论文部分内容阅读
关键词：船用柴油机;拉普拉斯分值（LS）;改进鲸鱼算法（IWOA）;支持向量机（SVM）;故障诊断
船用柴油机因其特殊性和复杂性，一直是相关行业讨论的重中之重。在喷射方面，船用柴油机的输出扭矩会比其他柴油机更高;在点火方面，船用柴油机通过压缩自燃点火;在用油方面，船用油的碱性较高，对润滑油的要求有足够的碱保持性、良好的抗乳化性和分水性。由此可知，展开对船用柴油机的故障诊断是具有很大实用性。
基于LS和IWOASVM的船用柴油机故障诊·断方法，首先通过LS对征兆样本集进行特征选择，通过比较各个特征的I-S，挑选出最有效的几组来达到降维的目的。拉普拉斯分值的基本思想是根据特征的局部保存能力对其进行评估。既可以有效表达故障信息，又可以解决维数过多的问题，而且提高了计算能力和效率;再用IWOA寻优SVM中的核参数和惩罚因子，鲸鱼算法是一种新型的元启发式算法，结构简单，调节参数少，全局寻优能力强，尤其是收敛精速度上明显优于传统算法，为提高鲸鱼算法的能力，对其进行改进，融人惯性权值，提高对两者的优化效果;最后利用IWOASVM分類器来进行降维后的分类处理，达到故障诊断的效果。作为一种监督式学习算法，SVM在解决小样本机器学习问题和提高泛化性能上的优势，被广泛应用。SVM既可以解决线性问题，又可以解决非线性问题，但是其参数的选择对分类效果和精度有着极大影响，故引入改进鲸鱼算法进行优化选择。船舶设备的故障特征有很多，导致了维数过多的问题，故引入I-S进行降维，而SVM解决小样本非线性问题有着自己的优势，改进鲸鱼算法收敛精速度强，三者的结合既保证了准确性又提高了计算能力。
1故障诊断流程
船用柴油机故障诊断的流程图如图1所示，其具体步骤如下：
1）征兆样本集进行LS降维处理流程如图2所示：
鲸鱼算法分为包围猎物，气泡网攻击方法和搜索猎物，为提高优化效果、搜索能力、收敛精速度，引入惯性权值来对其改进：
其中分别为惯性权重的最值;t为当前迭代次数;T为最大迭代次数。改进后的鲸鱼算法为：
3）最优惩罚因子和核参数代入SVM形成IWOASVM分类器。
SVM研究目的就是为了寻找一个分类间隔最大的最优超平面。对于非线性问题，需要先将样本映射到更高维的特征空间，在更高维的特征空间中使用线性分类。由于很难确定合适的核函数来找到超平面，而当惩罚因子C为无穷大时，也可满足条件，此时的超平面也符合条件。当a，为拉格朗日乘子，目标函数转化为：
4）IWOASVM分类器对降维后的特征矩阵进行诊断，对诊断后的结果进行分类，根据输出矩阵来判断船用柴油机何处故障。
2仿真验证
在MATLAB中编写程序来进行仿真验证，船用柴油机分为运动部件、燃油机系统、配气系统、润滑系统、冷却系统和起动系统五大部分。船用柴油机燃油系统中的高压油管压力波形信号在故障时会发生变形，因此可通过这一规律来衡量燃油系统的运行状态。
选取8个压力波特征参数：燃油喷射最大压力、喷油器启阀压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度与波形面积。以40组原始数据为基础，加上40，45，50，55，60，65，70，75，80 dB的高斯白噪声，将数据扩充到400组，组成征兆样本集。设8维输入向量对应8个期望输出状态，如表1所示：
如图2所示，I-S进行降维处理，挑选出具有较强代表能力的特征输入到SVM中。共8个特征，每个有400个样本，从小到大进行排列为5、3、7、8、4、1、2、6。选取前4个具有代表性的。
其次，分类器进行分类，非线性问题要在更高维的特征空间中寻找到最优超平面进行线性分类，需要找到惩罚因子C和核参数g。IW（）A对SVM分类器所需的部分进行寻优，设定C∈[0，100]，∈[0，1000]。设定鲸鱼种群数目为30，权中最值为10和0，如图3所示，首先对鲸鱼位置初始化，其次计算其适应度函数，将鲸鱼的位置解码为惩罚因子C和核参数g，并且计算训练集十折交叉验证的MSE作为适应度值，然后迭代次数大于设定的最大次数T=5时，输出最优惩罚因子C和核参数g，如表2所示，随着迭代次数的增加，当前最佳鲸鱼变化如图4所示：
采用80%的训练数据，20%的测试数据，最大训练次数为500，得到传统的SVM算法的精确度可以达到94. 0625%，WOA寻优SVM算法可达到97.1875%，而IWOA寻优SVM算法可以达到97. 5%，精确度有了明显的提高，如表3所示：
根据SVM分类器的输出矩阵，判断燃油系统的故障状态，如表4所示：
如图5所示，IWOA寻优SVM在优化其效果上具有很高的优势，其对于船用柴油机的故障诊断也具有较高的准确性。
3结论
提出了一种基于LS和IWOASVM的船用柴油机故障诊断方法。首先通过LS对征兆样本集进行降维处理，然后通过IWOA来优化SVM的惩罚因子和核参数，构造成分类器来进行故障诊断识别。将改进的寻优SVM与传统的鲸鱼算法寻优进行比较，验证了改进鲸鱼算法寻优SVM在决策方法方面的有效性。
船用柴油机因其特殊性和复杂性，一直是相关行业讨论的重中之重。在喷射方面，船用柴油机的输出扭矩会比其他柴油机更高;在点火方面，船用柴油机通过压缩自燃点火;在用油方面，船用油的碱性较高，对润滑油的要求有足够的碱保持性、良好的抗乳化性和分水性。由此可知，展开对船用柴油机的故障诊断是具有很大实用性。
基于LS和IWOASVM的船用柴油机故障诊·断方法，首先通过LS对征兆样本集进行特征选择，通过比较各个特征的I-S，挑选出最有效的几组来达到降维的目的。拉普拉斯分值的基本思想是根据特征的局部保存能力对其进行评估。既可以有效表达故障信息，又可以解决维数过多的问题，而且提高了计算能力和效率;再用IWOA寻优SVM中的核参数和惩罚因子，鲸鱼算法是一种新型的元启发式算法，结构简单，调节参数少，全局寻优能力强，尤其是收敛精速度上明显优于传统算法，为提高鲸鱼算法的能力，对其进行改进，融人惯性权值，提高对两者的优化效果;最后利用IWOASVM分類器来进行降维后的分类处理，达到故障诊断的效果。作为一种监督式学习算法，SVM在解决小样本机器学习问题和提高泛化性能上的优势，被广泛应用。SVM既可以解决线性问题，又可以解决非线性问题，但是其参数的选择对分类效果和精度有着极大影响，故引入改进鲸鱼算法进行优化选择。船舶设备的故障特征有很多，导致了维数过多的问题，故引入I-S进行降维，而SVM解决小样本非线性问题有着自己的优势，改进鲸鱼算法收敛精速度强，三者的结合既保证了准确性又提高了计算能力。
1故障诊断流程
船用柴油机故障诊断的流程图如图1所示，其具体步骤如下：
1）征兆样本集进行LS降维处理流程如图2所示：
鲸鱼算法分为包围猎物，气泡网攻击方法和搜索猎物，为提高优化效果、搜索能力、收敛精速度，引入惯性权值来对其改进：
其中分别为惯性权重的最值;t为当前迭代次数;T为最大迭代次数。改进后的鲸鱼算法为：
3）最优惩罚因子和核参数代入SVM形成IWOASVM分类器。
SVM研究目的就是为了寻找一个分类间隔最大的最优超平面。对于非线性问题，需要先将样本映射到更高维的特征空间，在更高维的特征空间中使用线性分类。由于很难确定合适的核函数来找到超平面，而当惩罚因子C为无穷大时，也可满足条件，此时的超平面也符合条件。当a，为拉格朗日乘子，目标函数转化为：
4）IWOASVM分类器对降维后的特征矩阵进行诊断，对诊断后的结果进行分类，根据输出矩阵来判断船用柴油机何处故障。
2仿真验证
在MATLAB中编写程序来进行仿真验证，船用柴油机分为运动部件、燃油机系统、配气系统、润滑系统、冷却系统和起动系统五大部分。船用柴油机燃油系统中的高压油管压力波形信号在故障时会发生变形，因此可通过这一规律来衡量燃油系统的运行状态。
选取8个压力波特征参数：燃油喷射最大压力、喷油器启阀压力、次最大压力、波形幅度、上升沿宽度、波形宽度、最大余波宽度与波形面积。以40组原始数据为基础，加上40，45，50，55，60，65，70，75，80 dB的高斯白噪声，将数据扩充到400组，组成征兆样本集。设8维输入向量对应8个期望输出状态，如表1所示：
如图2所示，I-S进行降维处理，挑选出具有较强代表能力的特征输入到SVM中。共8个特征，每个有400个样本，从小到大进行排列为5、3、7、8、4、1、2、6。选取前4个具有代表性的。
其次，分类器进行分类，非线性问题要在更高维的特征空间中寻找到最优超平面进行线性分类，需要找到惩罚因子C和核参数g。IW（）A对SVM分类器所需的部分进行寻优，设定C∈[0，100]，∈[0，1000]。设定鲸鱼种群数目为30，权中最值为10和0，如图3所示，首先对鲸鱼位置初始化，其次计算其适应度函数，将鲸鱼的位置解码为惩罚因子C和核参数g，并且计算训练集十折交叉验证的MSE作为适应度值，然后迭代次数大于设定的最大次数T=5时，输出最优惩罚因子C和核参数g，如表2所示，随着迭代次数的增加，当前最佳鲸鱼变化如图4所示：
采用80%的训练数据，20%的测试数据，最大训练次数为500，得到传统的SVM算法的精确度可以达到94. 0625%，WOA寻优SVM算法可达到97.1875%，而IWOA寻优SVM算法可以达到97. 5%，精确度有了明显的提高，如表3所示：
根据SVM分类器的输出矩阵，判断燃油系统的故障状态，如表4所示：
如图5所示，IWOA寻优SVM在优化其效果上具有很高的优势，其对于船用柴油机的故障诊断也具有较高的准确性。
3结论
提出了一种基于LS和IWOASVM的船用柴油机故障诊断方法。首先通过LS对征兆样本集进行降维处理，然后通过IWOA来优化SVM的惩罚因子和核参数，构造成分类器来进行故障诊断识别。将改进的寻优SVM与传统的鲸鱼算法寻优进行比较，验证了改进鲸鱼算法寻优SVM在决策方法方面的有效性。