基于改进ABC算法优化SVM的汽车发动机故障诊断

《基于改进ABC算法优化SVM的汽车发动机故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学兔兔www.xuetutu.com1訇地基于改进ABC算法优化SVM的汽车发动机故障诊断ImprovedarUflcialbeecolonyopUmizationbasedonsupportvectormachineforca~enginefaultdiagnosis李秋玲，贾敏智LlQiu．1ing．JIAMin—zhi(太原理工大学信息工程学院，太原030024)摘要：汽车发动机系统运行机理复杂，发动机故障成因与故障现象往往呈现出不确定的对应关系。为此，提出一种尾气成分分析基础上的支持向量机的汽车发动机故障诊断方法。首先，提取典型状态下的特征气体含量，规一化处理作为训练样本

2、，然后采用改进的人工蜂群算法(AeC)优化SVM参数，构造SVM发动机故障分类器，实现对发动机故障的准确诊断。仿真结果表明，此方法能够对发动机故障进行快速识别，且故障诊断精度较高。关键词：汽车发动机；尾气；支持向量机；故障诊断；改进的人工蜂群算法中图分类号：TP181文献标识码：A文章编号：1009-0134(2014)03(上)一0057-04Doi：10．3969／J．issn．1009-0134．2014．03(上)．170引言型，对汽车排放尾气中故障特征气体成分进行检目前，使用较为广泛的车载自诊断系统(On—测，优化训练SVM故障分类器，判断发动机故障BoardDiagn

3、ostic11，OBDⅡ)u主要针对汽车电类别。仿真结果验证了该方法的有效性并与其它控系统的相关故障进行诊断。该系统仅能检测电优化算法的分类性能进行比较分析。控系统的部分故障，且未必可指示出正确故障部位，还需借助相关仪器仪表进行线路检测与分1ABC-SVM基本理论析，并结合一定专业知识才能够确定故障部位。1．1支持向量机原理汽车发动机作为典型的非线性对象，采用OBD11SVM口其原理简单描述为：对典型状态下的特进行诊断存在一定的不确定性。鉴于此，探索智征样本{，Y)，i=1，2⋯}(x，Y分别对应第i个样本的能化、高效的发动机故障诊断系统成为当前研究汽车尾气含量归一化值及发动机所

4、属故障类别)，热点，。借助非线性映射函数)，将低维输入空间映射支持向量机(SupportVectorMachine，SVM)到较高维特征空间，寻找如式(1)的绝策面进行发理论通过结构风险最小化原理和统计学习来提高动机故障的分类。为使得构造的最佳决策面既能分类泛化能力，已在模式识别、实时预测、故障实现发动机故障正确分类，又使得类间间隔最诊断等领域实现应用。对于发动机而言，运动大，则需引入条件(2)：部件繁杂，工作条件较恶劣，激励多，各种响应厂)=(0(p)+b=0(1)干扰性强。传统的采集缸盖振动或噪声提取特征Yi【Ⅵ()+6)1(2)向量的故障诊断方法，过程较为复杂，故障诊断式中

5、，(1)为权重矢量，b为阂值。精度易受干扰，不能总是达到较满意的效果。汽线性决策面无法实现分类，就要考虑放松约车排放的尾气中蕴含大量发动机内部燃烧过程的束并加入一定惩罚，确保分类准确率：信息，不仅涉及节能环保问题，而且可以反映出．1，。发动机当前运行状态。为此，在对汽车尾气成分衄n(1)‘+cz￡(3)厶i=1和发动机故障间关系的研究的基础上，提出采用约束条件为：改进的人工蜂群算法(ABC)优化SVM参数的汽车(we(x~)+6)1一(4)发动机故障诊断方法，避免随机选择参数对SVM￡0，f_1，2⋯n分类性能的影响，通过建立ABC—SVM故障诊断模式中，C>0称为惩罚因子，折衷

6、最少错分样收稿日期：2013-10-08作者简介：李秋玲(1987一)，女，山西临汾人，硕士研究生，研究方向为智能控制理论及应用。第36卷第3期2014—03(上)[571学兔兔www.xuetutu.comI匐似本与最大分类间隔；￡为松弛变量，错分时，率，提高算法优化精度，而在训练后期增强局部搜索能力则可在适应度差异不明显的情况下，加∑E是训练集错分的上界。快算法收敛，提高优化效率。因此本文提出基于i=1迭代次数递减的权重函数，从而可以动态调整蜂非线性划分时，利用核函数，_)=)，中，群搜索范围，满足算法精度效果的同时，适当提为实现优化，采用Lagrange乘子算法，则优化问题

7、转高收敛速度，权衡二者，寻求全局范围内的较优化为下式：解，权重函数如下所示：rI、，11、min∑0cI；p)【p))+∑，(5)g=一一gexPl_-l—gilI．j=1i=1max／同时满足：式中：gmax为最大惯性权重，groin为最小惯性权重，l为当前迭代次数，lmax为最大迭代次数。∑OcY=0(c≥Oc0)(6)i=11．3改进的ABC算法优化SVM故障分类器式中，>0的点称为支持向量。由文献【4】可知选择不同的核函数，可构造构造SVM故障分类器的数学模型为：不同的分