[发明专利]基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法

权利要求书

1.基于SVM和GA-SVM支持向量机的火炮发射系统故障诊断方法，其特征在于：故障诊断过程包括结合SVM支持向量机来对火炮发射装置的身管构件和开关闭锁机构进行故障监测；以及通过多分类器将故障区进行故障监测；

算法过程包括遗传算法GA优化部分和SVM支持向量机分类部分，具体方法步骤如下：

步骤一，进行击发数据输入与预处理；

数据输入，包括身管构件故障和开关闭锁机构故障；

所述的身管构件故障包括身管裂纹故障、内膛磨损故障和身管变形故障的数据；其中身管裂纹故障数据包括射速、火炮发射装置击发次数和应力强度因子；内膛磨损故障数据包括弹丸运动的速度和身管的温度；身管变形故障数据包括炮口振动和身管支撑位置的横向位移；

所述的开关闭锁机构故障，包括摩擦片磨损过度故障数据和开关闭锁机构变形故障数据；其中摩擦片磨损过度故障数据包括火炮发射装置射速和火炮发射装置击发次数；开关闭锁机构变形故障数据包括后坐力和贴膛阻力；

步骤二，对火炮故障诊断并确定SVM分类器模型；

在步骤二中，模型确定是指将步骤一获得的数据整合成参数组进行故障监测；首先通过前期获取100组火炮发射装置数据作为实际测试参数，然后对参数进行整理后形成80组训练组和20组预测组，进行SVM故障监测；

所述的SVM分类器用超平面和核函数的方式进行线性或者非线性分类，通过对样本的训练，SVM分类器通过自身学习与训练，得到一个能将样本二元分类的分类器，并收集各种故障对应的参数进行多类别分类；

所述的SVM分类器，其多类别分类过程为：将参数分为类别1和类别2两个类别；设置第一个分类器，类别1代表故障1，类别2代表非故障1；同理设置第2个，第3个分类器，完成多类别分类；

步骤三，初始化超平面方位和位移；

步骤四，通过所述的遗传算法GA优化部分进行超平面位置确定；

步骤五，获取最优核函数；

步骤六，循环计算核函数误差，最终输出火炮故障诊断结果；

在步骤三中，所述的初始化超平面方位和位移过程，具体步骤细化为：

步骤三一，划分不同故障类别的超平面；

步骤三二，计算不同故障类型间隔；

步骤三三，计算不同故障类型的最优超平面：

不同故障类型最优超平面的模型：

式中：λ_i拉格朗日算子；

f(x)不同故障类型最优超平面的方位；

x_i^Tx内积运算，也可以被称为不同故障类型核函数，用K_i(x)表示，b位移，决定了不同故障类别超平面原点之间的距离，y_i代表火炮发射装置击发参数样本被分为哪一类；

步骤三四，计算反映SVM诊断结果的参数；

SVM诊断结果参数包括查真率A、精率P、查全率R和衡量指数F，查真率A和精确率P表示火炮发射装置故障监测系统对诊断准确率效果的评估；查全率R表示火炮发射装置故障监测系统对诊断覆盖效果是否全面的评估，衡量指数F由精确率P、查全率R求得，可以反映整个SVM诊断效果；

A＝(TP+TN)/(TP+TN+FP+FN)

P＝TP/(TP+FP)

R＝TP/(TP+FN)

F＝2PR/(R+P)

式中：TP-----实际故障编号与SVM检测故障编号相同的组数；

TN-----实际非故障编号与SVM检测非故障编号相同的组数；

FP-----实际非故障编号被SVM检测为故障编号的组数；

FN-----实际故障编号被SVM检测为非故障编号的组数。