申请/专利权人：中国北方车辆研究所

申请日：2020-09-09

公开（公告）日：2024-04-23

公开（公告）号：CN112085100B

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/213;G06N3/006;G06N20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2021.01.01#实质审查的生效;2020.12.15#公开

摘要：本发明涉及一种适用于AT产品的基于RVM的故障诊断方法，属于车辆的AT变速箱故障诊断领域。本发明引入蚁群优化算法，提出了一种非线性混合核函数构造方法，最终构建基于蚁群优化RVM的产品故障诊断模型，为AT产品提供一种更加有效的故障诊断方法，提高AT的故障诊断能力。本发明提出将不同核函数进行组合重构的方法，得到的新的核函数所映射形成的特征空间，融合了原来单一核函数的各自特征空间的性能特征，使得相关向量机的训练数据能够在新的特征空间中更好地表达，从而有效弥补了单一核函数的缺陷，提高了诊断精度。

主权项：1.一种适用于AT产品的基于RVM的故障诊断方法，其特征在于，该方法包括如下步骤：一、设数据样本集合为xn,tnn＝1,2,…N，其中xn∈Rd，d为监测点数据的维数，t∈{0,1}是分类标签，“0”表示AT产品的正常状态，“1”表示AT产品的故障状态，对AT产品数据进行处理；将系统数据进行处理，系统正常的数据对应的类别值记为“-1”，将系统故障状态的数据对应的类别值记为“1”，并对“-1”值和“1”值进行logisticsigmoid函数处理；二、建立蚁群系统，令初始循环次数NC＝1,设定蚁群算法的最大迭代次数NCmax＝200，运行蚁群系统，利用蚁群算法优化选择RVM混合核函数权值，构造与混合核函数相对应的RVM分类器，将每组混合核函数的权值带入RVM分类器中进行分类训练；RVM混合核函数的形式如下：其中，K1x,xi为高斯核函数，K2x,xi为多项式核函数，这里c1,c2分别为核函数的权值，c1+c2＝1；构建蚁群系统的方法如下：蚁群系统共设计5层城市，第一层为起始城市，权值的小数点后的十分位、百分位、千分位和万分位分别用接下来的四层城市从左到右依次代表；第一层城市没有子城市，其余的四层城市均包括10个城市，并且用数字0到9从上到下依次代表这10个城市；该蚁群系统规定蚂蚁只能从左向右依次移动，而且每只蚂蚁不能在同一层的城市之间移动；利用蚁群算法优化选择RVM混合核函数权值过程如下：1初始化蚁群优化算法参数：令初始循环次数NC＝1,设置初始信息素t0、信息素蒸发系数ρ以及信息素重要程度β、城市i和j之间的初始信息素2每只蚂蚁进行路径的寻优选择；3利用信息素的局部更新公式5、信息素的全局更新公式6对步骤2中获得的蚂蚁路径上的信息素进行更新，得到最小的适应度函数值，即最小Fitness值；信息素的局部更新公式如下： 式中：k表示蚂蚁当前城市所在的层数，ρ为信息蒸发系数，是0,1间的常数，t0是初始信息素量，表示城市k和k-1之间的信息素量；信息素的全局更新公式如下： 式中：β表示信息素的重要度，为0,1间的常数，fmin表示适应度函数的最小值，表示城市i和j之间的信息素量；4判断是否满足结束条件，即是否达到最大循环次数，若满足，循环结束，最小Fitness值对应的蚂蚁所在路径的混合核函数权值c1、c2即为最优权值，否则，令NC＝NC+1，并跳转到第3步继续迭代；每只蚂蚁进行路径的选择的规则如下：设置了一个动态参数q0作为参考值，q0∈0,1，每次蚂蚁选择路径时，随机产生一个参数值q，将q与q0进行比较，规定：①当q＞q0时，蚂蚁随机进行路径的选择；②当q＜q0时，通过比较各个路径上信息素浓度的大小，选取最优路径；其中q0调整规则如下： 式中pmin为q0可取到的最小值，N表示测试样本总数；城市选择概率公式如下所示： 其中蚂蚁当前所在的城市用a代表，蚂蚁下个要到达的城市用b代表，a、b两个城市之间的信息素量用代表，代表当前城市与下一层的某个城市之间的信息素量；混合核函数相对应的RVM分类器函数定义为： 其中c1+c2＝1，c1＞0，c2＞0，是高斯核函数，K2x,xi＝xTxi+1d是多项式核函数，σ是高斯核函数的方差，d是多项式核函数的指数，ωi为模型权值，ω0＝ωii＝1；RVM分类器进行分类训练的方法如下：1初始化超参数α，A＝diagα0,α1,…αN，计算混合核函数矩阵：Φ＝[Kxi,xj]N×N+1；2计算后验协方差矩阵和均值Σ＝ΦTBΦ+A-1,μ＝ΣΦTBt；Φ是由多个核函数组成的一个N×N+1维结构矩阵Φ＝[φx1,φx2,…,φxN]T，φxn＝[1,Kxn,x1,Kxn,xn,…,Kxn,xN]T，t＝t1,…,tNT；3利用公式更新超参数α；α为N+1维超参数；N为测试样本总数；4重复步骤2和3，直到达到合适的收敛条件，得到w＝μ，训练完毕；三、利用验证数据对训练好的RVM分类器分别进行验证，得到每个RVM分类器的适应度函数Fitness，选取其中适应度函数最小的RVM分类器，记录该RVM分类器对应蚂蚁的行走路径，即为此次迭代的最短路径；四、根据最短路径信息更新路径上的信息素，重复步骤二至步骤三，直至到达最大迭代次数停止，将最终适应度函数值最小的RVM分类器用于AT的故障诊断。

全文数据：

权利要求：

百度查询： 中国北方车辆研究所 一种适用于AT产品的基于RVM的故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD