[发明专利]基于自适应蚁狮优化的支持向量机故障预测方法

说明书

本发明一种基于自适应蚁狮优化的支持向量机故障预测方法，包括以下步骤：步骤一：首先进行预处理：步骤二：初始化蚁狮参数：步骤三：训练支持向量机回归模型：步骤四：根据测试集来计算适应度：步骤五：运用单步循环迭代的方法预测寿命曲线。本发明针对由于通过监测电路发生退化的一段时间内的历史数据作为训练样本，样本数有限，此时，采用传统的多步预测方法对特征参数值进行预测时，未来时刻的多个预测值是同时估计出的，随着预测距离的增加，预测的误差将逐渐增大。该方法在每次循环中都用新的预测值代替了较早时刻的初始值作为训练样本，实时更新了样本，减少了累积误差，使得每次预测的误差值减到最小。使计算结果更加准确。

技术领域：

本发明涉及一种基于自适应蚁狮优化的支持向量机的单步循环迭代故障预 测方法(IAALO-SVM)，通过对支持向量机中的参数进行优化，从而得出不同条 件下电子产品的退化寿命，属于系统工程系统可靠性技术领域。

背景技术：

支持向量机是近几年发展起来的基于统计学习的机器学习方法。它以统计 学习理论为基础，从小样本出发，采用结构风险最小化准则，在最小化样本点 误差的同时，考虑模型的结构因素，从根本上提高了泛化能力。目前，它主要 应用在模式分类和非线性回归问题中，由于其优越的学习能力，在国内外日益 受到广泛的关注，已经在很多领域取得了成功应用。

支持向量机的特有优势通常表现在能够很好地解决非线性小样本的高维识 别和回归问题，通过少量的训练样本就能得到较小的误差。支持向量机算法能 保证局部最优解一定是全局最优解，受数据维数的影响小，可以将更多的信息 作为模型的输入，以提高预测的准确性。但是模型核函数的类型以及核函数中 的参数的选取对预测结果影响比较大。

鉴于此，本发明提出了一种基于蚁狮优化的支持向量机故障预测方法，蚁 狮优化算法是受自然界中蚁狮猎捕蚂蚁的狩猎机制启发而提出的一种新颖的群 体智能优化算法。自然界中蚁狮在沙中沿圆形轨迹移动，利用下颚挖出一个诱 捕蚂蚁的圆锥形坑，当随机移动的蚂蚁陷入坑中时，蚁狮便捕食之并重新修缮 坑穴等待下一只猎物(蚂蚁)。ALO算法具有相对较好的寻优效率和收敛精度： 通过蚁狮的随机选择、蚂蚁的随机迁移以及陷阱边界的自适应缩减等机制，保 证了算法对搜索空间的较好探索性能，实现了ALO算法的更快的优化效率。另 一方面，ALO算法通过随机游走和轮盘赌选择等策略，降低了算法陷入局部极 值的可能性，并在一定程度上提高了算法的收敛精度。

发明内容：

1、目的：本发明的目的是提出了一种基于蚁狮优化的支持向量机故障预测 方法，针对模拟电路数据缺乏且具有非线性的特点，研究基于支持向量机的故 障预测方法，针对如何选择模型参数问题，引进蚁狮算法优化支持向量机模型 参数，同时，在基于蚁狮优化的算法上进一步改进优化算法，即自适应蚁狮优 化支持向量机故障预测算法(AALO-SVM)，通过监测电路发生退化的一段时间内 的历史数据作为训练样本，样本数有限。此时，采用传统的多步预测方法对特 征参数值进行预测时，未来时刻的多个预测值是同时估计出的，显然，预测的 时刻距离训练样本越近时，预测结果越准确，而随着预测距离的增加，预测的误差将逐渐增大。针对上述问题，为获得未来多个时刻相对精确的预测结果， 本文提出了一种基于自适应蚁狮优化的支持向量机的单步循环迭代故障预测方 法(IAALO-SVM)，如图3所示，利用蚁狮优化的支持向量机模型和训练样本， 每次只预测下一个时刻的参数值，之后用其替代初始训练样本中最早的真实值， 构造新的训练样本，重新训练预测模型，得到下一个时刻的参数值，不断循环 迭代，最后得到未来多个时刻的预测值，从而得到更精准的寿命预测。本发明 旨在提高实际生产中电子产品寿命的预测准确度，从而实现故障的提前预警， 指导生产和设计，提高产品的可靠性。

2、技术方案：本发明是通过以下技术方案实现的。

首先引入几个定义。

定义1：惩罚参数C：用于实现经验风险和置信风险之间的折衷。

定义2：不敏感误差函数ε：控制拟合近似误差线的大小，其大小表明了函 数拟合的精度。