基于生物地理学智能优化支持向量机算法的动平衡检测控制方法技术

本发明专利技术公开了一种基于生物地理学智能优化支持向量机算法的动平衡检测控制方法。本发明专利技术包括以下步骤：1）采集在线数据；2）输入离线数据；3）设定模型精度需求；4）数据预处理；5）判断是否存在动平衡系统模型；6）判断系统不平衡量是否超过阈值；7）带卡尔曼滤波的生物地理学智能优化支持向量机算法；8）动平衡系统模型；9）动平衡调整。本发明专利技术根据动平衡系统小样本和非线性的特点采用支持向量机算法进行系统建模，并且利用生物地理学智能优化算法对支持向量机算法的惩罚因子和核函数参数进行寻优，另外考虑到动平衡系统现场的噪声干扰，本发明专利技术还采用卡尔曼滤波增强了整体算法的鲁棒性和精确性，可实现对动平衡系统的高精度检测控制。

【技术实现步骤摘要】
基于生物地理学智能优化支持向量机算法的动平衡检测控制方法
本专利技术属于自动化控制和人工智能
,具体涉及基于生物地理学智能优化支持向量机算法的动平衡检测控制方法。技术背景在自动化控制中，由于旋转机械在长时间工作的情况下可能存在的机械磨损和安全性问题，动平衡技术突显出其重要意义，如果能够在旋转机械工作的情况下实时调整旋转机械的质量分布，就可以减小旋转不平衡量对转轴的影响，使旋转机械能够长时间的安全运行。目前，对动平衡技术的研究多采用比较传统的方法，比如试探法、影响因子法等，这些方法对旋转机械工作现场环境要求较高，当现场存在较大噪声干扰影响传感器测量精度时，传统方法的检测控制效果不佳。此外，传统方法在长时间运行之后会发生误差逐渐增大的情况，不利于旋转机械的实际工作。支持向量机(SupportVectorMachine，简称SVM)是由统计学习理论发展而来的，建立在结构风险最小原理基础上的具有良好泛化能力的一种机器学习方法，在解决小样本、非线性和高维模式识别的问题时具有很好的优越性。SVM的核函数通常选用高斯径向基(RadialBasisFunction，简称RBF)核函数，此时SVM的算法性能受到惩罚因子C和核函数参数σ的强烈影响，因此参数的确定一直是个研究的热点问题。生物地理学智能优化算法(Biogeography-BasedOptimization,简称BBO)是受生物地理学理论启发的基于群智能的优化算法，与遗传算法和粒子群算法相比，BBO具有设置参数少、计算简单和收敛速度快等优点，特别适用于实际工程应用中的优化问题。在动平衡系统这类实际工程应用中，现场噪声干扰对传感器检测以及后期算法运行造成较大的影响，因此有必要结合卡尔曼滤波、BBO和SVM的各自优势，对动平衡检测控制方法进行改进。目前，针对动平衡检测控制方法，中国专利申请号“200910023752.9”一一公开了“一种改进的高速主轴全息动平衡方法”；中国专利申请号“200910180576.X”一一公开了“动平衡试验工装及其动不平衡的配平方法”；中国专利申请号“201110425584.3”一一公开了“一种大型旋转载荷动平衡控制方法”；中国专利申请号“201310581038.8”一一公开了“一种电机转子动平衡的校验方法”；中国专利申请号“201310179099.1”一一公开了“刚性转子动平衡的获取方法”。在已公开的专利技术或文献中，未提到使用基于生物地理学智能优化支持向量机算法的动平衡检测控制方法的实例。
技术实现思路
针对现有技术存在的缺陷，本专利技术的目的是提供一种基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，提高动平衡检测控制系统的精确性。本专利技术实用性高，推广能力强。为达到上述目的,本专利技术采用了以下技术方案:基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，包括以下步骤：(1.1)，采集在线数据，即实时采集安装在动平衡系统上的传感器的数据；(1.2)，输入离线数据，即输入动平衡系统的历史测量数据；(1.3)，设定模型精度需求，即设定动平衡系统建模的模型精度需求；(1.4)，数据预处理，即对在线数据，离线数据和模型精度需求等数据进行错误数据和冗余数据的数据清除以及数据集成工作；(1.5)，判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤(1.6)，否则，转步骤(1.7)；(1.6)，判断系统不平衡量是否超过阈值，若是，转步骤(1.7)，否则，转步骤(1.8)；(1.7)，通过带卡尔曼滤波的生物地理学智能优化支持向量机算法对动平衡系统进行建模，得到动平衡系统模型；(1.8)，将步骤(1.4)预处理后的数据输入动平衡系统模型，计算得到动平衡控制信号；(1.9)，将步骤(1.8)得到的动平衡控制信号输入动平衡系统进行动平衡调整。所述步骤(1.7)所述的带卡尔曼滤波的生物地理学智能优化支持向量机算法是通过带卡尔曼滤波的生物地理学智能优化算法对支持向量机做参数寻优实现的，其步骤为：(2.1)，初始化生物地理学智能优化算法BBO的参数；(2.2)，初始化支持向量机基本参数；(2.3)，随机初始化每个栖息地的适应度向量；(2.4)，将输入数据集归一化，作为支持向量机的训练集；(2.5)，将BBO中每个栖息地的适应度向量即支持向量机的惩罚因子C和核函数参数σ代入支持向量机；(2.6)，计算支持向量机的训练集均方误差MSE作为每个栖息地的适应度指数HSI；(2.7)，经过卡尔曼滤波，计算每个栖息地的HSI估计值；(2.8)，将每个栖息地按照其HSI估计值进行排序；(2.9)，计算每个栖息地可容纳的物种数量S，迁入率λ和迁出率μ；(2.10)，根据λ和μ确定物种迁移；(2.11)，计算每个栖息地的变异率，进行物种变异操作；(2.12)，通过支持向量机重新计算栖息地的HSI值，保存全局最优解；(2.13)，判断是否满足终止条件，若是，继续以下步骤，否则，转步骤(2.5)；(2.14)，输出支持向量机模型的最优参数，建模完成。本专利技术与现有技术相比较，具有以下突出的实质性特点和显著的进步：(1)本专利技术使用支持向量机对动平衡系统进行建模，在动平衡系统小样本和非线性的情况下，充分利用支持向量机的优势进行精确建模，增强了动平衡系统的控制精度。(2)本专利技术使用生物地理学智能优化算法对支持向量机的惩罚因子和核函数参数进行寻优，具有设置参数少、计算简单和收敛速度快等优点，具有很强的适应性和鲁棒性。(3)本专利技术引入卡尔曼滤波对生物地理学智能优化算法进行优化，利用卡尔曼滤波减小动平衡系统工作现场噪声干扰对生物地理学智能优化算法中栖息地适应度指数计算带来的负面影响，避免陷入局部最优，提高了收敛精度。附图说明：图1是本专利技术基于生物地理学智能优化支持向量机算法的动平衡检测控制方法的主程序框图。图2是图1中的带卡尔曼滤波的生物地理学智能优化支持向量机算法的子程序框图。具体实施方式下面结合附图和优选实施例对本专利技术作进一步详细的描述。实施例一：如图1所示，本基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，包括如下步骤：(1.1)，采集在线数据，即实时采集安装在动平衡系统上的传感器的数据。采集的数据包括一个转速传感器和若干振动传感器的实时数据。(1.2)，输入离线数据，即输入动平衡系统的历史测量数据。针对实际采样情况选择离线数据的规模，若实际采样情况不佳，有效数据采集速度较慢，则可以输入较大规模的离线数据以加快建模速度。(1.3)，设定模型精度需求，即设定动平衡系统建模的模型精度需求。模型精度需求对建模速度和动平衡检测控制精度有较大影响。(1.4)，数据预处理，即对在线数据，离线数据和模型精度需求等数据进行错误数据和冗余数据的数据清除以及数据集成工作。在实际动平衡系统工作时，由于传感器的损坏、现场环境噪声的突变、人为的影响等等，会发现有些数据明显不符合实际情况，有些采样周期采样的点数会产生跳变等，因此需要进行错误数据和冗余数据的清除工作。另外对在线数据和离线数据两部分数据整合到一个一致的数据存储中。(1.5)，判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤(1.6)，否则，转步骤(1.7)。此本文档来自技高网...

【技术保护点】
基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，其特征在于，包括以下步骤：（1.1），采集在线数据，即实时采集安装在动平衡系统上的传感器的数据；（1.2），输入离线数据，即输入动平衡系统的历史测量数据；（1.3），设定模型精度需求，即设定动平衡系统建模的模型精度需求；（1.4），数据预处理，即对在线数据，离线数据和模型精度需求等数据进行错误数据和冗余数据的数据清除以及数据集成工作；（1.5），判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤（1.6），否则，转步骤（1.7）；（1.6），判断系统不平衡量是否超过阈值，若是，转步骤（1.7），否则，转步骤（1.8）；（1.7），通过带卡尔曼滤波的生物地理学智能优化支持向量机算法对动平衡系统进行建模，得到动平衡系统模型；（1.8），将步骤（1.4）预处理后的数据输入动平衡系统模型，计算得到动平衡控制信号；（1.9），将步骤（1.8）得到的动平衡控制信号输入动平衡系统进行动平衡调整。

【技术特征摘要】
1.基于生物地理学智能优化支持向量机算法的动平衡检测控制方法，其特征在于，包括以下步骤：（1.1），采集在线数据，即实时采集安装在动平衡系统上的传感器的数据；（1.2），输入离线数据，即输入动平衡系统的历史测量数据；（1.3），设定模型精度需求，即设定动平衡系统建模的模型精度需求；（1.4），数据预处理，即对在线数据，离线数据和模型精度需求数据进行错误数据和冗余数据的数据清除以及数据集成工作；（1.5），判断是否存在动平衡系统模型，即是否当前状态已经存在动平衡系统模型，若是，转步骤（1.6），否则，转步骤（1.7）；（1.6），判断系统不平衡量是否超过阈值，若是，转步骤（1.7），否则，转步骤（1.8）；（1.7），通过带卡尔曼滤波的生物地理学智能优化支持向量机算法对动平衡系统进行建模，得到动平衡系统模型，具体步骤为：（2.1），初始化生物地理学智能优化算法BBO的参数；（2.2），初始化支持向量机基本参数；（2.3），随机初始化每个栖息地的适应度向量；（2.4），将输入数据集归一化，作为支持向量机的训练集；（2.5），将BBO中每个栖息地的适应度向量即支持向量机的惩罚因子C和核函数参数σ代入支持向量机；（2.6），计算支持向量机的训练集均方误差MSE作为每个栖息地的适应度指数HSI；（2.7），经过卡尔曼滤波，计算每个栖息地的HSI估计值；（2.8），将每个栖息地按照其HSI估计值进行排序；（2.9），计算每个栖息地可容纳的物种数量S，迁入率λ和迁出率μ；（2.10），根据λ和μ确定物种迁移；（2.11），计算每...

【专利技术属性】
技术研发人员：王海宽，钱世俊，费敏锐，方骏，周志境，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31