基于PCA-IAOA-SVM的锂电池表面缺陷识别方法
文献发布时间：2023-06-19 19:30:30
技术领域
本发明涉及一种锂电池表面缺陷识别方法，具体为一种基于PCA-IAOA-SVM的锂电池表面缺陷识别方法，属于工业智能检测技术领域。
背景技术
在社会经济的快速发展的条件下，人们对电动工具等储能设备需求不断增长。在众多的电化学储能技术中，锂离子电池具有能量密度高、放电速率快、使用寿命长、转换效率高等优点在交通动力电源、电力储能电源、移动通信等各行各业持续不断的发展。随着其成本迅速下降和需求量日益增高，锂离子电池在固定储能领域中已成为市场应用最广泛的储能解决方案，因此，锂离子电池的整体性能和使用安全尤为重要。但是，在锂电池工业工艺生产过程中，锂电池产品表面容易收到加工设备的损坏和恶劣生产环境的影响，其表面的缺陷会在一定程度上影响后续的加工生产，其缺陷类型有包膜褶皱、包膜翘起、包膜气泡、包膜划痕、包膜凹陷等一系列缺陷。因此，需要对锂电池表面进行缺陷检测以保证产品质量安全。
SVM模型是机器学习领域的一种处理分类和回归的方法，可将低维非线性分类问题映射到高维空间，从而实现线性可分。因此，以SVM模型为基础设计一种锂电池缺陷的非线性映射分类器，对锂电池表面的缺陷识别与分类有较大优势。
现如今的该技术也存在一些不足：
(1)常规的SVM模型，模型变量较多，计算复杂度较高。模型整体分类数目较多时，无法保证其训练速度和分类精度。
(2)基础的SVM模型整体模型泛化能力较弱，容易陷入局部最优，产生局部收敛，搜索效率较低。
发明内容
本发明的目的就在于为了解决上述至少一个技术问题而提供一种基于PCA-IAOA-SVM的锂电池表面缺陷识别方法。
本发明通过以下技术方案来实现上述目的：一种基于PCA-IAOA-SVM的锂电池表面缺陷识别方法，包括以下步骤：
步骤一、通过主成分分析法PCA对锂电池表面缺陷的评价指标进行降维处理，输出独立的主成分评价指标；
步骤二、使用改进的阿基米德优化算法对支持向量机的核函数参数及惩罚因子进行最优选择，得到针对锂电池缺陷识别的最优支持向量机模型；
步骤三、将主成分分析的评价指标与支持向量机模型结合，得到缺陷识别模型。
作为本发明再进一步的方案：步骤一中，主成分分析法PCA是利用降维思想，将相关性较大的几个指标通过数学变换转换为几个不相关的综合指标，即为主成分。设锂电池某一缺陷的参数指标的原始变量为n维向量X＝[x
作为本发明再进一步的方案：步骤二中，对锂电池表面的缺陷识别分类算法的选择上，选择支持向量机模型。该方法的主要原理是将样本数据用空间中的点代替，寻找能将两类数据划分的最优分割超平面，使得两类数据能准确划分，并且两类数据离超平面的距离最远；对于线性不可分的特征向量，需采用核函数将向量投放到高维空间中达到可以分类的效果.高斯径向基核函数作为应用最广泛的核函数，在缺乏样本数据的先验知识时，可通过调整参数取得较好的学习效果。高斯径向基核函数为：
其中，x
设置在h维的空间上，针对线性可分问题，所有的采样样本均满足约束条件，其约束条件如下：
y
式中，ω为法向量，表示方向；b为分类阈值，表示离超平面的垂直距离；ω
求解支持向量机两类样本的最远距离可转化为分类间隔问题，分类间隔如下：
在实际训练样本数据的时候，允许出现一些错峰点，从而在约束条件中加入一个松弛变量，并增加一个常数作为惩罚因子，在此条件下，分类间隔变为：
式中，γ为松弛变量；C为惩罚因子。
通过上述推导，可以得到SVM回归计算公式如下：
式中，α
作为本发明再进一步的方案：步骤二中，采用改进阿基米德优化算法实现对核函数参数及惩罚因子这两个影响量的优化选择，具体包括：
阿基米德优化算法(AOA)是一种基于群体的启发式算法。在该方法中，种群个体是沉浸对象，AOA也从具有随机体积、密度和加速度的初始种群(候选解)开始搜索过程。在这个阶段，每个对象也用它在流体中的随机位置初始化。在评估初始种群的适应度后，AOA进行迭代直到满足终止条件。在每次迭代中，AOA都会更新每个对象的密度和体积。根据物体与相邻物体碰撞的情况，更新物体的加速度，更新后的密度、体积、加速度决定了物体的新位置。
首先进行算法初始化，利用公式(7)初始化所有物体的位置：
O
其中，O
初始化第i个物体的体积den和密度vol：
den
vol
其中，rand是一个[0,1]之间的随机生成的D维向量。
初始化物体的加速度：
acc
通过上述公式，评价初始种群中的个体，并选择具备最佳适应度的个体，得到个体最佳位置O
之后更新密度和体积，第t+1次迭代的第i个物体的密度和体积使用公式(10)更新：
其中，rand是[0,1]间的随机数。
转移算子与密度算子：起初，物体之间发生碰撞，经过一段时间后，物体试图达到平衡状态。这是在AOA中通过转移因子TF实现的，TF将搜索从勘探转换为开发，使用公式定义：
其中，随着时间的推移，转移因子逐渐增加，直至达到1；t和t
密度递减因子d计算公式如下：
类似地，密度递减因子d也有助于AOA从全局到局部的搜索，它随着时间的推移而减少。d
之后进入勘探阶段。
如果TF≤0.5，物体之间发生碰撞，随机选择一个物体mr并使用公式更新t+1次迭代物体加速度：
其中，
如果TF>0.5，物体之间无碰撞，使用公式更新t+1次迭代物体加速度：
下一步，使用公式标准化加速度以计算变化百分比：
其中，u和l是归一化范围，分别设置为0.9和0.1。
最后，完成位置更新，如果TF≤0.5(勘探阶段)，则使用公式计算第t+1代时第i个物体的位置：
其中，C
如果TF>0.5(开发阶段)，物体将使用公式更新其位置：
其中，C
T＝C
其中，C
F是使用公式改变运动方向的标志：
其中，P＝2rand-C
通过上述公式更新物体位置及相关参数，得到最优解O
作为本发明再进一步的方案：阿基米德优化算法的优化过程中，通过增加一个依赖于每个个体步长的新参数H来提高AOA的基本性能，该参数H用于在迭代过程中修正单个位置，同时增强搜索空间的探索和开发阶段之间的平衡。
H＝pi×10
最后，通过新参数H，并利用方程完成位置更新：
通过上述改进的阿基米德优化算法，完成支持向量机模型中核函数参数及惩罚因子的最优选择。
本发明的有益效果是：首先通过主成分分析法对锂电池表面缺陷的评价指标进行降维处理，输出独立的主成分评价指标，并使用改进的阿基米德优化算法对支持向量机的核函数参数及惩罚因子进行最优选择，得到针对锂电池缺陷识别的最优支持向量机模型，之后将主成分分析的评价指标与支持向量机模型结合，得到缺陷识别模型。
本发明中，与基础的阿基米德智能优化算法相比，改进的阿基米德智能优化算法通过增加一个新的参数来提高算法的基本性能，该参数依赖于每个个体的步长，同时在迭代过程中修改个体的位置。采用新的搜索空间上下限参数，提高了勘探开发过程的平衡性。使得改进之后的算法整体具有较好的全局搜索能力，可以很好避免局部最优现象，且可以有效解决算法运行时间和占有空间，相较于其他智能优化算法具有较好的算法优势。该算法具有较好的泛化能力，对于相关的缺陷识别问题都具有较好的借鉴意义。
附图说明
图1为本发明的实施框图；
图2为本发明的改进阿基米德优化算法详细流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1至图2所示，一种基于PCA-IAOA-SVM的锂电池表面缺陷识别方法，包括以下步骤：
步骤一、通过主成分分析法PCA对锂电池表面缺陷的评价指标进行降维处理，输出独立的主成分评价指标；
步骤二、使用改进的阿基米德优化算法对支持向量机的核函数参数及惩罚因子进行最优选择，得到针对锂电池缺陷识别的最优支持向量机模型；
步骤三、将主成分分析的评价指标与支持向量机模型结合，得到缺陷识别模型。
实施例二
本实施例中除包括实施例一中的所有技术特征之外，还包括：
主成分分析法PCA是利用降维思想，将相关性较大的几个指标通过数学变换转换为几个不相关的综合指标，即为主成分。设锂电池某一缺陷的参数指标的原始变量为n维向量X＝[x
通过上述方法，保留了锂电池该缺陷评价指标所反映的绝大部分信息，并且使得降维得到的评价指标之间相互独立，不会出现信息交叉冗余，将问题简单化，降低指标信息之间的重叠性，使得评价结果更加准确。
实施例三
本实施例中除包括实施例一中的所有技术特征之外，还包括：
对锂电池表面的缺陷识别分类算法的选择上，选择支持向量机模型。该方法的主要原理是将样本数据用空间中的点代替，寻找能将两类数据划分的最优分割超平面，使得两类数据能准确划分，并且两类数据离超平面的距离最远；对于线性不可分的特征向量，需采用核函数将向量投放到高维空间中达到可以分类的效果.高斯径向基核函数作为应用最广泛的核函数，在缺乏样本数据的先验知识时，可通过调整参数取得较好的学习效果。高斯径向基核函数为：
其中，x
设置在维的空间上，针对线性可分问题，所有的采样样本均满足约束条件，其约束条件如下：
y
式中，ω为法向量，表示方向；b为分类阈值，表示离超平面的垂直距离；ω
求解支持向量机两类样本的最远距离可转化为分类间隔问题，分类间隔如下：
在实际训练样本数据的时候，允许出现一些错峰点，从而在约束条件中加入一个松弛变量，并增加一个常数作为惩罚因子，在此条件下，分类间隔变为：
式中，γ为松弛变量；C为惩罚因子。
通过上述推导，可以得到SVM回归计算公式如下：
式中，α
实施例四
本实施例中除包括实施例一中的所有技术特征之外，还包括：
采用改进阿基米德优化算法实现对核函数参数及惩罚因子这两个影响量的优化选择，具体包括：
阿基米德优化算法(AOA)是一种基于群体的启发式算法。在该方法中，种群个体是沉浸对象，AOA也从具有随机体积、密度和加速度的初始种群(候选解)开始搜索过程。在这个阶段，每个对象也用它在流体中的随机位置初始化。在评估初始种群的适应度后，AOA进行迭代直到满足终止条件。在每次迭代中，AOA都会更新每个对象的密度和体积。根据物体与相邻物体碰撞的情况，更新物体的加速度，更新后的密度、体积、加速度决定了物体的新位置。
首先进行算法初始化，利用公式(7)初始化所有物体的位置：
O
其中，O
初始化第i个物体的体积den和密度vol：
den
vol
其中，rand是一个[0,1]之间的随机生成的D维向量。
初始化物体的加速度：
acc
通过上述公式，评价初始种群中的个体，并选择具备最佳适应度的个体，得到个体最佳位置O
之后更新密度和体积，第t+1次迭代的第i个物体的密度和体积使用公式(10)更新：
其中，rand是[0,1]间的随机数。
转移算子与密度算子：起初，物体之间发生碰撞，经过一段时间后，物体试图达到平衡状态。这是在AOA中通过转移因子TF实现的，TF将搜索从勘探转换为开发，使用公式定义：
其中，随着时间的推移，转移因子逐渐增加，直至达到1；t和t
密度递减因子d计算公式如下：
类似地，密度递减因子d也有助于AOA从全局到局部的搜索，它随着时间的推移而减少。d
之后进入勘探阶段。
如果TF≤0.5，物体之间发生碰撞，随机选择一个物体mr并使用公式(13)更新t+1次迭代物体加速度：
其中，
如果TF>0.5，物体之间无碰撞，使用公式更新t+1次迭代物体加速度：
下一步，使用公式标准化加速度以计算变化百分比：
其中，u和l是归一化范围，分别设置为0.9和0.1。
最后，完成位置更新，如果TF≤0.5(勘探阶段)，则使用公式计算第t+1代时第i个物体的位置：
其中，C
如果TF>0.5(开发阶段)，物体将使用公式更新其位置：
其中，C
T＝C
其中，C
F是使用公式改变运动方向的标志：
其中，P＝2rand-C
通过上述公式更新物体位置及相关参数，得到最优解O
阿基米德优化算法的优化过程中，通过增加一个依赖于每个个体步长的新参数H来提高AOA的基本性能，该参数H用于在迭代过程中修正单个位置，同时增强搜索空间的探索和开发阶段之间的平衡。
H＝pi×10
最后，通过新参数H，并利用方程完成位置更新：
通过上述改进的阿基米德优化算法，完成支持向量机模型中核函数参数及惩罚因子的最优选择。
工作原理：首先通过主成分分析法对锂电池表面缺陷的评价指标进行降维处理，输出独立的主成分评价指标，并使用改进的阿基米德优化算法对支持向量机的核函数参数及惩罚因子进行最优选择，得到针对锂电池缺陷识别的最优支持向量机模型，之后将主成分分析的评价指标与支持向量机模型结合，得到缺陷识别模型。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。