[发明专利]基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法

权利要求书

1.一种基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法，其特征是包括以下步骤：

步骤1：选取柴油机重要部件的装配间隙u₀，采用蒙特卡洛仿真得到其正常模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式以及周期模式这6种模式数据分别是x1(t)，x2(t)，x3(t)，x4(t)，x5(t)，x6(t)，组成初始数据集矩阵X_n×m，n为行，m为列；对初始数据集矩阵X_n×m设置缺失值，获得含有缺失值的缺失数据集D：

步骤2：对缺失数据集D进行填补，得到填补后的数据集B_n×m；

步骤3：利用主成分分析法对数据集B_n×m降维，得到降维后的数据集P；

步骤4：基本蚁狮算法优化支持向量机的惩罚因子和核函数，得到优化后的惩罚因子和核函数以及优化后的支持向量机分类器；

步骤5：将所述的数据集P分为训练集和测试集，将训练集输入支持向量机分类器中，得到异常模式诊断模型，将测试集输入所述的异常模式诊断模型中，获得分类结果，将分类结果和测试集的实际结果进行比较，计算出准确率，如果准确率高于90％，则为该异常诊断模型为满足要求的异常诊断模型；

步骤6：采集待诊断的柴油机部件的装配间隙，将该采集的装配间隙数据输入步骤五中所述的满足要求的异常模式诊断模型中，获得模式的类别，得出6种模式中的正常模式或其他的异常模式。

2.根据权利要求1所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法，其特征是：所述的正常模式为x1(t)＝u₀+H(t)，t为仿真采样点序号，t＝1，2，3，…，m；上升趋势模式为x2(t)＝u₀+H(t)+k₁×t，k₁为上升趋势的变化斜率；下降趋势模式为x3(t)＝u₀+H(t)-k₂×t，k₂为下降趋势的变化斜率；向上阶跃模式为x4(t)＝u₀+H(t)+b×s₁，b为系数，当t≥t₀时，b＝1，当t＜t₀时，b＝0，t₀产生阶跃时的采样点序号，s₁为向上阶跃幅度；向下阶跃模式为x5(t)＝u₀+H(t)-b×s₂，当t≥t₀时，b＝1，当t＜t₀时，b＝0，s₂为向下阶跃幅度；)周期模式为x6(t)＝u₀+H(t)+A×sin(2πt/T_m)，A为周期模式的振幅，T_m为变化周期。

3.根据权利要求1所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法，其特征是：步骤1中，在初始数据集矩阵X_n×m中任意选取其中的行，在选取的行中随机选择3～6个位置，使其为缺失值0，获得缺失数据集D。