本發(fā)明涉及故障診斷與健康管理領(lǐng)域，尤其涉及一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法及裝置。

背景技術(shù)：

吊艙是懸掛在運(yùn)動(dòng)載體(飛機(jī)、船舶)外艙體有效載荷容器裝置，根據(jù)設(shè)備功能，吊艙可以分為導(dǎo)航吊艙、捕控指令吊艙、瞄準(zhǔn)吊艙、紅外測(cè)量吊艙、電子干擾吊艙以及電子情報(bào)吊艙。吊艙在使用過程中具有反復(fù)性，工作時(shí)吊掛在飛機(jī)下隨飛機(jī)飛行。隨著軍隊(duì)飛行任務(wù)的日益加劇，吊艙在頻繁的掛飛訓(xùn)練過程中受到起降時(shí)振動(dòng)沖擊以及高空飛行超低溫環(huán)境的侵蝕，導(dǎo)致吊艙的故障率不斷提升，吊艙的測(cè)試保障任務(wù)日益加劇。吊艙是配合精確制導(dǎo)武器使用的必不可少的部件，保證吊艙的完好率是武器測(cè)試維修保障的重要內(nèi)容。但是在吊艙測(cè)試設(shè)備研制中專用測(cè)試設(shè)備復(fù)雜、擴(kuò)展能力差，測(cè)試設(shè)備的投資巨大，重復(fù)使用率低，不能滿足武器裝備設(shè)計(jì)生產(chǎn)的“三化”要求。同時(shí)，吊艙測(cè)試設(shè)備缺乏有效的故障診斷方法，多停留在以采集到的實(shí)時(shí)數(shù)據(jù)來初判故障類型，缺乏對(duì)復(fù)雜信號(hào)的故障診斷能力。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述的分析，本發(fā)明旨在提供一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法及裝置，用完全或者至少部分地解決上述問題。

為解決上述問題，本發(fā)明主要是通過以下技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明一方面提供了一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法，該方法包括：

步驟一、獲取吊艙故障診斷樣本，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，提取特征向量，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并將其劃分為訓(xùn)練集和測(cè)試集；

步驟二、初始化種群，將種群劃分為若干個(gè)子種群，構(gòu)建粒子群優(yōu)化算法，利用每次環(huán)境下多種群方法找到局部和全局最優(yōu)解信息，保存在記憶體中；

步驟三、當(dāng)?shù)跖擃愋突颦h(huán)境發(fā)生變化，選取記憶體中粒子組成新的種群，新種群經(jīng)歷相同的循環(huán)，直至達(dá)到停止條件；

步驟四、取得支持向量機(jī)模型的最優(yōu)結(jié)構(gòu)參數(shù)，建立多核支持向量機(jī)故障診斷模型，由多項(xiàng)式核函數(shù)和徑向基(Radial Basis Function，RBF)核函數(shù)構(gòu)成的組合核，采用訓(xùn)練集對(duì)構(gòu)建的模型進(jìn)行訓(xùn)練，直到達(dá)到停止條件；

步驟五、采用訓(xùn)練集樣本對(duì)模型進(jìn)行訓(xùn)練，交叉驗(yàn)證分類模型準(zhǔn)確率；

步驟六、將測(cè)試集數(shù)據(jù)輸入到優(yōu)化后的支持向量機(jī)故障診斷模型，檢驗(yàn)?zāi)Ｐ偷墓收显\斷準(zhǔn)確率，并輸出結(jié)果。

進(jìn)一步地，所述步驟二具體包括：將種群劃分為多個(gè)子種群，采用多線程記憶制粒子群算法充分利用每次環(huán)境下多種群方法得到的局部和全局最優(yōu)解信息，將當(dāng)前環(huán)境下能找到的局部和全局最優(yōu)解保存在記憶體中。

進(jìn)一步地，所述步驟三具體包括：采用適于動(dòng)態(tài)環(huán)境的粒子群算法，當(dāng)檢測(cè)環(huán)境發(fā)生變化，取出記憶體中的粒子，當(dāng)記憶體中的粒子數(shù)小于種群個(gè)數(shù)，則隨機(jī)PopSize-NUM個(gè)粒子，組成新的種群，當(dāng)記憶體中粒子大于種群個(gè)數(shù)，則選擇適應(yīng)度較好的前PopSize個(gè)粒子組成新的種群，然后進(jìn)入到新的循環(huán)中，直至達(dá)到停止條件。

進(jìn)一步地，所述步驟四具體包括：基于粒子群算法尋優(yōu)得到的支持向量機(jī)的最優(yōu)結(jié)構(gòu)參數(shù)，建立多核支持向量機(jī)故障診斷模型。

進(jìn)一步地，所述步驟五具體包括：采用交叉驗(yàn)證的方式，選用訓(xùn)練集中分類準(zhǔn)確率最高支持向量機(jī)模型，在分類準(zhǔn)確率相同的情況下選用懲罰因子C最小的一組，然后采用測(cè)試集驗(yàn)證模型的檢測(cè)性能。

本發(fā)明另一方面還提供了一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷裝置，該裝置包括，

獲取單元，用于獲取吊艙故障診斷樣本，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，提取特征向量，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并將其劃分為訓(xùn)練集和測(cè)試集；

初始化單元，用于初始化種群，將種群劃分為若干個(gè)子種群，構(gòu)建粒子群優(yōu)化算法，利用每次環(huán)境下多種群方法找到局部和全局最優(yōu)解信息，保存在記憶體中；

第一處理單元，用于當(dāng)?shù)跖擃愋突颦h(huán)境發(fā)生變化，選取記憶體中粒子組成新的種群，新種群經(jīng)歷相同的循環(huán)，直至達(dá)到停止條件；

第二處理單元，用于取得支持向量機(jī)模型的最優(yōu)結(jié)構(gòu)參數(shù)，建立多核支持向量機(jī)故障診斷模型，由多項(xiàng)式核函數(shù)和徑向基(Radial Basis Function，RBF)核函數(shù)構(gòu)成的組合核，采用訓(xùn)練集對(duì)構(gòu)建的模型進(jìn)行訓(xùn)練，直到達(dá)到停止條件；

驗(yàn)證單元，用于采用訓(xùn)練集樣本對(duì)模型進(jìn)行訓(xùn)練，交叉驗(yàn)證分類模型準(zhǔn)確率；

輸出單元，用于將測(cè)試集數(shù)據(jù)輸入到優(yōu)化后的支持向量機(jī)故障診斷模型，檢驗(yàn)?zāi)Ｐ偷墓收显\斷準(zhǔn)確率，并輸出結(jié)果。

所述初始化單元還用于，將種群劃分為多個(gè)子種群，采用多線程記憶制粒子群算法充分利用每次環(huán)境下多種群方法得到的局部和全局最優(yōu)解信息，將當(dāng)前環(huán)境下能找到的局部和全局最優(yōu)解保存在記憶體中。

所述第一處理單元還用于，采用適于動(dòng)態(tài)環(huán)境的粒子群算法，當(dāng)檢測(cè)環(huán)境發(fā)生變化，取出記憶體中的粒子，當(dāng)記憶體中的粒子數(shù)小于種群個(gè)數(shù)，則隨機(jī)PopSize-NUM個(gè)粒子，組成新的種群，當(dāng)記憶體中粒子大于種群個(gè)數(shù)，則選擇適應(yīng)度較好的前PopSize個(gè)粒子組成新的種群，然后進(jìn)入到新的循環(huán)中，直至達(dá)到停止條件。

所述第一處理單元還用于，基于粒子群算法尋優(yōu)得到的支持向量機(jī)的最優(yōu)結(jié)構(gòu)參數(shù)，建立多核支持向量機(jī)故障診斷模型。

所述驗(yàn)證單元還用于，采用交叉驗(yàn)證的方式，選用訓(xùn)練集中分類準(zhǔn)確率最高支持向量機(jī)模型，在分類準(zhǔn)確率相同的情況下選用懲罰因子C最小的一組，然后采用測(cè)試集驗(yàn)證模型的檢測(cè)性能。

本發(fā)明有益效果如下：

本發(fā)明結(jié)合動(dòng)態(tài)粒子群算法建立多核支持向量機(jī)模型適合多型吊艙的故障診斷，該算法具有一定的適應(yīng)性、魯棒性和準(zhǔn)確性，可以有效的對(duì)吊艙故障進(jìn)行定性、定量和定位診斷。

本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且部分的從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過在所寫的說明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

附圖說明

圖1為本發(fā)明實(shí)施例的一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法的流程示意圖；

圖2為本發(fā)明實(shí)施例的一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法的流程圖；

圖3是采用本發(fā)明的支持向量機(jī)模型吊艙故障診斷結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合附圖來具體描述本發(fā)明的優(yōu)選實(shí)施例，其中，附圖構(gòu)成本申請(qǐng)一部分，并與本發(fā)明的實(shí)施例一起用于闡釋本發(fā)明的原理。為了清楚和簡(jiǎn)化目的，當(dāng)其可能使本發(fā)明的主題模糊不清時(shí)，將省略本文所描述的器件中已知功能和結(jié)構(gòu)的詳細(xì)具體說明。

本發(fā)明提供了一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法及裝置，本發(fā)明結(jié)合動(dòng)態(tài)粒子群算法建立多核支持向量機(jī)模型適合多型吊艙的故障診斷，該算法具有一定的適應(yīng)性、魯棒性和準(zhǔn)確性，可以有效的對(duì)吊艙故障進(jìn)行定性、定量和定位診斷。以下結(jié)合附圖以及幾個(gè)實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不限定本發(fā)明。

本發(fā)明實(shí)施例提供了一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法，參見圖1，該方法包括：

S101、獲取吊艙故障診斷樣本，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，提取特征向量，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并將其劃分為訓(xùn)練集和測(cè)試集；

S102、初始化種群，將種群劃分為若干個(gè)子種群，構(gòu)建粒子群優(yōu)化算法，利用每次環(huán)境下多種群方法找到局部和全局最優(yōu)解信息，保存在記憶體中；

S103、當(dāng)?shù)跖擃愋突颦h(huán)境發(fā)生變化，選取記憶體中粒子組成新的種群，新種群經(jīng)歷相同的循環(huán)，直至達(dá)到停止條件；

S104、取得支持向量機(jī)模型的最優(yōu)結(jié)構(gòu)參數(shù)，建立多核支持向量機(jī)故障診斷模型，由多項(xiàng)式核函數(shù)和RBF核函數(shù)構(gòu)成的組合核，采用訓(xùn)練集對(duì)構(gòu)建的模型進(jìn)行訓(xùn)練，直到達(dá)到停止條件；

S105、采用訓(xùn)練集樣本對(duì)模型進(jìn)行訓(xùn)練，交叉驗(yàn)證分類模型準(zhǔn)確率；

S106、將測(cè)試集數(shù)據(jù)輸入到優(yōu)化后的支持向量機(jī)故障診斷模型，檢驗(yàn)?zāi)Ｐ偷墓收显\斷準(zhǔn)確率，并輸出結(jié)果。

具體實(shí)施時(shí)，本發(fā)明實(shí)施例所述步驟102具體包括，將種群劃分為多個(gè)子種群，采用多線程記憶制粒子群算法充分利用每次環(huán)境下多種群方法得到的局部和全局最優(yōu)解信息，將當(dāng)前環(huán)境下能找到的局部和全局最優(yōu)解保存在記憶體中。

具體實(shí)施時(shí)，本發(fā)明實(shí)施例所述步驟S103具體包括，采用適于動(dòng)態(tài)環(huán)境的粒子群算法，當(dāng)檢測(cè)環(huán)境發(fā)生變化，取出記憶體中的粒子，當(dāng)記憶體中的粒子個(gè)數(shù)(NUM)小于種群個(gè)數(shù)(PopSize)，則隨機(jī)產(chǎn)生PopSize-NUM個(gè)粒子，組成新的種群，當(dāng)記憶體中粒子大于種群個(gè)數(shù)，則選擇適應(yīng)度較好的前PopSize個(gè)粒子組成新的種群，然后進(jìn)入到新的循環(huán)中，直至達(dá)到停止條件。

具體實(shí)施時(shí)，本發(fā)明實(shí)施例所述步驟S104具體包括，基于粒子群算法尋優(yōu)得到的支持向量機(jī)的最優(yōu)結(jié)構(gòu)參數(shù)，建立多核支持向量機(jī)故障診斷模型。

具體實(shí)施時(shí)，本發(fā)明實(shí)施例所述步驟S105具體包括，采用交叉驗(yàn)證的方式，選用訓(xùn)練集中分類準(zhǔn)確率最高支持向量機(jī)模型，在分類準(zhǔn)確率相同的情況下選用懲罰因子C最小的一組，然后采用測(cè)試集驗(yàn)證模型的檢測(cè)性能。

總體來說，本文發(fā)明公開了一種改進(jìn)的粒子群算法，引入動(dòng)態(tài)響應(yīng)機(jī)制，使得粒子能夠獲得感知外部環(huán)境變化的能力，適應(yīng)動(dòng)態(tài)環(huán)境，滿足吊艙測(cè)試中多型號(hào)、多故障類型、測(cè)試環(huán)境動(dòng)態(tài)變化的檢測(cè)要求。建立的多核支持向量機(jī)模型能夠提高模型的學(xué)習(xí)能力和泛化能力，經(jīng)過多線程記憶制粒子群算法尋優(yōu)得到的最優(yōu)參數(shù)，提高吊艙故障診斷的效率和準(zhǔn)確率。首先獲取吊艙檢測(cè)數(shù)據(jù)，提取故障類型的特征向量；然后通過多線程記憶制粒子群算法對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)；采用多項(xiàng)式核函數(shù)和RBF核函數(shù)建立多核支持向量機(jī)分類模型；采用訓(xùn)練集樣本對(duì)模型進(jìn)行訓(xùn)練，交叉驗(yàn)證分類模型準(zhǔn)確率；最后將測(cè)試集數(shù)據(jù)輸入到優(yōu)化后的支持向量機(jī)故障診斷模型，檢驗(yàn)?zāi)Ｐ偷墓收显\斷準(zhǔn)確率并輸出結(jié)果。

本發(fā)明結(jié)合動(dòng)態(tài)粒子群算法建立多核支持向量機(jī)模型適合多型吊艙的故障診斷，該算法具有一定的適應(yīng)性、魯棒性和準(zhǔn)確性，可以有效的對(duì)吊艙故障進(jìn)行定性、定量和定位診斷。

圖2為本發(fā)明實(shí)施例的一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法的流程圖，下面將結(jié)合圖2對(duì)本發(fā)明所述的方法進(jìn)行詳細(xì)的解釋和說明：

本發(fā)明的目的是提供一種改進(jìn)的動(dòng)態(tài)粒子群算法優(yōu)化的支持向量機(jī)故障診斷方法，采用多線程記憶制的多種群粒子群優(yōu)化算法，實(shí)現(xiàn)對(duì)多核支持向量機(jī)中的參數(shù)(核權(quán)重因子ρ，懲罰因子C，核參數(shù)σ、d)的優(yōu)化，建立支持向量機(jī)模型，采用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，最后采用測(cè)試集數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，得出測(cè)試結(jié)果。

基于動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法，依次包括以下步驟：

步驟1)獲取吊艙故障診斷樣本數(shù)據(jù)；

獲取吊艙測(cè)試數(shù)據(jù)，尤其是吊艙的故障數(shù)據(jù)，數(shù)據(jù)來源于測(cè)試、實(shí)驗(yàn)和仿真數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

提取數(shù)據(jù)的特征向量，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)樣本劃分為訓(xùn)練集和測(cè)試集；

步驟2)構(gòu)建粒子群優(yōu)化算法；

2.1)初始化種群，在給出的搜索空間內(nèi)初始化n個(gè)D維粒子的位置和速度，n個(gè)粒子的種群X＝(X₁，X₂，…，X_n)，第i個(gè)粒子表示一個(gè)D維向量X_i＝[x_i1,x_i2,…,x_iD]^T，第i個(gè)粒子的速度為V_i＝[v_i1,v_i2,…,v_iD]^T，個(gè)體極值P_i＝[P_i1,P_i2,…,P_iD]^T，種群全局極值P_g＝[P_g1,P_g2,…,P_gD]。

2.2)利用多種群方法將種群分為若干個(gè)子種群SubPop[i]，對(duì)每個(gè)子種群進(jìn)行粒子群尋優(yōu)處理。

2.3)設(shè)置迭代公式，粒子通過個(gè)體極值和全局極值更新自身的速度和位置迭代公式為：

式中，w為慣性權(quán)重；d＝1,2,…,D；i＝1,2,…,n；k為迭代次數(shù)，c₁和c₂是加速度因子，非負(fù)常數(shù)；r₁和r₂為分布在[0,1]之間的隨機(jī)數(shù)；為了防止粒子的盲目搜索，粒子的位置和速度分布在[-X_max，X_max]、[-V_max，V_max]。

慣性權(quán)重

w(k)＝w_start+(w_start-w_end)(2k/T_max-(k/T_max)²)

式中，w_start為初始慣性權(quán)重，w_end為迭代次數(shù)最大時(shí)的慣性權(quán)重，k為當(dāng)前的迭代次數(shù)，T_max為最大迭代次數(shù)。

2.4)計(jì)算得到當(dāng)前粒子的適應(yīng)度值，通過多次迭代得到自身最優(yōu)適應(yīng)度值，更新個(gè)體最優(yōu)適應(yīng)度值g_ibest和群體歷史最優(yōu)位置Z_ibest，補(bǔ)充并更新記憶體中的全局最優(yōu)位置和局部最優(yōu)位置。

2.5)檢查吊艙類型、工作環(huán)境等是否發(fā)生變化，如果未發(fā)生變化，則轉(zhuǎn)置步驟4，建立支持向量機(jī)模型。如果發(fā)生變化，采用多線程記憶制粒子群算法進(jìn)行尋優(yōu)，然后轉(zhuǎn)置步驟3。

步驟3)多線程記憶制粒子群優(yōu)化算法

3.1)記錄每個(gè)子種群SubPop[i]中適應(yīng)度最好的粒子best_i并保存在記憶體中，環(huán)境變化前記憶體中共保存NUM個(gè)粒子；

3.2)如果環(huán)境發(fā)生變化，取出記憶體中NUM個(gè)粒子并且同種群數(shù)Popsize作比較，如果NUM<Popsize，由記憶體中的粒子和隨機(jī)產(chǎn)生的Popsize-NUM個(gè)粒子組成新種群，如果NUM>Popsize，則選取記憶體中的粒子適應(yīng)度值較高的前Popsize個(gè)粒子組成新種群。

3.3)組成新種群后，轉(zhuǎn)置步驟2.2。

步驟4)建立支持向量機(jī)吊艙故障診斷模型

4.1)得到優(yōu)化后的支持向量機(jī)參數(shù)：核權(quán)重因子ρ，懲罰因子C，核參數(shù)σ、d，建立支持向量機(jī)故障診斷模型。

4.2)建立支持向量機(jī)模型

y＝f(x)＝wx+b

最優(yōu)超平面求解轉(zhuǎn)換為約束最優(yōu)化問題，最優(yōu)化函數(shù)為：

引入Lagrange因子，建立Lagrange函數(shù)：

約束最優(yōu)化問題在鞍點(diǎn)處取得，可以將拉格朗日函數(shù)轉(zhuǎn)變?yōu)閷?duì)偶問題：

進(jìn)而，根據(jù)最優(yōu)條件(KKT)準(zhǔn)則，轉(zhuǎn)變?yōu)槎螛O值問題：

滿足的條件為：a_i{[(w·x_i)+b]y_i-1}＝0

吊艙故障診斷屬于線性不可分問題，為了達(dá)到分類誤差概率最小的目的，引入懲罰因子C和松弛因子ξ_i，將模型轉(zhuǎn)換為約束最優(yōu)化問題：

滿足的約束條件為：

本發(fā)明采用多項(xiàng)式核函數(shù)和RBF核函數(shù)的組合核函數(shù)將線性不可分問題轉(zhuǎn)化為高維空間的線性問題。線性不可分模式的對(duì)偶問題表示為：

式中多項(xiàng)式核函數(shù)

由多項(xiàng)式核函數(shù)和徑向基(Radial Basis Function，RBF)核函數(shù)RBF核函數(shù)K_RBF(x_i·x_j)＝exp(-||x_i-x_j||²)/2σ²

求解的最優(yōu)函數(shù)為：

約束條件為：

0≤ρ≤1

KKT條件轉(zhuǎn)化為：

4.3)建立多核支持向量機(jī)模型，提高模型的學(xué)習(xí)能力和泛化能力，采用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，得出準(zhǔn)確度值，如果準(zhǔn)確度滿足要求則轉(zhuǎn)置步驟5，否則轉(zhuǎn)置步驟2.2。

步驟5)采用測(cè)試集驗(yàn)證建立的多核支持向量機(jī)模型，通過支持向量機(jī)模型判斷測(cè)試集模型的故障類型，輸出故障診斷結(jié)果。

為了展示本發(fā)明提出的動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法的檢測(cè)效果，在此以一個(gè)實(shí)例說明。

采用多線程記憶制粒子群算法對(duì)支持向量機(jī)模型進(jìn)行尋優(yōu)，得到最優(yōu)化支持向量機(jī)結(jié)構(gòu)參數(shù)，建立多核支持向量機(jī)分類模型，采用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，訓(xùn)練集測(cè)試結(jié)果正確率為100％，采用測(cè)試集樣本數(shù)據(jù)對(duì)模型的檢測(cè)效果進(jìn)行測(cè)試。樣本的測(cè)試集中給出90組不同類型的故障診斷數(shù)據(jù)，每組數(shù)據(jù)對(duì)應(yīng)的故障類型已知，每種故障類型的分類準(zhǔn)確率如表1所示。

表1吊艙故障診斷與分類準(zhǔn)確率

本實(shí)例中最大迭代次數(shù)100，w_start＝0.9，w_end＝0.4，c₁＝2.15，c₂＝1.25，r₁＝0.2，r₁＝0.8，最優(yōu)支持向量機(jī)參數(shù)為,C＝0.8124，ρ＝0.35，σ＝2.188，d＝3。圖3給出了測(cè)試集中模型的診斷效果，從圖3中可知，吊艙的故障診斷模型具有較高的故障識(shí)別效果，測(cè)試集中指令發(fā)送異常、射頻回路異常、圖像發(fā)射異常故障檢出率為100％，天線伺服檢查異常的故障檢出率為92.3％，測(cè)試的90組數(shù)據(jù)中，總的故障檢出率為97.8％，故障定位準(zhǔn)確，相比以前吊艙故障診斷，準(zhǔn)確率大幅提高。

本發(fā)明至少能夠獲得以下的有益效果：一種動(dòng)態(tài)粒子群算法優(yōu)化的多核支持向量機(jī)吊艙故障診斷方法，結(jié)合某多型吊艙通用檢測(cè)平臺(tái)，獲取吊艙故障診斷數(shù)據(jù)，提取數(shù)據(jù)的特征向量，形成數(shù)據(jù)樣本，劃分為訓(xùn)練集和測(cè)試集；利用改進(jìn)的多線程記憶制粒子群算法得到支持向量機(jī)模型的最優(yōu)參數(shù)，該算法符合吊艙類型和檢測(cè)環(huán)境動(dòng)態(tài)變化的要求；采用多項(xiàng)式核函數(shù)和RBF核函數(shù)建立吊艙故障診斷多核模型，提高模型的學(xué)習(xí)能力和泛化能力；采用訓(xùn)練集對(duì)建立的模型進(jìn)行訓(xùn)練，模型滿足要求后，采用測(cè)試集檢測(cè)模型性能，輸出檢測(cè)結(jié)果。具有如下具體優(yōu)點(diǎn)：

1)采用粒子群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，快速、高效的確定支持向量機(jī)最優(yōu)結(jié)構(gòu)參數(shù)。

2)基于吊艙類型和檢測(cè)環(huán)境的動(dòng)態(tài)變化，改進(jìn)了粒子群優(yōu)化算法，多線程記憶機(jī)制充分利用每次環(huán)境下多種群方法找到的局部和全局最優(yōu)信息，記憶體中包含全局最優(yōu)解和局部最優(yōu)解，這些信息在吊艙的動(dòng)態(tài)優(yōu)化算法中都被保存下來，不會(huì)遺失。

3)建立了多核支持向量機(jī)模型，采用多項(xiàng)式核函數(shù)和RBF核函數(shù)，提高了模型的學(xué)習(xí)能力和泛化能力，通過交叉驗(yàn)證得到最優(yōu)化的支持向量機(jī)模型。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。