ABC算法優(yōu)化SVR的磨損故障預測模型

劉建新，楊慶玲

ABC算法優(yōu)化SVR的磨損故障預測模型

劉建新1，楊慶玲2

（1.煙臺工程職業(yè)技術學院，山東 煙臺 264001；2.煙臺職業(yè)學院，山東 煙臺 264001）

為了提高故障預測的精度，針對支持向量回歸SVR(Support vector machine for regression，SVR)參數(shù)選擇困難的問題，提出一種采用人工蜂群 (artificial bee colony，ABC)算法優(yōu)化支持向量回歸（SVR）的故障預測模型(ABC-SVR)。該模型先對樣本數(shù)據(jù)進行重構，然后將故障預測誤差（適應度）作為優(yōu)化目標，通過ABC算法尋優(yōu)找到最優(yōu)的SVR參數(shù)，建立故障預測模型。最后通過實例仿真驗證模型的優(yōu)越性。采用ABC算法優(yōu)化的SVR故障預測模型進行時間序列預測，能夠較好地跟蹤發(fā)動機滑油金屬元素濃度的變化過程，并且能夠提前2個取樣時間預測異常情況的出現(xiàn)。ABC-SVR模型有效解決了SVR參數(shù)選擇難題，能夠更加準確地表現(xiàn)故障變化規(guī)律，提高了故障預測精度。

磨損故障；人工蜂群優(yōu)化算法；支持向量回歸；預測模型

支持向量回歸(Support vector machine for regression，SVR)是在統(tǒng)計學習理論的基礎上發(fā)展起來的一種新的通用學習方法，通過建立線性函數(shù)來實現(xiàn)線性回歸，用核函數(shù)代替線性方程中的線性項來實現(xiàn)非線性回歸，適用于對有限樣本數(shù)據(jù)的回歸分析，已被廣泛用于數(shù)據(jù)分類、預測等各個領域。在使用SVR進行預測的過程中，它的不敏感損失函數(shù)參數(shù)、懲罰系數(shù)、核函數(shù)及其參數(shù)等模型參數(shù)的選擇對預測結果具有很大的影響[1]。目前常用遺傳算法、粒子群優(yōu)化算法等對SVR預測模型的參數(shù)進行優(yōu)化，但這些優(yōu)化算法在尋優(yōu)過程中常常不同程度的陷入局部最優(yōu)，難以達到理想的預測效果[2-3]。人工蜂群算法（Artificial Bee Colony，ABC）是由Karaboga于2005年提出的一種新的基于群智能的全局優(yōu)化算法。其直觀背景來源于蜂群的采蜜行為，蜜蜂根據(jù)各自的分工進行不同的活動，并實現(xiàn)蜂群信息的共享和交流，解決了擴展新解域與在已知解域進行精細搜索之間的矛盾，在很大程度上避免了陷入局部最優(yōu)解問題，從而找到問題的最優(yōu)解[4-5]。因此，文中提出一種基于支持向量機回歸和人工蜂群優(yōu)化算法的故障預測方法，以提高故障預測的準確性。

1 人工蜂群（ABC）算法描述

人工蜂群(ABC)算法的原理就是模擬實際蜜蜂的采蜜機制。它將人工蜂群分為觀察蜂、采蜜蜂和偵察蜂3類，整個蜂群的目標是尋找花蜜量最大的蜜源。采蜜蜂利用先前的蜜源信息尋找新的蜜源并與觀察蜂分享蜜源信息；觀察蜂在蜂房中等待并依據(jù)采蜜蜂分享的信息尋找新的蜜源；偵查蜂的任務是尋找一個新的有價值的蜜源，它們在蜂房附近隨機地尋找蜜源。在ABC算法中，食物源（蜜源）的位置用解空間中的點來替代，蜜蜂采蜜（尋找食物源）的過程也就是搜尋最優(yōu)解的過程。每個蜜源的位置代表問題的一個可行解，蜜源的花蜜量對應于相應的解的適應度，尋找并采集蜜源的速度對應問題求解的速度[6-8]。

假設ABC算法包含個初始解，其中為食物源數(shù)目。每個解x=(x1，x2，…，x)為一個維的向量（=1，2，…，，以及為優(yōu)化參數(shù)的個數(shù)）。然后，觀察蜂、采蜜蜂和偵察蜂開始進行循環(huán)搜索，循環(huán)次數(shù)為MCN。先由觀察蜂對相應的食物源（可行解）進行一次鄰域搜索，當觀察蜂尋找到的食物源（可行解）的花蜜數(shù)量（解的適應度）優(yōu)于之前的，這時就用新的食物源位置（可行解）替代原來的食物源位置，否則食物源位置保持不變。當所有的觀察蜂完成搜索之后，觀察蜂跳擺尾舞與采蜜蜂共享蜜源信息。采蜜蜂依據(jù)得到的蜜源信息在一定的概率條件下選擇食物源。花蜜量越大（適應度越優(yōu)）的食物源（可行解），被選擇的概率越大。當采蜜蜂選中食物源后，也要進行一次鄰域搜索，然后把它搜索的結果與觀察蜂進行比較，當采蜜蜂的搜索解優(yōu)于觀察蜂的解時，此時可行解進行更新，即替換原觀察蜂的解，完成角色互換；反之，保留有觀察蜂的解。ABC算法求解的過程，就是通過反復搜索可行解來最終找到最優(yōu)解的過程。

觀察蜂和采蜜蜂按照式（1）進行鄰域搜索來完成蜜源（食物源）位置的更新[9]：

采蜜蜂按照概率p對第個食物源進行選擇，當對函數(shù)最大值尋優(yōu)時，p依據(jù)式（2）進行確定：

此外，ABC算法中的控制參數(shù)limit，表示某個可行解被更新的次數(shù)[10]。在尋優(yōu)過程中，如果某個可行解連續(xù)經(jīng)過limit次循環(huán)之后仍然沒有被更新，此時這個解陷入了局部最優(yōu)，與這個解相對應的觀察蜂也轉變?yōu)閭刹旆洌@個食物源位置（可行解）就要被放棄。假設被放棄的解是x，則由偵查蜂通過式（4）隨機產生一個新的解來代替x。

2 ABC算法優(yōu)化的SVR故障預測模型

根據(jù)支持向量機(Support Vector Machine，SVM)的構造原理可知[11-13]，支持向量回歸模型（SVR）就是對目標函數(shù)求極值，可通過式（5）表示：

引入Lagrange函數(shù)：

s.t

s.t

與之對應，回歸函數(shù)也做相應變化，式（11）可表示為：

通過式（13）就可建立支持向量機的回歸模型（SVR）。

根據(jù)式(8)，可建立SVR回歸預測模型：

在ABC算法中，蜂群采蜜行為對應著預測問題，見表1。食物源（蜜源）的位置對應預測問題的一個可行解，即預測模型中需要優(yōu)化選擇的參數(shù)；食物源的花蜜量大小對應預測模型的預測誤差大小；搜尋食物源和采蜜的速度對應參數(shù)優(yōu)化問題的求解速度；當?shù)玫阶畲蠡哿繒r表示取得了最佳的預測效果，即此時預測誤差達到最小。

表1 蜂群采蜜行為與預測問題對應關系

ABC算法中，進行參數(shù)優(yōu)化的依據(jù)是適應度，其過程是根據(jù)適應度的大小來評判食物源位置（可行解）的優(yōu)劣[16-17]。進行參數(shù)優(yōu)化的目的是使預測模型的預測總誤差達到最小，因此，適應度通常通過預測總誤差來表示：

基于人工蜂群優(yōu)化算法和SVR的預測方法的使用過程可分為以下幾個步驟[18-19]。

第二步，觀察蜂依據(jù)式（1）進行領域搜索，當搜索到的食物源的適應度比前面的更優(yōu)時，則用對食物源位置進行更新，否則保持食物源位置不變。

第三步，求取所有食物源的適應度，并按照式（3）計算發(fā)生概率，采蜜蜂依據(jù)概率大小選擇食物源（可行解），并進行領域搜索，根據(jù)食物源的適應度對食物源的位置進行更新，并完成與觀察蜂的角色互換。

第四步，在經(jīng)過limit次循環(huán)之后，判斷是否存在局部最優(yōu)解。若存在局部最優(yōu)解，則偵察蜂根據(jù)式（4）對食物源位置進行更新。

3 實例分析

在進行發(fā)動機磨損故障預測時，通常采用監(jiān)測發(fā)動機滑油中金屬元素的含量的方式來實現(xiàn)。現(xiàn)對某型航空發(fā)動機滑油中金屬元素Mg的濃度進行分析，采用光譜分析方法來實現(xiàn)。依據(jù)采樣時間的先后順序，將獲得的Mg濃度數(shù)據(jù)進行排列，形成一個Mg濃度時間序列（94個數(shù)據(jù)點），如圖1所示。可以看出，在第94次取樣時，Mg的濃度值發(fā)生了大幅度升高，據(jù)此可以判斷該發(fā)動機內部發(fā)生了異常磨損。現(xiàn)在采用基于ABC算法優(yōu)化的SVR預測模型對該時間序列進行分析，前60個數(shù)據(jù)作為訓練樣本，后34個數(shù)據(jù)作為測試樣本，其預測結果如圖2所示。其中，圖2b預測殘差結果，預測殘差表示實測值減去預測值之后的數(shù)值。可以看出，在60到90之間取樣時，預測誤差相對較小，基于ABC算法優(yōu)化的SVR預測模型能夠很好地跟蹤正常狀態(tài)下系統(tǒng)的變化過程。在第92次取樣時，預測殘差陡然增大，這說明從第92次取樣之后發(fā)動機內部就進入了磨損異常狀態(tài)。因此采用ABC算法優(yōu)化的SVR故障預測模型進行時間序列預測，能夠較好地跟蹤發(fā)動機滑油金屬元素濃度的變化過程，并且能夠提前2個取樣時間預測異常情況的出現(xiàn)（故障的發(fā)生）。

圖1 Mg元素濃度的時間序列

圖2 測試數(shù)據(jù)的預測結果

4 結語

文中利用支持向量回歸和人工蜂群算法的優(yōu)點，提出了ABC-SVR的故障預測模型。結果表明，該方法利用人工蜂群算法能夠克服局部最優(yōu)解，解決了SVR參數(shù)選擇的難題，能夠提前較好的預測故障的發(fā)生，具有廣泛的應用前景。

[1] FERREIRA J P, CRISOSTOMO M M, COIMBRA A P. SVR Versus Neural-fuzzy Network Controllers for the Sagittal Balance of a Biped Robot[J]. IEEE Transactions on Neural Networks, 2009, 20(12): 1885-1897.

[2] MAO Y, ZHOU X, PI D, et al. Parameters Selection in Gene Selection Using Gaussian Kernel Support Vector Machines by Genetic Algorithm[J]. Journal of Zhejiang University SCI-ENCE, 2005, 68(10): 961-973.

[3] MING GAO, XIA HONG, SHENG CHEN. A Combined SMOTE and PSO Based RBF Classifier for Two-class Imbalanced Problems[J]. Neurocomputing, 2011, 74(17): 3456-3466.

[4] ZHU G, KWONG S. Gbest-guided Artificial Bee Colony Algorithm for Numerical Function Optimization[J]. Applied Mathematics and Computation, 2010, 217(7): 3166- 3173.

[5] OMAKAR S N, SENTHILNATH J, KHANDELWAL R, et al. Artificial Bee Colony(ABC) for Multi-objective Design Optimization of Composite Structure[J]. Applied Soft Computing, 2011, 11(1): 489-499.

[6] KARABOGA D, BASTURK B. On the Performance of Artificial Bee Colony(ABC)Algorithm[J]. Applied Soft Computing, 2008, 8(1): 687-697.

[7] KARABOGA D, AKAY B. A Comparative Study of Artificial Bee Colony Algorithm[J]. Applied Mathematics and Computation, 2009, 214(1): 108-132.

[8] PAN Q K, TASGETIREN M F, SUGANTHAN P N. A Discrete Artificial Bee Colony Algorithm for the Lot- streaming Flow Shop Scheduling Problem[J]. Information Sciences, 2011(181): 2455-2468.

[9] SINGH A. An Artificial Bee Colony Algorithm for the Leaf Constrained Minimum Spanning Tree Problem[J]. Applied Soft Computing, 2008, 9(2): 625-631.

[10] KARABOGA D, BASTURK B. A Powerful and Efficient Algorithm for Numerical Function Optimization: Artificial Bee Colony(ABC)Algorithm[J]. Journal of Global Optimization, 2007, 39(3): 459-471.

[11] KARABOGA D, BASTURK B. A Comparative Study of Artificial Bee Colony Algorithm[J]. Applied Mathematics and Computation, 2009, 214(1): 108-132.

[12] LORENZI L, MERCIER G, MELGANI F. Support Vector Regression with Kernel Combination for Missing Data Reconstruction[J]. IEEE Transactions on Geosciences and Remote Sensing Letters, 2012, 10(2): 367-371.

[13] CAMPS-VALLS G, BRUZZONE L, ROIO-ALAVREZ J L, et al. Robust Support Vector Regression for Biophysical Variable Estimation from Remotely Sensed Images[J]. IEEE Geosci Remote Sens Lett, 2009, 3(3): 339-343.

[14] ELATTAR E E, GOULERMAS J, WU Q H. Electric Load Forecasting Based on Locally Weighted Support Vector Regression[J]. IEEE Transactions on Systems, Man, and Cybernetics, 2010, 40(1): 438-447.

[15] 王坤, 員曉陽, 王力. 基于改進模糊支持向量回歸模型的機場能源需求預測[J]. 計算機應用, 2016, 36(5): 1458-1463.

[16] 朱志潔, 張宏偉, 王春明. 基于人工蜂群算法優(yōu)化支持向量機的采場底板破壞深度預測[J]. 重慶大學學報, 2015, 38(6): 37-43.

[17] 陳健飛, 蔣剛, 楊劍鋒. 改進ABC-SVM的參數(shù)優(yōu)化及應用[J]. 機械設計與制造, 2016(1): 24-28.

[18] 施俊, 高正夏, 徐嵚崳. 基于ABC-SVM的軟基沉降預測研究[J]. 河南科學, 2016, 34(5): 741-745.

[19] 高相銘, 楊世鳳, 潘三博. 基于EMD和ABC-SVM的光伏并網(wǎng)系統(tǒng)輸出功率預測研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(11): 86-92.

Wear Fault Prediction Model Based on SVR Optimized by ABC

LIU Jian-xin, YANG Qing-ling

(1.Yantai Engineering & Technology College, Yantai 264001, China; 2.Yantai Vocational College, Yantai 264001, China)

To improve the prediction accuracy of wear faults, a wear fault prediction model (ABC-SVR), which was based on support vector machine for regression (SVR) optimized by artificial bee colony(ABC) algorithm was proposed.The model reconstructed the time series of wear faults and took the wear fault prediction accuracy as the optimization objective to find out the optimal SVR parameters by ABC algorithm and build prediction model of wear faults. Finally, the simulative contrasting experiment was applied to test the performance of the model.Time series prediction with SVR forecasting model optimized by ABC algorithm could track the concentration change process of metallic element in engine lubricating oil and predict the presence of the abnormal situation ahead of 2 sampling time.ABC-SVR solves the problem of SVR parameter optimization, can describe the complicated change rules of wear faults accurately, and improves the accuracy of wear faults prediction.

wear faults; artificial bee colony optimization algorithm; support vector machine for regression; prediction model

10.7643/ issn.1672-9242.2017.11.020

TJ01

A

1672-9242(2017)11-0098-05

2017-07-04；

2017-08-09

劉建新（1967—），山東煙臺人，碩士，副教授，主要研究方向為機械設計與制造。