基于改进ABC算法优化SVM的汽车发动机故障诊断

学校教务系统

简介：李秋玲(1987 -)，女，山西临汾人，硕士研究生，研究方向为智能控制理论与应用。基于改进ABC算法优化SVM的汽车发动机故障诊断improvedartificialbeecolonyoptimizationbasedonsupportvector机械工程故障诊断李秋玲、贾敏智

李奇玲，JIA Min-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，发动机故障原因和故障现象往往呈不确定的对应关系。来定义您自己的自订外观本文提出一种基于废气成分分析支持向量机的汽车发动机故障诊断方法。 首先，提取词典型态下特征气含量以有序化处理为训练样本，采用改进的人工蜂群算法(ABC )优化SVM参数，建立SVM发动机故障分类器，实现发动机故障的准确诊断。 模拟结果表明，该方法能快速识别发动机故障，且故障诊断精度高。关键词：汽车发动机； 废气； 支持向量机； 故障诊断； 人工蜂群算法的改进

图中分类编号： TP181文献识别代码： a文章编号： 1009-0134(2014 ) 03 (上)-0057-04doi:10.3969/j.ISSN.1009-0134.2014.03 (上).17引言0目前使用比较广泛的车载自诊断系统(on board诊断、OBD )[1]在[1]中

主要针对汽车电气

诊断系统的相关故障。 这个系统只能检测电

控制系统的一部分故障，并且不一定能够指示正确的故障部分位，需用相关仪器仪表进行线路检查和分

分析并结合一定的专业知识才能确定故障部位。汽车发动机采用OBD 作为典型的非线性对象进行诊断有一定的不确定性。 于是，探索智慧高能效的发动机故障诊断系统成为当前的研究热点[ 2，3 ]。支持向量机(SVM )

理论通过结构风险最小化原理和统计学习提高分类能力是模式识别、实时预测、故障

在诊断等领域实现应用[ 3，4 ]。 对发动机来说，运动零部件繁杂，工作条件差，激励多，有各种各样的响应干涉性很强。 传统气缸盖振动和噪声提取的特点矢量故障诊断方法，过程复杂，故障诊断困难精度容易受损，总是得不到满意的结果。 蒸汽汽车排放的废气中含有发动机内部燃烧过程的信息不仅反映了节能、环境问题，还反映了以下内容发动机当前的运行状态。 因此，汽车排气成分与发动机故障关系的研究[3]在此基础上，建议采用

改进的人工蜂群算法(ABC )优化SVM参数的汽车避免发动机故障诊断方法、参数对SVM的随机选择分类性能的影响通过建立ABC-SVM故障诊断模型型，检测汽车尾气中故障特征气体成分优化测试、训练SVM故障分类器，判断发动机故障类别。 仿真结果验证了该方法的有效性，并与其他优化算法的分类性能进行比较分析。

1 ABC-SVM的基本理论1.1支持向量机原理SVM[3]其原理简单地说，就是典型状态下的特性

征样{(xyInI，1，2i )=} ) Xi、yi分别对应于第I个样本

汽车排气量归一化值及发动机所属故障类别)、通过非线性映射函数(x )，将低维输入空间映射去高维的特征空间，寻找式(1)那样的绝策面进行开发动机故障的分类。 结构的最佳决策面实现发动机故障的准确分类，使级间间隔最宽如果较大，则需要引入条件(2)。

FXB ()==) )0) )1) ) ) ) ) ) ) ) ) )。(2) ) ) )。式中，是权重向量，b是阈值。

线性决策方面无法分类，必须考虑放宽承诺施加一定的惩罚，确保分类的正确性：21

一毫米2nII

C =

(3) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) )。限制如下。(4) ) )。0，1，2iI=n

式中，C 0被称为惩罚因子，折衷最少【58】第36卷第3期2014-03 (上)书和最大分类间隔i 是缓和变量，在ij v错误的情况下，1nII

=

是训练集误区的上界。

对于非线性划分，使用内核函数kxxxx(I，j ij )=() )，) )。为了实现最优化，如果采用Lagrange乘法算法，最优化问题就会旋转如下所示。() ) ) )，1 1

一毫米2n

职教二十条

y=

=(cI0 ) )6)

式中，0 i的点称为支持向量。构建SVM故障识别器的数学模型如下。() ) ) )，1，

n

ii i ji j

f x sign y k x x b ==(7)

1.2人工蜂群算法的基本原理及改进人工蜂群算法(ABC )。[5]如：这是模仿蜜蜂采蜜机的

建立了集体智能算法。 蜂群采蜜行为具体应对函数优化问题，食物源表示具体优化问题的可行解、解的维数与应优化的参数数相对应，食物的蜜量评价可行解的质量，用适应度(fit )表示。算法开始，生成SN个d维可执行解xini (=1，2 )，先导蜂数(Ne )和随访蜂数)均为SN。 初始化然后带领蜜蜂循环探索食物来源，记忆各餐进行物源适应度、评价，食物源位置的进一步完成新操作。 搜索结束后与关注蜂共享蜜源信息。蜜蜂根据此信息选择蜜源，在蜜源附近搜索优蜜源。 如果循环limit次后，解没有改善(食物来源没有改善)更新)，放弃其食物来源，相应地引导蜜蜂

侦察蜂。 假设被放弃的可能解为xi，则侦察蜂如下式产生新解：

min (0，1 ) max min ) jjjIxxrandxx=(8) )。(式中) j、2d )。跟随蜜蜂的概率Pi

选择食物来源，Pi取以下值。1SN

i i iI

pfitfit==(9) ) ) )。先导蜂和跟随蜂进行如下邻域搜索：

vGXIJijijijkj=() ) ) ) 10 ) ) ) 10 ) ) ) 10 ) ) ) ) ) 10 ) ) ) ) ) 10 ) ) 10 ) ) ) 10 ) ) 10 ) ) 10 ) ) 10 ) ) 10 ) 10 ) 10 ) 10 ) 10 ) 18 ) 19 ) 19 ) 19 ) 19 ) 19 ) 19 ) 19 )式中： j{ 1，2d }，ksn{ 1，2 }且k i，vij世世代代

钟表食物源的新位置，gij是- 1，1 )之间的随机数。

认为在进化初期有必要加强全球搜索以求优质蜜源可以扩大搜索范围，增大获得最佳解的机器提高率、算法优化精度，训练后期增强局部

检索能力可以在适应度差异不明显的情况下进行加法运算算法收敛，提高了优化效率。 因此，本论文提出迭代次数减少的权函数，可以动态调整蜜蜂在满足算法精度和效果的同时，适当提及组搜索范围收敛速度高，权衡两者，寻求全球范围内的优势解、权函数如下。(最大最小)最小最大

exp ijl

gg g g l=(11 ) )。

式中，gmax是最大惯性权重，gmin是最小惯性权重，l是当前迭代次数，lmax是最大迭代次数。1.3用改进的ABC算法优化SVM故障识别器从文献[4]可知，选择不同的核函数，结构是可能的不同的分类器。 考虑径向基函数(RBF )参数的退化单、计算复杂度小，本文核函数取径向基函数(RBF )。 RBF的定义如下。（）2

2、exp 2i ji jx

kxx=

(12 )。

式中，0称为宽度参数。

此时应该最优化的参数是惩罚因子c、宽度参考数。 在同一样品集中，上述两个参数的选择一致严重影响SVM分类的准确性和精度：惩罚子c太小，失误点罚小，训练误差大； c太大、分类泛化能力减弱的幅度参数和低维样本高维空间中的映射关系：太大，分类决策面越复杂杂，经验风险小，信任范围广，反之经验风险增加[4]。 为了获得优异性能的SVM故障识别器，需要进行选择利用最佳c和，由此建立的参数优化模型是t(c，)。本文进行SVM参数优化的目标是获得对汽车的发送动机故障的准确判断，并因此在ABC算法中的自适应按如下方式选择度函数(fit ) :111nII

fit

y y==

(13 ) )。

中国基础教育资源库

样品总数。 具体的参数优化过程如图1所示。2汽车发动机故障诊断仿真2.1特征向量的提取

从文献[6]中可以看出，汽车发动机在极端恶劣的条件下容易发生失火故障现象，分析发动机结构，失火第36卷第3期2014-03 (上) 59】原因可以分为：1)点火系统故障； 2 )燃料供应故障； 3 )进气系统故障。 汽车排放的废气中获得了发动机燃烧过程的大量信息，分析了汽车尾气中主要反映发动机状态的4种气体(CO2、NO、CO、O2 )含量通过式(14 )进行归一化处理，设为SVM屏障的输入特征向量样本。最大I

IIvx

v=() 14 ) )。式中，vi

为4种特征气体体积含量； xi正规化的双曲正切值。2.2诊断模型的构建

本文提出的汽车发动机诊断方法是

研究汽车尾气特征与相应故障状态的映射关系系统，基于ABC-SVM结构最优超平面的故障分类请参阅。 诊断系统中常用的多种SVM分类方法如下“一对一”、“一对多”、“二叉树”等[7]。 结合汽车发动机正常工作状态及3种故障状态(分别记载状态0，1，2，3 )，构建3个独立的二进制分类器ABC-SVMI(I=1、2、3 )如图2所示，分别采用ABC得到的全局最优解优化各两类SVM发动机故障通过利用分类器参数得到各自最佳的两种分类器提高整个系统的分类精度和分类速度。ABC-SVM1

ABC-SVM2ABC-SVM3状态0状态1

状态2状态3

图2 SVM分类器示意图2.3仿真实例与分析具体的ABC-SVM参数设定为：食物源SN

20、最大惯性权重gmax为1.3，最小惯性权重gmin为0.2，解的维数d为2，循环搜索次数limit为50，最迭代次数MCN为200，惩罚因子c搜索范围为[ 1，1000 ]，宽度参数的搜索范围为[ 0.1，5 ]。本次实验共选取105组样本数据，随机选取80组由于是训练组，其余25组为测试组，样本分布情况如下下表：表1样品分布情况状态0 1 2 3

训练样本数10 24 24 22测试样本数3 8 8 6

在MatlabR2012a环境下进行了模拟，为了这次的试验检查分别优化3个SVM分类器的参数，优化得到的参数数量的组合都不一样，将测试集分别输入以上三个优秀的测试集化的两种故障分类器可以得到表2所示的故障分类结果。表2分类器优化结果

分类器类型t(c，)的精度

ABC-SVM1(52，1.94 ) 97.75ABC-SVM2(102，0.95 ) 98.66ABC-SVM3(74，0.85 ) 93.87为了验证该方法的优越性，在优化了三种训练后用ABC-SVM得到的平均适应度随反复次数的变化曲线文献[8]遗传算法优化的GA-SVM模型，文献[9]比较粒子群优化的PSO-SVM模型的结果如图3所示请参阅：690$%

丨

690

/lplw11

图1人工蜂群优化的SVM

【60】第36卷第3期2014-03 (上)

从图3可以看出，GA-SVM分类器被重复了55次，位于左侧右，适应度值达到25的PSO-SVM分类器，迭代20次左右适应度值达到12.5的ABC-SVM，堆栈代40次左右，适应度达到33.75，然后根据式(13 )正确的分类样本数越多，分类正确率越高，适应度的值越大。 由此改善的ABC优化后的SVM分类器收敛速度快，分类精度高。本文提出的改进的ABC-SVM汽车发动机故障诊断测试集的实际分类和预测分类的最终诊断结果效果如图4所示。0 5 10 15 20 25 00.5

1

1.522.533.54

7HVW6dpsoh/Deoh骑

图4测试结果图

从图4中可以看出，本文建立的ABC-SVM故障诊断断模型，25个测试集，准确分类24个，只是在区里在状态2和状态3中，发生了一个错误，达到了识别精度变成了96%。 仿真结果改进了ABC算法的优化的SVM故障分类器，可以实现汽车发动机的故障的有效识别对于有限故障样本情况下的分类可靠性。3结论

SVM是基于统计理论的有限样本机器学习端法可以处理非线性、高维、局部极值等问题，分班级性能优异。 本文提出的改进的ABC算法对SVM中罚因子和幅度参数全局寻优，最优

发动机故障分类函数。 标准化汽车尾气特性输入矢量故障识别器，获得对发动机的正常工作状态状态和三种典型故障状态的正确识别。 实例说明了这一点与其他优化算法相比，算法具有更高的分类精度，是蒸汽汽车发动机故障诊断领域具有普及性。参考文献：

[1] Hu J，Yan F W，Tian J，et al. Developing PC-Basedautomobilediagnosticsystembasedonobdsystem [ c ]powerandenergyengineeringconfappeec，2010. AsiaPacific，2010:1-5。[2]苗君明.基于径向基函数神经网络的发动机智能故障诊断断[J] .制造业自动化，2013，35 (3) :54-56。[3]李增芳，金春华，何勇.基于废气成分分析和支持向量机

发动机故障诊断[J] .农业工程学报，2010，26 (4) :143-146 .[4]周胜明、曲建岭、峰.非线性支持向量回归航空发动机

[6]付费.基于GA优化BP神经网络的汽车发动机失火故障诊断研究[D] .沈阳：东北大学，2009。[7]左磊、侯立刚、张旺、旺金辉、吴武臣。 基于粒子群的支持向量机的模拟电路故障诊断[J] .系统工程与电子技术手术，2010，32 (7) :1553-1556。[8]杨阳、陶彩霞、张睿兴.遗传算法优化支持向量机的中断控制电路故障诊断[ J ] .计算机测量与控制制，2013，21 (1) :48-50。[9]朱文俊、周刚、王红斌、尹玉娟、张金江、郭创新.基于粒子群优化支持向量机的变压器故障诊断[J] .水电能源科学，2012，30 (4) :179-182。0 10 20 30 40 50 60 70 05

101520253035

PSO-SVMGA-SVMABC-SVM图3适应度图

基于改进ABC算法优化SVM的汽车发动机故障诊断作者：李秋玲、贾敏智、李秋玲、贾敏智作者单位：太原理工大学信息工程学院，太原，030024刊名：制造业自动化英文刊名：制造自动化

年，卷(期) 2014(5)5)

引用格式：基于改进李秋玲.贾敏智. liqiu-Ling.jiamin-zhiABC算法优化SVM的汽车发动机故障诊断[期刊论文]-制造业自动化2014(5年5月