[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

摘要

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。

主权项

1.一种基于自适应蚁狮优化的支持向量机故障预测方法，其特征在于：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；定义3：核函数：径向基函数RBF，是某种沿径向对称的标量函数；具体计算公式如下式：其中，参数σ表示RBF核函数的宽度；参数x和y是n维的输入值；蚁狮算法的流程为：蚂蚁的随机游走：由于蚂蚁在搜寻食物时随机移动，所以选择一个随机游走模拟蚂蚁的运动如下：x(t)＝[0,cumsum(2r(t₁)‑1),cumsum(2r(t₂)‑1)......cumsum(2r(t_n)‑1)]   (2)其中cumsum表示计算累计和，n表示最大迭代次数，t表示迭代次数，r(t)表示一个随机函数，定义如下：其中t迭代次数，rand是在[0，1]区间内均匀分布生成的随机数；为了保持搜索空间内的随机游走，使用以下等式对它们进行归一化：其中a_i是第i个变量的随机游走的最小值，d_i是第i个变量中随机游动的最大值，是第t个迭代中第i个变量的最小值，表示第t次迭代中第i个变量的最大值；式(4)应该在每次迭代中应用以保证搜索空间内随机游走的发生；蚁狮对蚂蚁的影响：蚂蚁的随机游走受到了蚁狮陷阱的影响，可以表示为：c^t是第t次迭代中所有变量的最小值，d^t表示包含第t次迭代中所有变量的最大值的向量，并且为在第t次迭代中所选择的第j个蚁狮的位置；蚁狮的捕食过程每只蚂蚁只能被一只蚁狮捕获，某只蚂蚁具体要被哪只蚁狮捕获是通过轮盘赌策略来选择的，适应度越高的蚁狮有着更高的捕获蚂蚁的机会；另外，蚁狮能构造陷阱，蚂蚁一旦落入陷阱，蚁狮就会向外扬沙以使蚂蚁不至于逃脱，这时蚂蚁随机游走的范围将急剧缩小；表示为:其中I是比率；当某只蚂蚁的适应度变得高于蚁狮时，即认为其被蚁狮捕获，此时蚁狮会根据蚂蚁的位置来更新其位置，表示为：其中，表示第t次迭代时第i个蚂蚁的位置；精英策略：在每次迭代中获得的最好的蚁狮被保存并被视为精英；由于精英是最适合的蚁狮，它应该能够在迭代过程中影响所有蚂蚁的运动；因此，假定每个蚂蚁都同时通过赌盘随机绕着一个蚁狮和精英游走，如下所示：是轮盘在第t次迭代时选择的随机行走，是第t次迭代时围绕精英的随机游走；按照公式(8)不断更新蚂蚁位置，使蚁狮向精英蚁狮靠近，根据公式(8)提出了自适应精英蚁狮改进策略：其中，σ(t)代表自适应系数；在迭代初期时，设定σ(t)偏大，围绕着蚁狮游走为主，能够提高探索能力，有利于获得全局最优解；迭代次数逐渐增加，到了后期，σ(t)变小，围绕精英蚁狮游走，从而提高蚁狮算法的收敛速度和精度；所述的预测方法具体步骤如下：步骤一：首先进行预处理：提取电容的等效串联电阻ESR值变化时输出纹波电压峰峰值数据集；电解电容等效串联电阻ESR随时间的退化规律通过以下规律提取：ESR(t)代表t时刻的ESR值；T代表电容的内部温度，单位为摄氏度(℃)；ESR(0)为初始时刻的ESR值；k是由电容设计和结构参数所决定的一个常数；步骤二：初始化蚁狮参数：除了蚁狮算法需要设置的种群数量以及最大迭代次数外，蚁狮算法通过使用训练集训练SVM模型提供给SVM回归机C、σ、ε的值，因此还需要设置惩罚参数C的上、下限为Cmax、Cmin，核参数的上、下限为σmax、σmin，不敏感误差函数的上下限为εmax、εmin以及向量维数Dim；步骤三：训练支持向量机回归模型：将步骤一所述的“电容的等效串联电阻ESR值变化时输出纹波电压峰峰值数据集”分为训练集与测试集，训练集和步骤二获得的参数C、σ、ε用于训练支持向量机回归模型，即输入到支持向量机回归模型中，使其进行学习规律；测试集中的数据用于计算适应度，或者输入到后面已优化的支持向量机中进行预测；步骤四：根据测试集来计算适应度：当达到最大迭代次数时，或者当为给定的迭代次数没有最佳修改解决方案时，输出支持向量机优化参数C、σ、ε；若不满足此标准，使用蚁狮优化算法生成新的解，即按照式(8)和式(9)更新蚂蚁和蚁狮的位置，进行下一次迭代,直至找到最优解C、σ、ε，完成蚁狮优化的支持向量机模型；步骤五：运用单步循环迭代的方法预测寿命曲线：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。