一种粒子群算法优化支持向量机的汽车故障诊断方法研究*

狄振华 黄珊珊 罗 明

（陕西交通职业技术学院 陕西 西安 710018）

引言

故障诊断是全面了解机械实际运行状态，保障其整体或局部处于正常运行的关键。早期发现并分析引起故障的原因，对其实施恰当的处理是机械故障诊断常用的方法。故障诊断及推理主要作用就是分析异常行为状态，并对这些异常行为间的因果关系展开分析，找到发生故障的关键因素。有学者指出，柔性系统故障可以通过蚁群算法、网络等展开诊断，全面检测柔性制造系统操作过程，但并未给出诊断详细的推理步骤[1]。也有学者提出采用神经网络汽车故障检测，并运用优先级代表优先诊断处理或严重程度较高的故障，对各故障起因进行赋值（权值），但赋予的权值必须依靠专家系统经验，自身依赖性较强[2-3]。传统支持向量机用于汽车故障检测中，其多分类组合对分类是否正确及诊断时间产生较大的影响。基于此，本文提出依托粒子群算法优化支持向量机故障诊断，这种方法能有效减少误差累计和故障诊断时间，有效提升故障诊断精度。

1 汽车故障诊断概述

汽车故障就是车辆零部件丢失或全部失去汽车原先设计的功能。汽车故障如果根据其是否影响其性能来说，主要分为功能性与参数性故障两种，前者就是汽车无法顺利实现原有的功能，例如：发动机无法正常启动；行驶过程中车辆跑偏等；后者则是汽车设定的性能参数无法达到规定指标，因为这些因素的影响造成严重的后果[4-5]。这种参数故障可以细分为轻微、一般、严重及致命故障4个等级。必须注意，导致汽车发生故障的因素错综复杂，每一个故障均可能由多个因素引起的。传统汽车故障诊断均是基于手工检测，这种方法需要人工进行推理、判断等。由于这种检测方式已经无法满足现代复杂的汽车故障检测需求[6]，因此，急需寻找一种智能方式对汽车故障实施检测和诊断，本次研究依托模糊依赖度最大化的故障诊断算法，其实质就是在故障通过参数变化描述出来时，可以借助已有的参数估计算法进一步监测故障信息，并通过参数估计值和正常值展开对比，通过偏差进行更准确地判断。这种检测方式要求找到模型与物理参数间一一对应的关系，从而获得更好地故障检测结果。

2 粒子群算法及改进支持向量机故障诊断

2.1 支持向量机算法

支持向量机评价模型是20世纪末期的西方学者所提出的一种针对线性不可分问题的机器方法，此种方法的数学计算原理相比来讲更加严格，主要的数学原理是基于VC理论以及所造成风险最小化的计算原理，从而达到某种所需的计算精准成效[6]。此外，这种方法的计算能力也相对较好，具备较好的推广能力。支持向量机评价方法使用基于函数的运算，将低维空间中所不可以分的变量进行转换，换至高维度空间之上。之后完成一定的计算分类。在二维空间之类中线性可分阶段，不仅是完成无误的样本分类，也可以达到对于种类的划分间隔最大直线化，从而满足两点评价需求，即：经验以及置信风险最小，最大程度地确定分类准确化[7]。那么，这种在支持向量机评价方法被称之为最优分类线。但在较高维度空间中，如果想要完成准确化的分类，就需要找出其中的最优分类面，而这种分类面的平面或者平行线之上，都存在一定的样点，此种样点就是支持向量（如图1所示）。

图1 最大距离支持向量

支持向量机是作为研究有限样本条件下统计及机械学习的通用方法，它基于统计学习和结构风险最小化理论，依托保持经验风险值固定且最小化的置信范围，以此确保结构风险最小化[8-9]。与传统的经验风险最小化原理相比，这种将支持向量机用在回归分析中，具体实现过程为：对给出的样本集合{xi，yi}ki=1，该集合中 xi、yi分别表示输入值和相对应的预测值。其回归函数表示为f（x）=w·Φ（x）+b，其中，b代表偏差，w是权重矢量。依托最小化风险函数训练参数w、b，

式中：ε、ε（·）分别表示 ε-intensive 损失参数和损失函数，C表示惩罚参数，主要作用是平衡经验风险及正则化部分。

寻找最优的回归超平面凸二次规划问题转变为：

在式（2）中，ξ、ξ*均代表非负松弛变量。

2.2 粒子群算法

粒子群算法（PSO）是在模拟鸟群进行觅食行为试验中逐渐发展起来的，它是一种群体协作方式的智能算法，它的优势在于简单实用，容易理解，由于这些特点，该算法被广泛的应用[10]。这种算法主要是由Eberhart等提出，之后又对群体智能算法进行完善[11]。粒子算法的计算过程比较简单，参数设置比较少，且收敛速度非常快，所以，该算法的应用价值比较高。但标准的PSO算法在实际进化中，逐渐降低种群的多样性，造成该算法出现收敛早熟的情况。有学者对粒子群算法的速度重新进行初始化，从而保持该算法的种群多样性[12]。

本次研究把分层聚类算法和二叉树进行结合，在每个节点上利用分层聚类减少误差积累情况，运用粒子群算法找出最优的类别并实施编码，将同一类的故障样本划分至同一个聚类中心。必须注意，因分层聚类与一般的组合优化问题有所差异，在使用遗传粒子群算法进行求解时，要依据聚类具体特点，适当改进遗传粒子算法模型[13]。为将属于同类的样本划分至同一个聚类中，通过二进制“0、1”对各种聚类进行辨别。对待分类样本中n这个聚类问题，设定检索空间维数为：D=n，m表示粒子数量。定义如下：第i个粒子位置（xi）主要由长度（n）的二进制编码组成，每一个粒子位置 xi=（xi1，xi2，…，xin）（xij∈{0，1}），（i=1，2，…，m；j=1，2，…，n）对应响应问题的解，对于第 i个粒子 xij=0（j=1，2，…，n）、xij=1 分别代表这个粒子将j类样本分为负类、正类。

具体生成决策树环节，必须将类间距最早的类进行分隔，就是在决策树上层节点位置实施分隔，运用SVM分类间隔当做两个类之间可分离测度，并设置GAPSO适应度函数，促使每一个决策节点类之间可以进行分离度最大。依据SVM相关研究理论，GAPSO适应度函数为：

2.3 遗传操作

交叉旨在将适应度排于后面的m/2粒子进行配对，采用随机的方式在第m位（1＜m＜n）实施两两交叉处理，若进行交叉后获取的子代适应度比较高，可以将原来的父代替换掉[14-15]。变异则是算法在后期跳出局部数值，变异率会由于迭代次数增多而增加，Pm初始数值为0.1，直到增加为0.5为止[16]。

式中：Pm、P1分别代表当前及初始的变异概率，其中，初始变异概率取值0.1；P2代表最大的变异概率（0.5）；t、tmax依次表示当前和最大迭代次数。粒子速度更新处理公式为：

2.4 SVM决策树生成步骤

e：根节点依据所有样本通过遗传粒子群算法划分为两类。

f：对于子节点中含样本类别数展开判断，全部样本类别数不得大于2，则转入步骤h，否则，进入步骤g。

g：对于各个节点内类别数比2大的节点，通过遗传粒子群算法展开聚类分析，转入步骤h。

h：整个循环结束，生成最优的二叉树朴树结果，依据其结构训练形成多分类SVM。

3 应用实例分析

本次研究所开展的实验均在配置PC P4 T 23 102.86 GHz，2 GB RAM，Inte182 865 G，显卡的计算机上完成操作，并通过人造数据实施仿真研究，进一步检验本文所应用算法的实用性和有效性。本文选择比较典型的桑塔纳轿车为研究对象，借助本文提出的算法对其故障展开仿真分析，依据算法对轿车进行分类精度编号效果如图2所示。

图2 最优决策树编号情况

本方法的汽车故障特征识别效果如图3所示。分析该图发现，随着汽车故障特征不断增多，故障识别精度也呈现不断递增的趋势，这表明本次提到的粒子群分层聚类优化支持向量机方法能够选定较少的故障特点，获得更高的分类精度，这种算法对于汽车故障特征具有较高的识别能力。

图3 汽车故障特征识别

有待进行训练的二分类支持向量机数量为45个，进行测试时必须遍历全部的子分类器，本文所用算法只要训练9个二分类支持向量机即可，测试环境遍历个数不超过5个，训练及分类复杂度对比情况如表1、表2所示。

通过上述数据可知，本文所用方法与传统支持向量机对比，分类正确率并不存在显著差异。诊断过程中，需要遍历的SVM数量却明显减少，所用测试时间也有所减少，大大提升测试效率。

表1 训练及分类复杂程度对比

表2 具体诊断结果

4 结论

随着现代汽车工业技术和电子信息技术的发展，导致汽车故障检测及诊断更加复杂。支持向量机在汽车故障诊断中的运用，其多分类组合决策对于分类是否正确及诊断所需时间产生较大影响。为进一步提升汽车故障诊断效率和精确度，本文提出粒子群算法优化支持向量机故障诊断，根据分解支持向量机展开汽车故障诊断，通过粒子群算法，促使每一个节点支持向量机具备最大的分类间隔，从而缩短测试时间，减少误差积累，达到优化多级二叉树结构SVM的目的。仿真结果证实，本文所提出的算法在各检测模型中精度较高，能有效实现汽车故障检测和定位，也能在一定程度上缩短诊断故障所用时间，应用价值更高。

1 余梓唐.基于粒子群算法优化支持向量机汽车故障诊断研究[J].计算机应用研究，2012，29（2）：572-574

2 毕晓君，柳长源，卢迪，等.基于PSO-RVM算法的发动机故障诊断[J].哈尔滨工程大学学报，2014（2）：245-249

3 宋云鹏，程广涛，徐军，等.模拟退火粒子群算法在汽车故障诊断中的应用[J].仪器仪表用户，2012，19（2）：88-90

4 冯辉宗，彭丹，袁荣棣，等.基于PSO-SVM的发动机故障诊断研究[J].计算机测量与控制，2014，22（2）：355-357，360

5 李怀俊，谢小鹏，李军，等.基于自适应变异PSO的ARMA模型参数寻优及预测应用[J].计算机应用研究，2015，32（4）：1004-1006，1015

6 李良敏，任景岩.基于粒子群算法优化的独立分量分析算法[J].振动与冲击，2015（8）：7-11，25.

7 咸卫明.电子系统数据驱动诊断与预测算法的研究与实现[D].成都：电子科技大学，2014

8 吴志山.计及分布式电源和电动汽车的配电网供电可靠性评估[D].广州：广东工业大学，2016

9 曹龙汉，秦恺，张迁，等.基于IDE-LSSVM的柴油机气门故障诊断算法研究[J].自动化与仪器仪表，2014（5）：20-24

10连秦剑.基于DSP的电动汽车无刷直流电机驱动系统设计与仿真研究[D].西安：西安建筑科技大学，2014，50（19）：27-31

11李怀俊，谢小鹏，肖心远，等.基于粒子熵的参数自适应变异PSO算法研究[J].计算机工程与应用，2014，50（19）：27-31

12熊先锋.汽车故障诊断仿真实训系统的设计与实现[J].中国机械，2014（9）：220

13吴强.基于振动信号分析的汽车故障诊断研究[D].合肥：合肥工业大学，2014

14蔡志荣，陈平生.基于SWN和InduceRank的汽车故障诊断研究[J].兰州工业学院学报，2014（5）：12-16

15赵牧原，冯金芝.基于集成化的汽车故障诊断技术研究[J].制造业自动化，2014（3）：24-28

16成英，高鲜萍，刘洪飞，等.基于信息熵的汽车故障诊断复杂性评价[J].数学的实践与认识，2017，47（5）：106-113