黃英雙 曹 輝

(大連海事大學(xué)輪機(jī)工程學(xué)院 遼寧 大連 116026)

0 引 言

支持向量機(jī)(SVM)作為一種有監(jiān)督的機(jī)器學(xué)習(xí)方法，是基于統(tǒng)計(jì)學(xué)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的樣本學(xué)習(xí)方法，它可以解決小樣本學(xué)習(xí)、高維及非線(xiàn)性問(wèn)題，在模式識(shí)別和分類(lèi)上具有良好的泛化性能。但在選擇其模型參數(shù)時(shí)(包括懲罰因子C、核函數(shù)類(lèi)型和核函數(shù)參數(shù))存在許多問(wèn)題，如果選取不當(dāng)，會(huì)產(chǎn)生較差的分類(lèi)結(jié)果。文獻(xiàn)[1]采用遺傳算法(GA)對(duì)SVM進(jìn)行模型參數(shù)的優(yōu)化，并應(yīng)用于軸承的故障檢測(cè)，在此研究中，首次通過(guò)實(shí)驗(yàn)將SVM和BP神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)進(jìn)行詳細(xì)對(duì)比，驗(yàn)證了SVM具有較高的工程使用價(jià)值。文獻(xiàn)[2]為了能夠找到合適的SVM參數(shù)，利用固定的步長(zhǎng)來(lái)進(jìn)行網(wǎng)格搜索，但在實(shí)際運(yùn)用過(guò)程中，當(dāng)參數(shù)較多時(shí)存在計(jì)算復(fù)雜、耗時(shí)長(zhǎng)等問(wèn)題。文獻(xiàn)[3]提出的SVM參數(shù)優(yōu)化方法為交叉驗(yàn)證算法，由于其得到的參數(shù)使SVM的分類(lèi)精確度較高，從而成為目前SVM的標(biāo)準(zhǔn)主流參數(shù)優(yōu)化方法，本文將利用交叉驗(yàn)證算法優(yōu)化的標(biāo)準(zhǔn)支持向量機(jī)模型作為本文提出方法的比較對(duì)象之一。文獻(xiàn)[4]的SVM參數(shù)尋優(yōu)方法是布谷鳥(niǎo)搜索算法，尋優(yōu)得到全局最優(yōu)解，從而可以構(gòu)建具有最優(yōu)參數(shù)的支持向量機(jī)模型，并應(yīng)用于變壓器的故障診斷，但其在尋優(yōu)過(guò)程中參數(shù)的尋優(yōu)范圍不好確定，如果設(shè)置不當(dāng)則容易造成過(guò)學(xué)習(xí)狀態(tài)，從而導(dǎo)致診斷正確率降低。在智能優(yōu)化算法領(lǐng)域，Karaboga等[5]提出一種新的群體智能優(yōu)化算法——人工蜂群(Artificial Bee Colony，ABC)算法，并應(yīng)用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，取得較好的效果。文獻(xiàn)[6]提出基于交叉突變?nèi)斯し淙核惴ǖ闹С窒蛄繖C(jī)的參數(shù)優(yōu)化方法，引入交叉突變算子對(duì)種群進(jìn)行劃分，但并沒(méi)有對(duì)原始人工蜂群算法的搜索公式進(jìn)行改進(jìn)。文獻(xiàn)[7]提出面向觀察蜂的免疫機(jī)制和面向偵察蜂的改進(jìn)逃逸機(jī)制來(lái)改進(jìn)人工蜂群算法，但也沒(méi)有對(duì)算法的搜索公式進(jìn)行改進(jìn)。文獻(xiàn)[8]利用人工蜂群算法優(yōu)化SVM的參數(shù)，構(gòu)建ABC-SVM(人工蜂群優(yōu)化支持向量機(jī))對(duì)燃?xì)廨啓C(jī)葉片進(jìn)行診斷，取得較好的診斷效果。

本文提出一種利用經(jīng)過(guò)改進(jìn)的人工蜂群算法優(yōu)化支持向量機(jī)兩個(gè)參數(shù)的方法，將原始人工蜂群算法的搜索公式進(jìn)行改進(jìn)，從而得到最佳的支持向量機(jī)分類(lèi)模型，用UCI數(shù)據(jù)集驗(yàn)證了該模型的分類(lèi)效果，并應(yīng)用于船舶壓載水系統(tǒng)的故障診斷。

1 支持向量機(jī)

SVM的基本思想是：對(duì)于輸入空間中的非線(xiàn)性可分的數(shù)據(jù)，將其通過(guò)非線(xiàn)性映射函數(shù)(核函數(shù))映射到高維空間中，再在高維空間中進(jìn)行線(xiàn)性分類(lèi)，其目的是希望在高維空間中能夠構(gòu)造出一個(gè)可以對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的最優(yōu)超平面[9]。求解過(guò)程中引入拉格朗日乘子，對(duì)不定等式約束下的二次函數(shù)極值問(wèn)題進(jìn)行求解，求得的分類(lèi)超平面可以使得幾類(lèi)數(shù)據(jù)之間的間隔達(dá)到最大化，再映射回原始輸入空間，達(dá)到在原始輸入空間中可以進(jìn)行非線(xiàn)性分類(lèi)的目的。分類(lèi)函數(shù)為：

(1)

式中：sign表示取表達(dá)式的符號(hào)(正或負(fù))；訓(xùn)練集T={(x1,y1),(x2,y2),…,(xN,yN)}，yi∈Y={-1,1},i=1,2,…,N；αi為拉格朗日乘子；b是根據(jù)訓(xùn)練數(shù)據(jù)確定的閾值；C為懲罰因子，其作用是可以對(duì)分類(lèi)錯(cuò)誤的樣本的懲罰程度進(jìn)行控制，對(duì)最大分類(lèi)間隔和最小分類(lèi)錯(cuò)誤的樣本進(jìn)行折中，C越高，說(shuō)明越不能容忍誤差的存在，容易過(guò)擬合，C越小，容易欠擬合，C過(guò)大或過(guò)小，泛化能力變差；K(x·xi)為核函數(shù)，在目前的大多數(shù)研究中，經(jīng)常使用的核函數(shù)有多項(xiàng)式核函數(shù)、徑向基(簡(jiǎn)稱(chēng)RBF)核函數(shù)、雙曲正切(Sigmoid)核函數(shù)等。由于RBF核函數(shù)具有收斂速度快、非線(xiàn)性映射、參數(shù)少等優(yōu)點(diǎn)，在實(shí)際問(wèn)題中應(yīng)用較為廣泛[8]。本文選取的SVM模型非線(xiàn)性映射函數(shù)為RBF核函數(shù)，其表達(dá)式為：

K(xi,xj)=exp(-‖xi-xj‖2/2σ2)

(2)

式中：σ為核函數(shù)參數(shù)。σ的值會(huì)影響支持向量的數(shù)量，支持向量機(jī)的訓(xùn)練和預(yù)測(cè)在速度和結(jié)果上，會(huì)受到支持向量數(shù)量的影響。

2 人工蜂群算法及改進(jìn)

2.1 人工蜂群算法

人工蜂群算法主要是模擬自然界中的蜜蜂采蜜過(guò)程。在ABC算法中，將存在于解空間中的各種可能解作為蜜蜂將要尋找的蜜源，其質(zhì)量的好壞是利用適應(yīng)度值來(lái)衡量。本文中共設(shè)了i個(gè)蜜源，第i個(gè)蜜源的表達(dá)式為xi=(xi1,xi2,…,xiD)，i=1,2,…,N，N表示蜜源的總個(gè)數(shù)，D表示待求問(wèn)題解的維數(shù)。再引入三種蜜蜂：采蜜蜂、跟隨蜂和偵察蜂，采蜜蜂同具體的蜜源聯(lián)系到一起，其數(shù)量與蜜源個(gè)數(shù)相等，在尋優(yōu)時(shí)，三種蜜蜂的工作過(guò)程如下：

1)N個(gè)初始解即N個(gè)采蜜蜂和蜜源被隨機(jī)產(chǎn)生。針對(duì)所有的初始解，蜜蜂開(kāi)始循環(huán)進(jìn)行搜索，為了比較新的蜜源和原來(lái)蜜源哪個(gè)的質(zhì)量較好，需要計(jì)算新解的適應(yīng)度，如果新解的適應(yīng)度值高于原始解的適應(yīng)度值，則采蜜蜂利用新解來(lái)替換原始解[10]。采蜜蜂的搜索公式為：

new_xid=xid+r(xid-xkd)

(3)

式中：new_xid為第i個(gè)新蜜源中第d維的值；xid為第i個(gè)蜜源第d維的值；r為[-1,1]之間的隨機(jī)數(shù)；k為除第i個(gè)蜜源外的任意蜜源。

2) 在完成搜索任務(wù)后，采蜜蜂將回到蜂巢。跟隨蜂在得到采蜜蜂傳遞的蜜源信息后，選擇一個(gè)蜜源位置，這種選擇是根據(jù)與適應(yīng)度值相關(guān)的概率做出的，然后跟隨蜂和采蜜蜂改變位置，并計(jì)算新的候選蜜源的適應(yīng)度值，如果新解的適應(yīng)度值大于原始解，則用新的解替代原來(lái)的解。蜜源被選擇的概率計(jì)算公式為：

(4)

式中：pi為第i個(gè)蜜源被選中的概率；fiti為第i個(gè)蜜源的適應(yīng)度值；N為蜜源的總個(gè)數(shù)。

針對(duì)原始解的鄰域，跟隨蜂會(huì)與采蜜蜂進(jìn)行相同方式的搜索，同為式(3)。

3) 設(shè)定值limit將會(huì)控制蜜源的改進(jìn)次數(shù)，當(dāng)某個(gè)蜜源的改進(jìn)次數(shù)較大時(shí)，一旦超過(guò)limit，將會(huì)放棄該位置對(duì)應(yīng)的解，該解被舍棄后，該位置采蜜蜂將進(jìn)行角色轉(zhuǎn)變，變?yōu)閭刹旆洌瑢?huì)繼續(xù)對(duì)新的蜜源進(jìn)行搜索，其公式為：

(5)

式中：xij為第i個(gè)蜜源的第j維的值，j∈{1,2,…,D}。

適應(yīng)度值的計(jì)算是十分關(guān)鍵的，在標(biāo)準(zhǔn)的人工蜂群算法中，對(duì)于蜜源適應(yīng)度值的計(jì)算公式為[8]：

(6)

式中：fi為第i個(gè)蜜源的目標(biāo)函數(shù)值。

2.2 改進(jìn)人工蜂群算法

通過(guò)觀察傳統(tǒng)的人工蜂群算法可以發(fā)現(xiàn)，采蜜蜂確定下一次蜜源搜索位置的方法是利用貪婪機(jī)制比較前后兩次搜索中對(duì)應(yīng)蜜源的適應(yīng)度值。食物源搜索公式?jīng)Q定著采蜜蜂是否能夠快速準(zhǔn)確地找到新的蜜源。式(3)在進(jìn)行搜索時(shí)并沒(méi)有考慮迭代前后位置的優(yōu)劣比較，采蜜蜂在搜索的整個(gè)過(guò)程中獲得的位置信息，只有自己的歷史最優(yōu)位置和當(dāng)前的位置信息，然而對(duì)于全局的最優(yōu)考慮是不足的，造成的結(jié)果是使算法的搜索能力欠缺，缺點(diǎn)主要有：迭代隨機(jī)性大、更新速度慢、易陷入局部最優(yōu)解等。針對(duì)這一問(wèn)題，在式(3)中引入全局搜索因子[11]，在每次搜索過(guò)程中，將當(dāng)前具有最優(yōu)適應(yīng)度的蜜源信息加入到下一次位置更新中，將式(3)改進(jìn)為：

new_xid=xid+r(xmd-xkd)+φ(xbest,d-xid)

(7)

式中：k、m和i都是隨機(jī)產(chǎn)生的隨機(jī)數(shù)，k、m互不相等且都不等于i；φ是[0,1]上的隨機(jī)數(shù)；xbest,d代表的是目前食物豐富度(適應(yīng)度值)最高的蜜源，在人工蜂群算法尋優(yōu)的第一次循環(huán)時(shí)，其是初始化的N個(gè)蜜源中適應(yīng)度值最大的蜜源。

式(7)在式(3)的基礎(chǔ)上加入了全局搜索因子φ(xbest,d-xid)，φ是用于約束尋優(yōu)幅度的影響因子。改進(jìn)的人工蜂群算法可以使蜜蜂的搜索具有方向性，加快算法收斂速度。

3 支持向量機(jī)參數(shù)的優(yōu)化

在利用IABC算法尋優(yōu)時(shí)，將懲罰因子C和核函數(shù)參數(shù)σ作為蜜源(C,σ)，三種類(lèi)型的蜜蜂根據(jù)自己的任務(wù)對(duì)蜜源進(jìn)行尋優(yōu)，得到最優(yōu)的蜜源(C,σ)，再利用得到的最優(yōu)蜜源構(gòu)建IABC-SVM分類(lèi)模型。圖1為IABC算法優(yōu)化SVM的流程。

圖1 IABC算法優(yōu)化SVM參數(shù)流程

優(yōu)化的過(guò)程如下：

1) 初始化IABC算法中的控制參數(shù)，主要包括：蜂群規(guī)模；蜜源的數(shù)量，其值與采蜜蜂的數(shù)量是相等的；蜜源最大循環(huán)次數(shù)；最大迭代次數(shù)；在選取懲罰因子和核函數(shù)參數(shù)時(shí)取值范圍的上下界。

2) 設(shè)置IABC算法中的適應(yīng)度函數(shù)。適應(yīng)度函數(shù)利用式(6)計(jì)算，由于優(yōu)化SVM參數(shù)的目的是為了提高SVM的分類(lèi)正確率，因此目標(biāo)函數(shù)值選取為：

fi=1-Vacc

(8)

式中：Vacc為SVM的分類(lèi)正確率。

3) 三種蜜蜂按照各自的任務(wù)對(duì)蜜源(C,σ)進(jìn)行尋優(yōu)工作，搜索公式為改進(jìn)后的式(7)，三種蜜蜂利用適應(yīng)度函數(shù)計(jì)算適應(yīng)度值，對(duì)尋找到的所有可能的解進(jìn)行優(yōu)選。

4) 根據(jù)設(shè)定值limit來(lái)判定蜜源的循環(huán)次數(shù)是否超出限定，如果循環(huán)次數(shù)已經(jīng)大于limit，則原來(lái)的蜜源由新產(chǎn)生的蜜源來(lái)代替，新的蜜源是按照式(5)產(chǎn)生的。當(dāng)前得到的蜜源為搜索到的最優(yōu)蜜源，記錄下來(lái)，并根據(jù)循環(huán)條件判斷其是否滿(mǎn)足終止條件。

5) 將得到的全局最優(yōu)蜜源，即最優(yōu)(C,σ)用于SVM模型的構(gòu)建。

4 IABC算法優(yōu)化SVM的數(shù)據(jù)驗(yàn)證

本文采用UCI數(shù)據(jù)庫(kù)中的標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)模型性能進(jìn)行測(cè)試。兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集的屬性見(jiàn)表1，其中的訓(xùn)練集樣本和測(cè)試集樣本的選取都是隨機(jī)的。

表1 數(shù)據(jù)集屬性

針對(duì)訓(xùn)練和測(cè)試工具的選取問(wèn)題，本文模型選用LIBSVM工具箱在MATLAB中進(jìn)行編程對(duì)算法進(jìn)行實(shí)現(xiàn)，并采用傳統(tǒng)ABC算法優(yōu)化的SVM模型和通過(guò)交叉驗(yàn)證方法(Cross Validation，CV)來(lái)選取參數(shù)的傳統(tǒng)的支持向量機(jī)模型，在分類(lèi)正確率和算法運(yùn)算時(shí)間等方面進(jìn)行對(duì)比分析[12]。查閱相關(guān)參考文獻(xiàn)，并經(jīng)過(guò)多次對(duì)比實(shí)驗(yàn)分析[6-7]，將IABC算法的蜂群規(guī)模設(shè)置為20，蜜源個(gè)數(shù)設(shè)置為蜂群規(guī)模的兩倍為40，蜜源最大循環(huán)次數(shù)設(shè)定值limit設(shè)置為100，最大迭代次數(shù)設(shè)置為100，參數(shù)C和σ的搜索區(qū)間為[0.01,100]，這些參數(shù)初始值得到的實(shí)驗(yàn)結(jié)果較好，如表2-表5所示。

表2 Wine數(shù)據(jù)集上3種算法得到的參數(shù)

表3 BreastTissue數(shù)據(jù)集上3種算法得到的參數(shù)

表4 3種算法測(cè)試結(jié)果 %

表5 3種算法的運(yùn)算時(shí)間對(duì)比 s

從表2-表5的實(shí)驗(yàn)結(jié)果可以看出：

1) ABC算法優(yōu)化的支持向量機(jī)在分類(lèi)正確率方面要優(yōu)于傳統(tǒng)的CV-SVM支持向量機(jī)模型。而經(jīng)過(guò)改進(jìn)的IABC-SVM，分類(lèi)正確率在ABC-SVM基礎(chǔ)上又有提高。這證明了IABC算法優(yōu)化支持向量機(jī)的有效性。

2) 為了排除其他因素影響實(shí)驗(yàn)結(jié)果，表5為每種算法在實(shí)驗(yàn)條件相同的情況下，運(yùn)行3次所得的運(yùn)算時(shí)間平均值。由于樣本數(shù)量有限，導(dǎo)致算法運(yùn)算時(shí)間較短，IABC-SVM的運(yùn)算時(shí)間比ABC-SVM的運(yùn)算時(shí)間少近3 s，如果樣本數(shù)量加大，時(shí)間將減少更多，證明了IABC算法在收斂速度上有所提高，在尋優(yōu)方面要優(yōu)于傳統(tǒng)的ABC算法。

5 基于IABC算法應(yīng)用

近年來(lái)，船舶的智能化成為船舶行業(yè)的熱點(diǎn)，將人工智能算法應(yīng)用于船舶系統(tǒng)的故障診斷已經(jīng)成為一種趨勢(shì)。壓載水系統(tǒng)作為調(diào)整船舶浮態(tài)的重要輔助系統(tǒng)，其主要作用是可以使船舶的穩(wěn)心高度處于適當(dāng)?shù)奈恢肹13]。在壓載水系統(tǒng)中的各設(shè)備布置比較分散，管路布局非常復(fù)雜，閥門(mén)的數(shù)量眾多，其故障部位不易察覺(jué)和查找，找到一種方法能夠?qū)崿F(xiàn)對(duì)壓載水系統(tǒng)出現(xiàn)的故障進(jìn)行正確的診斷是十分必要的。利用SVM對(duì)壓載水系統(tǒng)進(jìn)行故障診斷研究的過(guò)程如圖2所示[14]。

圖2 SVM故障診斷過(guò)程

5.1 數(shù)據(jù)采集

由于實(shí)船中壓載水系統(tǒng)的故障數(shù)據(jù)獲取比較困難，本文利用C#編程語(yǔ)言和WPF技術(shù)在Visual Studio 2013中對(duì)某集裝箱船的壓載水系統(tǒng)進(jìn)行仿真，制作了壓載水系統(tǒng)模擬器，通過(guò)在模擬器中設(shè)置故障來(lái)獲取壓載水系統(tǒng)故障數(shù)據(jù)。

本文主要研究5種系統(tǒng)運(yùn)行狀態(tài)，包括正常狀態(tài)和4種故障狀態(tài)，分別是系統(tǒng)正常運(yùn)行、海底門(mén)濾器臟堵、壓載水泵軸瓦磨損、閥門(mén)卡阻和管段泄漏[15]，將各類(lèi)型編號(hào)為1～5，其中壓載水泵軸瓦的磨損量在30%以上視為故障狀態(tài)，海底門(mén)濾器臟堵程度達(dá)到40%以上為故障狀態(tài)。本文以壓載水經(jīng)低位海底門(mén)吸入打到壓載水艙典型工況為例，在模擬器中設(shè)置上述故障。圖3表示的是上述工況的數(shù)據(jù)監(jiān)測(cè)點(diǎn)。根據(jù)該工況特點(diǎn)，及各種故障發(fā)生時(shí)系統(tǒng)可能會(huì)發(fā)生改變的參數(shù)，一共設(shè)置了13個(gè)數(shù)據(jù)監(jiān)測(cè)點(diǎn)，包含8個(gè)壓力監(jiān)測(cè)點(diǎn)P1、P2、P3、P4、P5、P6、P7、P8，4個(gè)流量監(jiān)測(cè)點(diǎn)：Q1、Q2、Q3、Q4，泵電機(jī)的輸出功率mP。壓力單位為bar，流量單位為m3/h，功率單位為kW。本文分別以圖3中1號(hào)壓載水泵軸瓦磨損、1號(hào)濾器堵塞故障、閥V12卡阻、管段交叉點(diǎn)d2泄露為例，通過(guò)分別設(shè)置各個(gè)故障狀態(tài)來(lái)采集各個(gè)監(jiān)測(cè)點(diǎn)的數(shù)據(jù)，作為系統(tǒng)故障診斷的特征數(shù)據(jù)。

圖3 數(shù)據(jù)監(jiān)測(cè)點(diǎn)布置圖

支持向量機(jī)可以有效解決小樣本學(xué)習(xí)問(wèn)題，參照文獻(xiàn)[16]中的樣本選取數(shù)量，本文共選取300個(gè)樣本，每種類(lèi)型的樣本個(gè)數(shù)為60。表6和表7中為部分原始數(shù)據(jù)樣本，編號(hào)1-5為5種狀態(tài)類(lèi)型。

表6 壓載水系統(tǒng)故障診斷部分原始數(shù)據(jù)樣本1

表7 壓載水系統(tǒng)故障診斷部分原始數(shù)據(jù)樣本2

為了增強(qiáng)算法的魯棒性，給300組數(shù)據(jù)樣本加入隨機(jī)噪聲，加噪聲的公式為：

D(i,j)=D(i,j)+meanD(I)×0.02×(2×rand-1)

(9)

式中：i=1,2，…，300；j=1,2，…，13；meanD(I)為每一個(gè)故障特征參數(shù)300個(gè)數(shù)據(jù)樣本的平均值；2×rand-1表示取-1～1之間的隨機(jī)數(shù)。這樣可以得到加入噪聲之后的新的數(shù)據(jù)集。

5.2 建立故障診斷模型及診斷結(jié)果分析

將加入噪聲后的數(shù)據(jù)集進(jìn)行歸一化處理，本文數(shù)據(jù)歸一化采用的處理公式為：

(10)

式中：xi代表所需處理的數(shù)據(jù)；xmin表示同一故障特征參數(shù)中的最小值；xmax表示同一故障特征參數(shù)中的最大值；x表示歸一化后的數(shù)據(jù)。將每種狀態(tài)下的數(shù)據(jù)樣本分為訓(xùn)練集和測(cè)試集。為了測(cè)試本文算法的有效性，將樣本數(shù)據(jù)分為訓(xùn)練集和測(cè)試集[17]，每種類(lèi)型樣本隨機(jī)選取40個(gè)作為訓(xùn)練集樣本，20個(gè)作為測(cè)試集樣本。

1) 傳統(tǒng)支持向量機(jī)模型的故障診斷。傳統(tǒng)的支持向量機(jī)是采用交叉驗(yàn)證方法尋找參數(shù)的CV-SVM模型，將歸一化處理后的數(shù)據(jù)輸入到CV-SVM進(jìn)行故障診斷。表8為CV-SVM模型的參數(shù)取值及不同工況的故障診斷正確率。圖4為傳統(tǒng)的CV-SVM模型的故障診斷結(jié)果。

表8 CV-SVM故障診斷正確率 %

圖4 CV-SVM的故障診斷結(jié)果

2) IABC-SVM故障診斷。模型的輸入為經(jīng)過(guò)歸一化處理后的數(shù)據(jù)，將各故障類(lèi)型所對(duì)應(yīng)的編碼標(biāo)簽作為輸出，經(jīng)過(guò)多次對(duì)比實(shí)驗(yàn)，將算法的蜂群規(guī)模設(shè)置為20，蜜源個(gè)數(shù)設(shè)置為蜂群規(guī)模的一半為10，蜜源最大循環(huán)次數(shù)設(shè)定值limit設(shè)置為100，最大迭代次數(shù)設(shè)置為100，參數(shù)C和σ的搜索區(qū)間為[0.01,100]。分別利用ABC和IABC算法對(duì)SVN的參數(shù)進(jìn)行尋優(yōu)，得到最優(yōu)的參數(shù)后構(gòu)建故障診斷模型。圖5和圖6為兩種模型對(duì)壓載水系統(tǒng)進(jìn)行故障診斷的結(jié)果。表9為兩種算法得到的SVM的參數(shù)及兩種模型的故障診斷正確率。在實(shí)驗(yàn)條件相同的情況下，為了排除其他因素對(duì)實(shí)驗(yàn)結(jié)果造成影響及結(jié)果的偶然性，進(jìn)行10次重復(fù)實(shí)驗(yàn)，取10次實(shí)驗(yàn)的平均診斷正確率。

圖5 ABC-SVM的故障診斷結(jié)果

圖6 IABC-SVM的故障診斷結(jié)果

表9 兩種模型的故障診斷正確率

可以看出，IABC-SVM用于壓載水系統(tǒng)的故障診斷與傳統(tǒng)的CV-SVM和ABC-SVM相比，可以獲得較高的分類(lèi)正確率，而且根據(jù)圖7和圖8的參數(shù)尋優(yōu)過(guò)程可以看出，改進(jìn)后的IABC算法相比于傳統(tǒng)的ABC算法在參數(shù)尋優(yōu)時(shí)，因?yàn)槿炙阉饕蜃拥囊?，收斂速度加快，并且能夠跳出局部最?yōu)解。

圖7 ABC-SVM參數(shù)尋優(yōu)過(guò)程

圖8 IABC-SVM參數(shù)尋優(yōu)過(guò)程

6 結(jié) 語(yǔ)

針對(duì)支持向量機(jī)的參數(shù)選取不當(dāng)會(huì)使其分類(lèi)正確率降低的問(wèn)題，本文利用改進(jìn)后的人工蜂群算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，克服了其參數(shù)選擇的盲目性，在傳統(tǒng)的人工蜂群算法的搜索公式中引入了全局搜索因子，使搜索具有方向性。通過(guò)UCI數(shù)據(jù)集中的數(shù)據(jù)對(duì)IABC-SVM模型的性能進(jìn)行了驗(yàn)證，并將該方法應(yīng)用于壓載水系統(tǒng)的故障診斷中，實(shí)驗(yàn)結(jié)果表明，IABC-SVM模型的故障診斷正確率要高于傳統(tǒng)的CV-SVM和ABC-SVM模型，IABC算法在參數(shù)尋優(yōu)過(guò)程中，收斂速度加快，并且能夠跳出局部最優(yōu)解，證明了其有效性。在本文的研究過(guò)程中發(fā)現(xiàn)，尋找到更加有效的方法來(lái)確定人工蜂群算法中的各個(gè)參數(shù)，將會(huì)在算法效率和實(shí)用價(jià)值方面取得進(jìn)一步的提高。