[发明专利]一种基于GA-SVM的石油管道振动检测装置及其控制方法

说明书

本发明提出一种基于GA‑SVM的石油管道振动检测装置及其控制方法，所述石油管道设置有一个逆止阀，两个对称的开关阀，泵机，电机和振动传感器；使用遗传算法这种进化参数寻优算法对所训练的支持向量机模型参数进行优化。使用遗传算法对多分类支持向量机进行参数优化，需要优化的对象为惩罚因子C和高斯核函数参数g；根据设定SVM参数和输入样本训练多分类支持向量机，并使用交叉验证的方法进行测试，得到多分类支持向量机的正确率，以此作为个体适应度；本发明计算量低，程序内存的占用量低，同时减少计算过程中出错的概率，提高最终分类正确的概率。

技术领域

本发明面向管道状态识别的需求，应用在管道健康状态监测领域，具体地，涉及一种基于GA-SVM的石油管道振动检测装置及其控制方法。

背景技术

遗传算法(Genetic Algorithm，简称GA)是一种全局搜索的算法，这种算法的思路借鉴了生物的进化论和遗传学说。这种算法思路直观，实现方法成熟，是一种自适应的综合性算法，常被应用于工程实践中优化、图像处理、数据挖掘等诸多领域。

在遗传算法中，一些参数的设置的改变会对计算结果带来很大的影响。比如，群体的个体数量影响着搜索的范围，当种群的数量不够大时，在搜索寻优的过程中就不容易实现全部范围的搜索，造成搜索范围覆盖面不够的问题。再如，由于基因交叉是产生新个体的主要途径，当基因交叉的概率太小时，种群的稳定性过强，很难对整个范围进行有效的搜索，影响算法性能。除了这些之外，变异概率、种植代数等参数对遗传算法的性能也会有很大的影响。

支持向量机(Support Vector Machine，简称SVM)是一种被广为接收的分类方法，这种方法的主要理论依据是统计学习相关理论基础。SVM的基础是统计学习理论的结构风险最小化原则以及VC维理论。支持向量机的最终目的是要寻找出一个最优分类超平面，以实现输入样本的线性可分，进而确定输入样本的类别，在这个过程中，输入样本初始时可能是处于低维的非线性空间中，基于核函数和非线性支持向量机理论，将样本映射到高维的线性空间中，进而实现输入样本的类别划分。支持向量机有很多优点，如拟合精度相对而言较高、学习能力相对而言较强、训练速度快、需要选择的参数少、不易陷入局部最优解、适合于推广和发散，这些特点对于小样本、非线性等问题提供了很好的解决思路和解决方案。

支持向量机是一种监督式的机器学习算法，其基本原理时选择一系列特征子集，进而实现目标函数对一系列特征子集的分类与对整体数据集的分类等效。这部分特征子集叫做支持向量(Support Vector，简称SV)。支持向量机算法常用于工程应用中不同样本之间的分类问题。总得来说，其具有如下几个优点：

(1)支持向量机最终的算法的分类情况取决于所有样本中的一系列特征子集，而并非取决于样本全集，所有的运算都是根据所选择的一系列特征子集进行的，最后的分类情况与样本的维数无关，因此支持向量机算法的计算量得到降低，程序内存的占用量也得到降低，减少计算过程中出错的概率，提高最终分类正确的概率；

(2)支持向量机最终的算法的分类情况由一组特征向量决定，因此对于除这部分特征向量以外的大部分向量可以略去不计，除去了多余的无关样本，因此训练时间和分类时间都大为减少；

(3)支持向量机易于推广，其几乎可以应用于各行各业的分类问题，在很多领域和行业得到了广泛的应用。

机器学习算法的结果取决于参数，参数的具体设置也制约着支持向量机的分类效果好坏。因此对支持向量机参数的进行优化，进而选取合适的支持向量机参数是提升支持向量机性能的重要途径。

发明内容

本发明提出了一种基于GA-SVM的石油管道振动检测装置及其控制方法，使用遗传算法这种进化参数寻优算法对所训练的支持向量机模型参数进行优化，使用遗传算法对多分类支持向量机进行参数优化，需要优化的对象为惩罚因子C和高斯核函数参数g。

本发明是通过以下方案实现的：