一種粒子群算法優(yōu)化支持向量機的汽車故障診斷方法研究*

狄振華 黃珊珊 羅 明

（陜西交通職業(yè)技術學院 陜西 西安 710018）

引言

故障診斷是全面了解機械實際運行狀態(tài)，保障其整體或局部處于正常運行的關鍵。早期發(fā)現(xiàn)并分析引起故障的原因，對其實施恰當的處理是機械故障診斷常用的方法。故障診斷及推理主要作用就是分析異常行為狀態(tài)，并對這些異常行為間的因果關系展開分析，找到發(fā)生故障的關鍵因素。有學者指出，柔性系統(tǒng)故障可以通過蟻群算法、網絡等展開診斷，全面檢測柔性制造系統(tǒng)操作過程，但并未給出診斷詳細的推理步驟[1]。也有學者提出采用神經網絡汽車故障檢測，并運用優(yōu)先級代表優(yōu)先診斷處理或嚴重程度較高的故障，對各故障起因進行賦值（權值），但賦予的權值必須依靠專家系統(tǒng)經驗，自身依賴性較強[2-3]。傳統(tǒng)支持向量機用于汽車故障檢測中，其多分類組合對分類是否正確及診斷時間產生較大的影響?；诖?，本文提出依托粒子群算法優(yōu)化支持向量機故障診斷，這種方法能有效減少誤差累計和故障診斷時間，有效提升故障診斷精度。

1 汽車故障診斷概述

汽車故障就是車輛零部件丟失或全部失去汽車原先設計的功能。汽車故障如果根據其是否影響其性能來說，主要分為功能性與參數性故障兩種，前者就是汽車無法順利實現(xiàn)原有的功能，例如：發(fā)動機無法正常啟動；行駛過程中車輛跑偏等；后者則是汽車設定的性能參數無法達到規(guī)定指標，因為這些因素的影響造成嚴重的后果[4-5]。這種參數故障可以細分為輕微、一般、嚴重及致命故障4個等級。必須注意，導致汽車發(fā)生故障的因素錯綜復雜，每一個故障均可能由多個因素引起的。傳統(tǒng)汽車故障診斷均是基于手工檢測，這種方法需要人工進行推理、判斷等。由于這種檢測方式已經無法滿足現(xiàn)代復雜的汽車故障檢測需求[6]，因此，急需尋找一種智能方式對汽車故障實施檢測和診斷，本次研究依托模糊依賴度最大化的故障診斷算法，其實質就是在故障通過參數變化描述出來時，可以借助已有的參數估計算法進一步監(jiān)測故障信息，并通過參數估計值和正常值展開對比，通過偏差進行更準確地判斷。這種檢測方式要求找到模型與物理參數間一一對應的關系，從而獲得更好地故障檢測結果。

2 粒子群算法及改進支持向量機故障診斷

2.1 支持向量機算法

支持向量機評價模型是20世紀末期的西方學者所提出的一種針對線性不可分問題的機器方法，此種方法的數學計算原理相比來講更加嚴格，主要的數學原理是基于VC理論以及所造成風險最小化的計算原理，從而達到某種所需的計算精準成效[6]。此外，這種方法的計算能力也相對較好，具備較好的推廣能力。支持向量機評價方法使用基于函數的運算，將低維空間中所不可以分的變量進行轉換，換至高維度空間之上。之后完成一定的計算分類。在二維空間之類中線性可分階段，不僅是完成無誤的樣本分類，也可以達到對于種類的劃分間隔最大直線化，從而滿足兩點評價需求，即：經驗以及置信風險最小，最大程度地確定分類準確化[7]。那么，這種在支持向量機評價方法被稱之為最優(yōu)分類線。但在較高維度空間中，如果想要完成準確化的分類，就需要找出其中的最優(yōu)分類面，而這種分類面的平面或者平行線之上，都存在一定的樣點，此種樣點就是支持向量（如圖1所示）。

圖1 最大距離支持向量

支持向量機是作為研究有限樣本條件下統(tǒng)計及機械學習的通用方法，它基于統(tǒng)計學習和結構風險最小化理論，依托保持經驗風險值固定且最小化的置信范圍，以此確保結構風險最小化[8-9]。與傳統(tǒng)的經驗風險最小化原理相比，這種將支持向量機用在回歸分析中，具體實現(xiàn)過程為：對給出的樣本集合{xi，yi}ki=1，該集合中 xi、yi分別表示輸入值和相對應的預測值。其回歸函數表示為f（x）=w·Φ（x）+b，其中，b代表偏差，w是權重矢量。依托最小化風險函數訓練參數w、b，

式中：ε、ε（·）分別表示 ε-intensive 損失參數和損失函數，C表示懲罰參數，主要作用是平衡經驗風險及正則化部分。

尋找最優(yōu)的回歸超平面凸二次規(guī)劃問題轉變?yōu)椋?/p>

在式（2）中，ξ、ξ*均代表非負松弛變量。

2.2 粒子群算法

粒子群算法（PSO）是在模擬鳥群進行覓食行為試驗中逐漸發(fā)展起來的，它是一種群體協(xié)作方式的智能算法，它的優(yōu)勢在于簡單實用，容易理解，由于這些特點，該算法被廣泛的應用[10]。這種算法主要是由Eberhart等提出，之后又對群體智能算法進行完善[11]。粒子算法的計算過程比較簡單，參數設置比較少，且收斂速度非?？?，所以，該算法的應用價值比較高。但標準的PSO算法在實際進化中，逐漸降低種群的多樣性，造成該算法出現(xiàn)收斂早熟的情況。有學者對粒子群算法的速度重新進行初始化，從而保持該算法的種群多樣性[12]。

本次研究把分層聚類算法和二叉樹進行結合，在每個節(jié)點上利用分層聚類減少誤差積累情況，運用粒子群算法找出最優(yōu)的類別并實施編碼，將同一類的故障樣本劃分至同一個聚類中心。必須注意，因分層聚類與一般的組合優(yōu)化問題有所差異，在使用遺傳粒子群算法進行求解時，要依據聚類具體特點，適當改進遺傳粒子算法模型[13]。為將屬于同類的樣本劃分至同一個聚類中，通過二進制“0、1”對各種聚類進行辨別。對待分類樣本中n這個聚類問題，設定檢索空間維數為：D=n，m表示粒子數量。定義如下：第i個粒子位置（xi）主要由長度（n）的二進制編碼組成，每一個粒子位置 xi=（xi1，xi2，…，xin）（xij∈{0，1}），（i=1，2，…，m；j=1，2，…，n）對應響應問題的解，對于第 i個粒子 xij=0（j=1，2，…，n）、xij=1 分別代表這個粒子將j類樣本分為負類、正類。

具體生成決策樹環(huán)節(jié)，必須將類間距最早的類進行分隔，就是在決策樹上層節(jié)點位置實施分隔，運用SVM分類間隔當做兩個類之間可分離測度，并設置GAPSO適應度函數，促使每一個決策節(jié)點類之間可以進行分離度最大。依據SVM相關研究理論，GAPSO適應度函數為：

2.3 遺傳操作

交叉旨在將適應度排于后面的m/2粒子進行配對，采用隨機的方式在第m位（1＜m＜n）實施兩兩交叉處理，若進行交叉后獲取的子代適應度比較高，可以將原來的父代替換掉[14-15]。變異則是算法在后期跳出局部數值，變異率會由于迭代次數增多而增加，Pm初始數值為0.1，直到增加為0.5為止[16]。

式中：Pm、P1分別代表當前及初始的變異概率，其中，初始變異概率取值0.1；P2代表最大的變異概率（0.5）；t、tmax依次表示當前和最大迭代次數。粒子速度更新處理公式為：

2.4 SVM決策樹生成步驟

e：根節(jié)點依據所有樣本通過遺傳粒子群算法劃分為兩類。

f：對于子節(jié)點中含樣本類別數展開判斷，全部樣本類別數不得大于2，則轉入步驟h，否則，進入步驟g。

g：對于各個節(jié)點內類別數比2大的節(jié)點，通過遺傳粒子群算法展開聚類分析，轉入步驟h。

h：整個循環(huán)結束，生成最優(yōu)的二叉樹樸樹結果，依據其結構訓練形成多分類SVM。

3 應用實例分析

本次研究所開展的實驗均在配置PC P4 T 23 102.86 GHz，2 GB RAM，Inte182 865 G，顯卡的計算機上完成操作，并通過人造數據實施仿真研究，進一步檢驗本文所應用算法的實用性和有效性。本文選擇比較典型的桑塔納轎車為研究對象，借助本文提出的算法對其故障展開仿真分析，依據算法對轎車進行分類精度編號效果如圖2所示。

圖2 最優(yōu)決策樹編號情況

本方法的汽車故障特征識別效果如圖3所示。分析該圖發(fā)現(xiàn)，隨著汽車故障特征不斷增多，故障識別精度也呈現(xiàn)不斷遞增的趨勢，這表明本次提到的粒子群分層聚類優(yōu)化支持向量機方法能夠選定較少的故障特點，獲得更高的分類精度，這種算法對于汽車故障特征具有較高的識別能力。

圖3 汽車故障特征識別

有待進行訓練的二分類支持向量機數量為45個，進行測試時必須遍歷全部的子分類器，本文所用算法只要訓練9個二分類支持向量機即可，測試環(huán)境遍歷個數不超過5個，訓練及分類復雜度對比情況如表1、表2所示。

通過上述數據可知，本文所用方法與傳統(tǒng)支持向量機對比，分類正確率并不存在顯著差異。診斷過程中，需要遍歷的SVM數量卻明顯減少，所用測試時間也有所減少，大大提升測試效率。

表1 訓練及分類復雜程度對比

表2 具體診斷結果

4 結論

隨著現(xiàn)代汽車工業(yè)技術和電子信息技術的發(fā)展，導致汽車故障檢測及診斷更加復雜。支持向量機在汽車故障診斷中的運用，其多分類組合決策對于分類是否正確及診斷所需時間產生較大影響。為進一步提升汽車故障診斷效率和精確度，本文提出粒子群算法優(yōu)化支持向量機故障診斷，根據分解支持向量機展開汽車故障診斷，通過粒子群算法，促使每一個節(jié)點支持向量機具備最大的分類間隔，從而縮短測試時間，減少誤差積累，達到優(yōu)化多級二叉樹結構SVM的目的。仿真結果證實，本文所提出的算法在各檢測模型中精度較高，能有效實現(xiàn)汽車故障檢測和定位，也能在一定程度上縮短診斷故障所用時間，應用價值更高。

1 余梓唐.基于粒子群算法優(yōu)化支持向量機汽車故障診斷研究[J].計算機應用研究，2012，29（2）：572-574

2 畢曉君，柳長源，盧迪，等.基于PSO-RVM算法的發(fā)動機故障診斷[J].哈爾濱工程大學學報，2014（2）：245-249

3 宋云鵬，程廣濤，徐軍，等.模擬退火粒子群算法在汽車故障診斷中的應用[J].儀器儀表用戶，2012，19（2）：88-90

4 馮輝宗，彭丹，袁榮棣，等.基于PSO-SVM的發(fā)動機故障診斷研究[J].計算機測量與控制，2014，22（2）：355-357，360

5 李懷俊，謝小鵬，李軍，等.基于自適應變異PSO的ARMA模型參數尋優(yōu)及預測應用[J].計算機應用研究，2015，32（4）：1004-1006，1015

6 李良敏，任景巖.基于粒子群算法優(yōu)化的獨立分量分析算法[J].振動與沖擊，2015（8）：7-11，25.

7 咸衛(wèi)明.電子系統(tǒng)數據驅動診斷與預測算法的研究與實現(xiàn)[D].成都：電子科技大學，2014

8 吳志山.計及分布式電源和電動汽車的配電網供電可靠性評估[D].廣州：廣東工業(yè)大學，2016

9 曹龍漢，秦愷，張遷，等.基于IDE-LSSVM的柴油機氣門故障診斷算法研究[J].自動化與儀器儀表，2014（5）：20-24

10連秦劍.基于DSP的電動汽車無刷直流電機驅動系統(tǒng)設計與仿真研究[D].西安：西安建筑科技大學，2014，50（19）：27-31

11李懷俊，謝小鵬，肖心遠，等.基于粒子熵的參數自適應變異PSO算法研究[J].計算機工程與應用，2014，50（19）：27-31

12熊先鋒.汽車故障診斷仿真實訓系統(tǒng)的設計與實現(xiàn)[J].中國機械，2014（9）：220

13吳強.基于振動信號分析的汽車故障診斷研究[D].合肥：合肥工業(yè)大學，2014

14蔡志榮，陳平生.基于SWN和InduceRank的汽車故障診斷研究[J].蘭州工業(yè)學院學報，2014（5）：12-16

15趙牧原，馮金芝.基于集成化的汽車故障診斷技術研究[J].制造業(yè)自動化，2014（3）：24-28

16成英，高鮮萍，劉洪飛，等.基于信息熵的汽車故障診斷復雜性評價[J].數學的實踐與認識，2017，47（5）：106-113