al. | Automatic selection for the beta basis function neural networks | |
Marca¹ et al. | Check for updates Approximating Pareto Set Topology by Cubic Interpolation on Bi-objective Problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |