[发明专利]基于支持向量机和二型模糊的离心式氮压机故障诊断方法

权利要求书

1.一种基于支持向量机和二型模糊的离心式氮压机故障诊断方法，其特征在于，包括以下步骤：

S1：获取离心式氮压机在运行过程中的故障类型；

S2：建立支持向量机，使用灰狼算法对支持向量机进行参数寻优；

S3：以灰狼算法优化的支持向量机为基础，使用改进的有向无环图支持向量机搭建系统级故障诊断模块；

S4：使用区间二型模糊搭建器件级故障诊断模块；

S5：将基于修正相似余弦度改进的有向无环图支持向量机与区间二型模糊推理系统进行串联连接，进行离心式氮压机故障诊断；

所述支持向量机的建立方法为：在样本空间中找到泛化能力最大的一个划分超平面，在保证两类样本无错误的分开的同时，使得两个类别的分类间隔最大，在样本空间中，划分超平面的方法为：

ω^Tx+b＝0

其中ω＝(ω₁；ω₂；...；ω_d)为法向量，决定了超平面的方向；b为截距常量，决定了超平面与原点之间的距离，x为输入的氮压机故障数据；则样本空间中任意点x到超平面(ω，b)的距离为：

支持向量机区分类别的最优化公式为：

式中，j＝1，...，k；ω^j为第j个样本的超平面法向量，C为惩罚因子，δ为松弛变量，其约束条件为：

式中，Φ：X→H的一个映射函数，x为输入的氮压机故障数据，H为希尔伯特空间，b为截距常量，y_t表示t时刻学习目标为二元变量y＝{-1，1}之一，核函数为RBF高斯函数：

式中i＝1，2，...n，j＝1，2，...n，x_i＝[x₁，x₂，...，x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间，x_j＝[x₁，x₂，...，x_n]∈X表示其中输入数据的每个样本包含的多个特征量空间，γ为RBF核函数参数，定义了单个训练样本的影响大小，参数C在误分类样本和分界面简单性之间进行权衡；

所述灰狼算法对支持向量机进行参数寻优的具体方法为：

S21：划分狼群等级，将狼群分为α、β、δ和ω四个等级；

S22：包围猎物：

其中D代表灰狼至猎物的距离，X_p(t)为猎物位置，X(t)为灰狼位置，随着迭代次数t的增加a从2线性减少至0，r₁、r₂是[0，1]内的随机值；

S23：捕猎

其中，D_α、D_β、D_δ分别代表ω狼依据α、β、δ狼位置所做的更新距离，A₁、A₂、A₃和C₁、C₂、C₃为随机扰动系数，计算得到与α、β、δ狼距离X₁、X₂、X₃后，再更新自己位置；

S24：攻击和寻找猎物，通过适应度较高的α、β、δ狼定位猎物位置，ω狼通过比较相应的距离来靠近目标，当|A|＞1时个体远离猎物，以此来增强GWO算法的全局搜索能力，|A|＜1时攻击猎物，直到迭代结束时，算法结束，根据狼群位置得到最优C、γ参数；

步骤S3中，以灰狼算法优化的支持向量机为基础，采用基于修正相似余弦度的改进有向无环图支持向量机(DAG-SVM)算法搭建GWO-SVM作为离心式氮压机故障诊断系统的系统级故障诊断模块，设在n维空间中存在这样一个k类的n维不均匀样本集W：

以k类样本集W为对象，进行故障诊断模块搭建，具体包括以下步骤：

S31：取出任意两个不同类别X、Y中的任意两个向量X_i、Y_j，计算其区分度d_corr(X_i，Y_j)，同理，依次计算得到所有不同类别中样本的区分度；

S32：利用步骤S31得到的结果，构建相应的类间区分度矩阵C；

S33：利用步骤S32得到的结果，计算所有类间区分度矩阵C对应的平均类间区分度来表示类间的差别，夹角越大，余弦相似度corr越小，类间区分度d_corr越大，两类之间差异性越大，即越容易进行区分；

S34：利用步骤S33得到的结果，收集所有任意两类间平均类间区分度，按照从小到大的顺序对其进行排序，构建平均类间区分度数组φ；

S35：在样本集中取出任意两个不同类别X、Y训练对应的二分类高斯核SVM模型，同时使用灰狼算法寻找最优参数对(C、γ)，训练完成后保存支持向量机模型；

S36：利用步骤S34的结果，将平均类间区分度较高的分类器置于上层节点位置，并结合有向无环图的结构，搭建GWO-SVM模型。