[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

说明书

本发明公开一种基于GNA‑XALO‑SVM的柴油机装配质量异常模式识别方法，采用蒙特卡洛仿真装配间隙的6种模式数据，组成初始数据集矩阵X_n×m，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：对缺失数据集D进行填补得到填补后的数据集B_n×m；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；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；利用改进的灰色关联度分析法进行缺失值填补，提高相关性，使填补的数据更符合实际数据，利用改进蚁狮算法优化支持向量机的参数，提高支持向量机异常模式识别的准确率。

技术领域

本发明属于异常模式智能领域，具体涉及船用的柴油机，是一种基于GNA(灰色关联度分析法)、XALO(蚁狮算法)、以及SVM(支持向量机)的船用的柴油机装配质量异常模式识别方法。

背景技术

船用柴油机的装配过程会产生反映装配质量的质量特性数据，质量特性数据的模式分为下面六类：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、和周期模式。目前的船用柴油机装配主要依赖于人工，环境等各种因素的影响会导致装配过程出现操作不规范，使得装配质量特性数据波动，所以需要针对装配过程质量控制开展动态异常模式识别，从而提高柴油机装配质量。准确识别装配过程数据流的异常模式，对船用柴油机装配过程质量控制很重要。

目前，异常模式识别方法大多是利用机器学习算法对模型进行特征提取和算法优化方面，其中特征提取在模式识别中起到重要的作用，可以对原始数据的关键信息保留和冗余信息的剔除。针对异常模式识别，中国专利号为201910673710.3、名称为““基于模糊匹配的时间序列异常模式识别方法及装置”公开的方案中提到先对原始时间序列进行缺失值处理，利用模糊匹配算法针对时间序列进行异常模式识别，但该方案中，由于质量数据模式比较相似，模糊匹配算法并不能识别成功，模糊匹配的准确率不如支持向量机(SVM)。中国专利号为201910217926.9、名称为“一种基于改进遗传算法优化的质量控制图模式识别方法”公开的方案，利用改进遗传算法进行异常模式识别，但是没有考虑缺失数据对于结果的影响。中国专利号为201810157181.7、名称为“基于多源多参量融合的输变电设备状态异常模式识别方法及装置”公开的方法，根据时间序列生成数据，并通过聚类方法识别异常模式，但是其主要是识别出异常数据，并不能识别异常数据中的异常模式。

针对船用柴油机，关键质量特性数据对其装配质量都会产生或多或少的影响，目前很少考虑缺失数据对识别结果的影响，通常是利用小波分析对数据进行预处理，跳过缺失数据，但是一些关键节点缺失数据会对识别结果产生较大的影响。

发明内容

本发明的目的是为了克服现有技术的不足，提供了一个基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法，体现缺失数据对船用柴油机装配质量异常模式识别结果的影响，利用优化后的支持向量机分类器更准确地识别异常模式。

为实现上述目的，本发明所述的基于GNA-XALO-SVM的柴油机装配质量异常模式识别方法采用的技术方案是包括以下步骤：

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，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；