基于SSA算法优化SVM的发动机润滑油信息状态评估_李英顺.pdf

2023 年 2 月第 48 卷 第 2 期润滑与密封LUBICATION ENGINEEINGFeb.2023Vol.48 No.2DOI:10.3969/j.issn.02540150.2023.02.019文献引用:李英顺，张国莹，张杨，等基于 SSA 算法优化 SVM 的发动机润滑油信息状态评估 J 润滑与密封，2023，48(2):129134Cite as:LI Yingshun，ZHANG Guoying，ZHANG Yang，et alCondition evaluation of engine oil information based on support vector machineoptimized by sparrow search algorithm J Lubrication Engineering，2023，48(2):129134*基金项目:辽宁省“兴辽英才计划”项目(XLYC1903015)收稿日期:20211121;修回日期:20211219作者简介:李英顺(1971)，女，博士，教授，研究方向为人工智能与故障诊断。Email:0020150035 。基于 SSA 算法优化 SVM 的发动机润滑油信息状态评估*李英顺1张国莹1张杨2贺喆3周通1左洋1(1.北京石油化工学院信息工程学院北京 102617;2.沈阳顺义科技有限公司辽宁沈阳 110000;3.陆军装备部驻沈阳地区军事代表局驻沈阳第三军事代表室辽宁沈阳 110000)摘要:润滑油信息能够有效反映装甲车辆发动机的健康状态，对车辆发动机状态评估十分重要。以某型装甲车辆发动机为研究对象，提出一种基于麻雀搜索算法(Sparrow Search Algorithm，SSA)优化支持向量机(Support VectorMachine，SVM)的发动机状态评估算法。该算法首先对润滑油原始数据进行去噪及归一化处理，然后使用麻雀搜索算法优化支持向量机的核参数与惩罚参数，最后利用寻优后的参数建立评估模型。实验结果表明，采用麻雀搜索算法优化的支持向量机分类准确率高达 96.67%，能够有效对发动机状态进行评估，为装甲车辆发动机的换油以及维修提供依据。关键词:状态评估;润滑油信息;麻雀搜索算法;支持向量机中图分类号:TE626.3Condition Evaluation of Engine Oil Information Based on SupportVector Machine Optimized by Sparrow Search AlgorithmLI Yingshun1ZHANG Guoying1ZHANG Yang2HE Zhe3ZHOU Tong1ZUO Yang1(1.School of Information Engineering，Beijing Institute of Petrochemical Technology，Beijing 102617，China;2.ShenyangShunyi Technology Company Limited，Shenyang Liaoning 110000，China;3.The Third Military epresentative Office ofShenyang egional Military epresentative Bureau of Army Equipment Department in Shenyang，Shenyang Liaoning 110000，China)Abstract:Lubricating oil information can effectively reflect the health status of armored vehicle engines，which is veryimportant for vehicle engine status evaluationTaking an armored vehicle engine as the research object，an engine conditionevaluation algorithm based on sparrow search algorithm(SSA)optimization support vector machine(SVM)was proposedIn this algorithm，the original data of lubricating oil were denoised and normalized firstly，then the sparrow search algorithmwas adopted to optimize the kernel parameters and penalty parameters of SVM，and finally the optimized parameters wereused to establish the evaluation modelThe experimental results show that the classification accuracy of SVM optimized bySSA is 96.67%，which can effectively evaluate the engine state，and provide a basis for oil change and maintenance of ar-mored vehicle engineKeywords:condition evaluation;lubricating oil information;sparrow search algorithm;support vector machine发动机是步履装甲车辆的核心部件1，其健康状态直接影响装甲车辆的正常运行。润滑油的理化信息和磨粒信息能够及时反映发动机健康状态，通过传感器测量润滑油的这两种信息，可为装甲车辆发动机的换油以及维修提供依据。FAN 等2 利用磨粒运动特征差异研究了颗粒速度与颗粒直径和油液黏度的关系，为发动机润滑油智能监测提供了新思路。吕克洪3 利用铁谱技术与图像识别技术，对动力系统进行故障诊断研究，实现了对动力系统的检测与诊断。但上述研究仅使用单一磨粒信息或单一的理化性能对设备进行状态评估，评估结果缺乏全面性和准确性。支持向量机(Support Vector Machine，SVM)可以较好解决样本数量有限情况下寻找最优解的问题，但其分类性能受自身参数影响较大。JOHN 等4 使用网格搜索优化 SVM 参数，提高了分类性能，但由于搜索步长较为宽泛而导致寻优时间较长。LUO 等5 使用量子粒子群(Quantum Particle Swarm Optimization，QPSO)优化 SVM 参数，提高了全局搜索能力，但此方法容易出现早熟收敛、局部寻优能力变差的问题。麻雀搜索算法(Sparrow Search Algorithm，SSA)是一种新型的种群优化算法6，其在搜索精度、收敛速度、稳定性和避免局部最优值方面都要比现有算法表现更佳。因此，本文作者利用 SSA 优化 SVM 的惩罚因子和核参数，选取最优参数建立 SSA 优化 SVM 的评估模型，并对发动机润滑油数据进行训练和验证。1算法设计1.1麻雀搜索算法麻雀搜索算法是一种新型的以麻雀种群寻找食物和反捕食行为为依据的优化算法。麻雀群体中包括发现者、加入者和警戒者。设由 n 只麻雀组成的种群 X 为X=x11x21xd1x12x22xd2x1nx2nxdn(1)式中:d 为需要优化的问题的维数。在种群中所有麻雀的适应度值 Fx为Fx=f x11x21xd1()f x12x22xd2()f x1nx2nxdn()(2)式中:f 为适应度值。在 SSA 模型中，正常情况下，在食物搜索过程中，具有优先获取食品权利的往往都是适应度值更优的发现者，且发现者的位置在每次迭代后更新。其位置更新函数为Xt+1i，j=Xi，jexp iNmax()，2 SXi，j+QL，2 S(3)式中:t 为过程中需要迭代的次数;Nmax为迭代过程中的最大次数;Xi，j是第 i 只麻雀在第 j 个维度中的位置;为随机的数字，且 (0，1;2为预警值;S为安全值，且 2 0，1，S 0.5，1;Q 为随机的数字，并且该随机数服从正态分布;L 是一个 1d 的矩阵，L 矩阵内的每个元素都是 1。当 2S时，说明麻雀种群当下所在的觅食区域内没有捕食者出现，种群内的发现者可以对这个区域进行食物搜索;当 2S时，说明位于种群边缘的部分麻雀察觉到了捕食者的存在，与此同时它们也会向种群传递报警信号，得到信号后的麻雀便迅速去安全区域进行食物搜索。在整个觅食过程中，发现者的行动轨迹会一直被加入者监视。加入者一旦察觉到种群里的发现者获得了新的食物来源，它们就会很快离开现在的位置去新的位置争抢食物。在这个过程中，如若它们赢了，它们就可以立即获得该发现者的食物，否则它们就需去其他位置重新寻找食物。加入者的位置会重新更新，如式(4)所示:Xt+1i，j=Qexp Xworst Xti，ji2()，i n2Xt+1P+Xi，j Xt+1P A+L，otherwise(4)式中:XP为当前发现者的最优位置;Xworst为全局当中最差的位置;A 是一个 1d 的行矩阵，该矩阵A 中 的 每 一 个 元 素 不 是 1 就 是 1，并 且 A+=AT(AAT)1;当 in/2 时，适应度值比较低的第 i 个加入者，没有占领到食物，需要飞到别的位置寻找食物。在模拟实验中，假设种群中的警戒者数量占种群中麻雀总数量的 10%20%，并且它们的初始位置是在种群中随机产生的。当种群遇到危险时，处于边缘位置的麻雀将会向中间的安全位置移动，以获取更好的位置。警戒者位置更新表示如下:Xt+1i，j=Xtbest+Xti，j Xtbest，fi fgXti，j+KXti，j Xtworstfi fw()+()，fi=fg(5)式中:Xbest是当前情况下全局的最优位置;是步长的控制参数;K 是随机的数字，且 K 1，1;fi是麻雀个体在种群中的适应度值;fg和 fw分别是全局最佳适应度值和全局最差适应度值;为避免分母出现 0 的情况，设置了常数。当 fifg时，表示此时的麻雀正处于种群的边缘，非常容易遭到捕食者的攻击。Kbest这个位置是种群中最好且最安全的位置。当 fi=fg时，表示此时处于种群中间的麻雀感知到危险状态的存在，并开始向其他位置的麻雀靠近，从而将被捕食者捕食的风险降到最低。K 是麻雀移动的方向，同时也是步长控制参数。1.2支持向量机算法原理1963 年，苏联学者 Vapnik 和 Lerner 研究发现了由模式识别发展而来的分类器 SVM 理论78，并在 20 世纪七八十年代成为统计学的一部分。SVM 优化不仅考虑了要将经验风险达到最小化，还考虑了将结构风险达到最小化，使得分类具有更好的稳定性;SVM 具有良好的泛化能力，可以在样本数据数量比较少的情况下寻求到最优解。SVM 可以很好地解决像发动机这样运行状态样本不容易获取的分类识别问031润滑与密封第 48 卷题。SVM 的基本思想是:在样本空间或特征空间中求解出一个与各类别样本之间距离最大的平面，这个平面被叫做最优超平面910。为了解决部分样本可能会出现不能被 SVM 正确分类的情况，引入一个松弛变量 i0，i=1，2，3，n，约束条件方程式如下:yi(X)+b 1+i 0(6)式中:Xi代表样本;yi代表其对应类别。同时引入一个惩罚因子 c 用于调节被分错样本的惩罚程度，因此可以通过求式(7)的极小值获取2 的最小值。=22+cni=1i(7)对式(7)用拉格朗日法进行求解，同时解出子集样本中非零拉格朗日乘子，并以该样本向量作为支持向量。广义最优超平面是其决策函数的表达式，如式(8)所示:f(X)