周鵬 張鎮(zhèn)

摘要：支持向量機(jī)因有著比較好的分類能力，被廣泛應(yīng)用在電路故障診斷中，但是它的分類性能與核參數(shù)選擇有關(guān)，因此對(duì)于支持向量機(jī)的參數(shù)優(yōu)化問題，本文提出了基于蝙蝠算法的支持向量機(jī)參數(shù)優(yōu)化方法，對(duì)支持向量機(jī)的c（懲罰參數(shù)）和g（核函數(shù)參數(shù)）進(jìn)行優(yōu)化。

關(guān)鍵詞：蝙蝠算法;支持向量機(jī);改進(jìn);診斷;研究

0 引言

電子設(shè)備廣泛應(yīng)用于各大行業(yè)，在人們的日常生活中普遍存在，模擬電路在電子設(shè)備中起著非常重要的作用，是電子設(shè)備的重要部分。隨著AI和計(jì)算機(jī)的飛速發(fā)展，人工智能、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等方法被不斷應(yīng)用于模擬電路故障診斷中，為模擬電路故障診斷提供了許多新的方法，取得了許多研究成果。

支持向量（Support Vector Machine， SVM）在模擬電路中，在模擬電路故障診斷中對(duì)于解決小樣本問題和非線性問題有很大的優(yōu)勢(shì)。

蝙蝠算法（ BA）是基于群體智能提出的啟發(fā)式搜索算法，是一種搜索全局最優(yōu)解的有效方法。該算法是一種基于迭代的優(yōu)化技術(shù)，初始化為一組隨機(jī)解，然后通過迭代搜尋最優(yōu)解，且在最優(yōu)解周圍通過隨機(jī)飛行產(chǎn)生局部新解，加強(qiáng)了局部搜索。

本文將改進(jìn)的蝙蝠優(yōu)化算法（ Modified Bat optimization algorithm，MBOA） 與支持向量機(jī)相結(jié)合來進(jìn)行模擬電路故障診斷。首先分析提取故障特征，然后用改進(jìn)的蝙蝠算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)化，建立MBOA-SVM 診斷模型，最后將該模型應(yīng)用于模擬電路的故障診斷中，根據(jù)實(shí)驗(yàn)分析，發(fā)現(xiàn)該方法是可行的，有較高的正確率。

1 支持向量機(jī)

支持向量機(jī)的結(jié)構(gòu)圖：

常見的核函數(shù)有多項(xiàng)式核、高斯徑向基核、Sig-moid核，在這幾種核函數(shù)中，高斯核函數(shù)具有較寬的收斂域，可適用于任意分布的樣本，所以其在SVM中應(yīng)用最廣。

公式為：

2 蝙蝠算法基本原理

BA算法是模擬自然界中蝙蝠利用一種聲吶來探測(cè)獵物、避免障礙物的隨機(jī)搜索算法即模擬蝙蝠利用超聲波對(duì)障礙物或獵物進(jìn)行最基本的探測(cè)、定位能力并將其和優(yōu)化目標(biāo)功能相聯(lián)系。在蝙蝠搜索算法中，為了模擬蝙蝠探測(cè)獵物、避免障礙物，需假設(shè)如下三個(gè)近似的或理想化的規(guī)則：

1）所有蝙蝠利用回聲定位的方法感知距離，并且它們采用一種巧妙的方式來區(qū)別獵物和背景障礙物之間的不同。

2）蝙蝠在位置xi以速度vi隨機(jī)飛行，以固定的頻率fmin、可變的波長(zhǎng)λ和音量A0來搜索獵物。蝙蝠根據(jù)自身與目標(biāo)的鄰近程度來自動(dòng)調(diào)整發(fā)射的脈沖波長(zhǎng)（或頻率）和調(diào)整脈沖發(fā)射率r屬于[0，1]。

3）雖然音量的變化方式有多種但在蝙蝠算法中， 假定音量A是從一個(gè)最大值A(chǔ)0（整數(shù)）變化到固定最小值A(chǔ)min。

3 蝙蝠算法-支持向量機(jī)

支持向量機(jī) 的分類精度?主要是受兩個(gè)參數(shù) C、g 的影響（ C是懲罰因子，表示對(duì)超出誤差樣本的懲罰程度、g表示徑向基函數(shù)的寬度） 。由于通過傳統(tǒng)方法核函數(shù)的分類效果不佳，因此本文采用蝙蝠算法尋求最優(yōu)的支持向量機(jī)參數(shù)?；隍鹚惴ǖ闹С窒蛄繖C(jī)參數(shù)優(yōu)化流程完整步驟如下：

1） 設(shè)置蝙蝠種群。

蝙蝠種群的大小為 N、維數(shù)為 D、脈沖速率為S、脈 沖頻率為 F、最大迭代數(shù)為 Ng。

2） 蝙蝠個(gè)體初始化。

利用 Bmin + rand（1，D） ×（Bmax-Bmin）產(chǎn)生蝙蝠個(gè)體，構(gòu)成初始蝙蝠種群。

3） 計(jì)算每個(gè)蝙蝠的適應(yīng)度值并確定最優(yōu)蝙蝠的位置。

將所有蝙蝠個(gè)體作為支持向量機(jī)的參數(shù)在訓(xùn)練集上進(jìn)行訓(xùn)練和測(cè)試集上進(jìn)行測(cè)試。得到的數(shù)值作為對(duì)應(yīng)蝙蝠的適應(yīng)度值并且輸出，依據(jù)返回的適應(yīng)度值的大小，找到最優(yōu)的蝙蝠個(gè)體 Bbest。

4） 生成新蝙蝠個(gè)體。

根據(jù)傳統(tǒng)蝙蝠算法基本公式分別更新脈沖頻率 Fi 與飛行速度 Vi，生成新的蝙蝠個(gè)體 Bnew。

5） 更新蝙蝠個(gè)體。

①產(chǎn)生一個(gè)隨機(jī)數(shù) randx，如果randx>Si，則對(duì)當(dāng)前群體中最優(yōu)蝙蝠個(gè)體 Bbest 的鄰域進(jìn)行隨機(jī)擾動(dòng)，獲得一個(gè)新的蝙蝠個(gè)體，而后用新蝙蝠個(gè)體替換當(dāng)前蝙蝠個(gè)體。

②產(chǎn)生一個(gè)隨機(jī)數(shù) randy，如果滿足 randy >Yi， 并且 f（ Bnew ）

式中： α 為脈沖音強(qiáng)衰減系數(shù); γ 為脈沖頻度增加系數(shù); t 為當(dāng)前迭代次數(shù)。

6） 若達(dá)到最大的迭代次數(shù)則算法終止，輸出最優(yōu)參數(shù)，否則轉(zhuǎn)到步驟 4） 繼續(xù)執(zhí)行。

7） 最終獲得最佳參數(shù)，然后建立最好的分類器模型。

3 診斷實(shí)例及分析

設(shè)元件的標(biāo)稱值為： R1 = 1 kΩ， R2 = 3 kΩ，R3 = 2 kΩ，R4 = 4 kΩ，R5 = 4 kΩ，C1 =5 nF，C2 = 5 nF，電阻及電容的容差為 5% 。當(dāng)電路出現(xiàn)軟故障時(shí)，元件相對(duì)其標(biāo)稱值偏離為 ± 50% ，該元件的值在區(qū)間 [50% Y，95% Y）∪（ 105% Y，150% Y]內(nèi)（ Y表示器件的標(biāo)稱值） 。該電路共有14種故障，分別記為 C1↑，C1↓，C2↑，C2↓，R1↑，R1↓， R2↑，R2↓，R3↑，R3↓，R4↑，R4↓，R5↑，R5↓?！碓墓收现灯?，↓代表元件的故障值偏小，包括無(wú)故障狀態(tài)在內(nèi)一共有15 種狀態(tài)存在，總共有9種故障類型（包括正常）。在 Matlab2019b中搭建故障診斷模型，編寫代碼實(shí)現(xiàn)BA算法，并通過所獲得的 DGA 數(shù)據(jù)進(jìn)行實(shí)例仿真。完成了SVM-蝙蝠算法與蝙蝠算法、果蠅算法、遺傳算法（GA）、粒子群算法（PSO）結(jié)合SVM模型的對(duì)比分析如表1所示。

4結(jié)語(yǔ)

本文提出的基于SVM-蝙蝠算法的故障特征提取的支持向量機(jī)模擬電路故障診斷方法將本文方法和其他文獻(xiàn)采用的方法進(jìn)行了比較，通過Sallen-Key帶通濾波器電路故障診斷仿真實(shí)驗(yàn)證明了提出的SVM-蝙蝠算法較傳統(tǒng)的蝙蝠算法具有收斂速度快、平衡收斂的速度和精度高等優(yōu)勢(shì)，在模擬電路故障診斷領(lǐng)域，和其他傳統(tǒng)的智能算法相比，支持向量機(jī)的分類精度提高了，模擬電路故障診斷的正確率也提高了，是一種有效的方法。

參考文獻(xiàn)：

[1] 祖文超，李紅君，苑津莎. 基于糾錯(cuò)能力的 SVM 在變壓器故障診斷的應(yīng)用 [J]. 電力科學(xué)與工程，2012，28 （ 11） ： 39-43.

[2] 鄭蕊蕊，趙繼印，趙婷婷，等. 基于遺傳支持向量機(jī)和灰色免疫算法的電力變壓器故障診斷[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2011， 31（ 7） ： 56 - 63.

[3] 張倩，楊耀權(quán). 基于支持向量機(jī)核函數(shù)的研究 [J].電力科學(xué)與工程，2012，25 （ 5） ： 42-45.