基于MPA优化的内燃机用滤清器故障诊断方法

技术领域

本发明属于内燃机故障诊断技术领域，尤其涉及一种基于MPA优化的内燃机用滤清器故障诊断方法。

背景技术

内燃机是一种结构紧凑、功率范围广、运行机动性好的通用动力机械，在运输设备、工程机械、应急发电等各个领域有着广泛应用，以柴油机为例，柴油机常常处于恶劣工作环境，故障率随运行时间增长持续上升，一旦出现重大故障，轻则造成经济损失，重则危害相关人员生命安全，因此对内燃机进行及时、准确的诊断非常重要。然而内燃机本身工作状况复杂，对内燃机的故障诊断相对其他机械更为棘手。

滑油滤清器是内燃机润滑系统中的重要组件。内燃机在工作过程中，滑油不断受金属屑和燃烧积碳等物质污染，滑油滤清器的作用是将油底壳中带有杂质的滑油过滤，为内燃机工作提供清洁的滑油。然而随着使用时间的积累，滑油滤清器会由于杂质的堆积而堵塞，从而造成滑油供给不足、机械工作条件恶化的后果，严重时甚至会发生拉缸、烧瓦抱轴的严重事故，因此对滑油滤清器堵塞故障进行分级诊断很有必要。然而滑油系统的结构非常复杂，故障与简单征兆之间有着高度耦合关系。对滑油系统异常进行表征的油液检测、油位监测、滑油温度压力监测等，实际上只能对滑油系统的显著问题进行分类，不能做到具体故障源的识别以及故障分级，对于滑油滤清器堵塞的直接反映能力不强，Wang，Y.M提出了一种基于内燃机实际工作数据的数据驱动故障诊断方法，针对润滑系统油压的随机性和不稳定性，提出了一种基于粒子群算法优化的SVM模型，实现了对润滑系统两种故障的分类，但并不能识别故障源。因此需要一种综合多种实际工作数据的滑油滤清器诊断方法，从而加强故障的区分能力和分级能力。这就需要对多种信号进行特征的综合利用，并在此基础上进行特征优选和参数寻优。

SVM在处理小样本问题时效果很好，这适应了内燃机故障信号样本量不丰富的工程实际，利用内燃机运行数据的各种特征进行诊断分类，然而支持向量机的输入特征与核函数参数设置都对诊断精度有很大影响。受到滑油滤清器堵塞影响的内燃机工作数据有缸体振动、转速波动、滑油压力波动等，对内燃机工作信号进行特征提取的方法很多，比如时域特征有均值、均方根、标准差、方差等统计学特征，以及偏度、峰度、形状因子、波峰因子、直方图上下界、自回归系数、脉冲因子、裕度因子、Hjorts参数、迁移率参数和MM算子等等；频域特征有中心频率，均方根频率，根方差频率谱偏度，谱峰度，以及各种频谱熵；在时频域，则是对原始信号进行时频变换以后进行各种统计学的特征提取；除此以外，还有基于相空间不相似性测量、复杂性测量、奇异值分解分段聚合近似和自适应分段常数近似等等各种特征提取方式[5]。所以对于多种工作数据的多种特征，找出对滑油滤清器堵塞最敏感的特征，必须进行特征优选，为了达到尽量理想的效果，还需同时对SVM进行参数寻优。

面对特征优选与核函数参数寻优问题，有很多研究者利用智能优化算法对SVM进行了优化，Tharwat，Alaa利用量子粒子群优化对SVM进行了参数寻优，并使用开源数据集进行了效果比较，与标准粒子群算法和遗传算法相比，该算法优化的SVM分类错误率更低；HungLinh Ao提出了一种基于化学反应优化的SVM参数优化方法(CRO-SVM)，将该方法应用于实际基准数据集，取得了较好的效果；Xue Yangtao利用高斯核SVM来提取故障诊断的非线性特征，并使用SVM执行分类任务提高了故障诊断的性能；Li Jun利用差异进化算法对支持向量机进行了优化，在每一代种群更新中同时进行特征优选和参数寻优，在有些任务中，分类精度有所上升，有些任务中分类精度有所下降。前人对SVM进行特征优选与参数寻优之后都取得了一定的效果，但是在利用启发式优化算法对SVM进行优化时，总是无法完全避免局部最优问题，这是启发式算法的固有缺点，而逼近全局最优一定程度上依赖于算法的全局搜索能力。海洋食肉动物算法(MPA)[10]是一种全局搜索能力强，收敛迭代步数少的算法，一方面全局搜索能力强有利于寻找全局最优解，另一方面收敛迭代步数少能够支持多重的特征优选和参数寻优。

现有技术中，内燃机滑油滤清器堵塞故障对着内燃机安全工作的威胁，及时准确地对滑油滤清器堵塞故障及堵塞程度进行诊断对交通安全与生产安全具有重要意义，由于滑油系统的复杂性，对滑油滤清器故障的定位和分级比较困难，所以需要综合内燃机多种工作数据的多种特征进行诊断，为了找到对滑油滤清器故障诊断及分级最有利的特征，需要进行特征优选，为了达到尽可能好的效果，还应该进行参数寻优，在利用启发式优化算法对SVM进行优化时，总是无法完全避免局部最优问题。

基于此，本发明设计了一种基于MPA优化的内燃机用滤清器故障诊断方法，以解决上述问题。

发明内容

本发明的目的在于：为了解决现有技术中，内燃机滑油滤清器堵塞故障对着内燃机安全工作的威胁，及时准确地对滑油滤清器堵塞故障及堵塞程度进行诊断对交通安全与生产安全具有重要意义，由于滑油系统的复杂性，对滑油滤清器故障的定位和分级比较困难，所以需要综合内燃机多种工作数据的多种特征进行诊断，为了找到对滑油滤清器故障诊断及分级最有利的特征，需要进行特征优选，为了达到尽可能好的效果，还应该进行参数寻优，在利用启发式优化算法对SVM进行优化时，总是无法完全避免局部最优问题，而提出的一种基于MPA优化的内燃机用滤清器故障诊断方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于MPA优化的内燃机用滤清器故障诊断方法，包括以下步骤：

S1：将ICP 356A26型三向集成电路式压电式加速度传感器安装在靠近滑油滤清器的气缸缸体上，对内燃机运行过程中的振动信号进行采集；

S2：以基础特征集为基础，拓展搜索空间提升搜索算法的发挥能力；

S3：以SVM的故障分类技术为基础，并附加相应的标签，经过训练后输入测试集进行测试，最后输出诊断结果，以诊断结果和标签互相比对，获得诊断精度；

S4：海洋捕食者算法MPA优化，模仿自然状况下猎物与捕食者的身份切换，根据适者生存的理论，自然界的顶级掠食者更善于觅食，最优的捕食个体称为顶级捕食者，依此构成一个矩阵，称为Elite矩阵，在模仿自然状况下猎物与捕食者的身份切换，最后Elite输出的解的坐标，代表了寻找到的最优特征组合二进制向量表示，或者最优的SVM核函数参数；

S5：根据所得到的最优特征组合和核函数参数，联合优化组织，对该机型滑油滤清器堵塞故障及故障等级进行诊断。

作为上述技术方案的进一步描述：

所述内燃机振动信号采集具体包括以下步骤：

以6缸柴油机为研究对象，由于滑油滤清器堵塞会导致滑油供给不足，使活塞环、活塞裙部与缸套间摩擦加剧，从而对缸体产生激励，并且滤清器堵塞后自身流动不畅也会产生一定的振动激励，所以在离滑油滤清器最近的气缸缸体处安装ICP 356A26型三向集成电路式压电式加速度传感器采集振动信号；

由于滑油供应不足会使轴瓦处润滑效果下降，并且活塞处摩擦加剧的影响也会传递到曲轴，所以读取内燃机自带的曲轴转速监测信号，通过转速波动进行诊断；

滑油滤清器堵塞直接影响的是滑油压力，而油压也是内燃机本身需要监测的数据之一，因此读取内燃机自带的滑油压力监测信号，通过压力波动进行诊断；

振动信号采集设备采用西门子的LMS TestLab数据采集系统。

作为上述技术方案的进一步描述：

步骤S1中内燃机运行过程中的参数设置如下：

试验转速选择怠速转速为700rpm，振动信号采样频率为51200HZ，每种工况采集若干个样本，每个样本对应一个完整的柴油机工作循环，包含4389个采样点，对应振动信号采样时间，读取同时间转速信号和滑油压力信号；

基于上述设置，采集柴油机正常、机油滤清器轻度堵塞、机油滤清器中度堵塞和机油滤清器重度堵塞4种工况下的振动信号、转速信号和滑油压力信号。

作为上述技术方案的进一步描述：

所述基础特征集提取中为了充分发挥特征优选潜力的前提，要准备丰富的基础特征集，因为优化算法实际上是一种“搜索”原理，拓展搜索空间有利于发挥搜索算法的能力。对三种信号，以时域特征为例，提取均值、标准差、偏斜度、峭度、波形指标、脉冲指标、裕度指标以及峰值指标这些时域参数描述柴油机振动信号的时域特性，具体定义如下：

f

/>

其中，x(n)为离散信号，n＝1，2，…，N，N为信号数据点总数。

作为上述技术方案的进一步描述：

所述基于SVM的故障分类具体包括以下步骤：

为了真实反映诊断精度和提升训练效果，需要对数据集进行随机分割，在设定的测试集比例基础上，通过生成随机二进制向量的方式分割测试集和训练集；

将训练集输入SVM进行训练，此时核函数的超参数对分类效果有影响，SVM的核函数不止一种，主要包括线性核、多项式核、高斯核和Sigmoid核，其中高斯核通过衡量样本点与空间定点的相似度的方式进行高维映射，能够将分类问题映射到无限维，经参数寻优后对非线性分类有较好效果；

经过训练以后输入测试集进行测试，得到诊断结果，和标签比较算出诊断精度。

作为上述技术方案的进一步描述：

所述海洋捕食者算法MPA优化包括以下步骤：

与大多数元启发式方法类似，MPA是基于种群的方法，下述坐标作为初始坐标均匀分布于搜索空间：

X

其中X

根据适者生存的理论，自然界的顶级掠食者更善于觅食，因此，最优的捕食个体称为顶级捕食者，依此构成一个矩阵，称为Elite矩阵；

其中

另一个与Elite矩阵相同维度的Prey矩阵，捕食者会根据Prey矩阵更新自己的位置，Prey矩阵中最好的个体可能成为新的顶级捕食者，以重新构建Elite矩阵，Prey矩阵如下所示：

应注意Prey矩阵中既包含猎物也包含捕食者，但它们的共有身份是Elite矩阵中顶级捕食者的猎物，定义猎物和捕食者的移动速度之比为“速度比”，为了考虑不同的“捕食者和猎物的速度比”，同时也为了模拟捕食者和被捕食者的整个生命周期，优化过程分为三个主要的优化阶段，对于每个已定义的阶段，指定一个特定的迭代周期。

作为上述技术方案的进一步描述：

所述模拟捕食者和被捕食者的整个生命周期，优化过程分为三个主要的优化阶段包括：

阶段一：在高速比时，是优化过程的初始迭代阶段，在速度比大于等于10时，捕食者的最佳策略是完全不移动，该规则的数学模型如下：

式中

阶段二：速度比为1时，即捕食者和猎物以相同的速度移动，模仿捕食者和猎物都在寻找自己的猎物的状态，这一过程发生在优化的中间阶段，在这个阶段中，Prey矩阵中部分个体开始捕食，在这个阶段，全局搜索和捕食都很重要，因此，一半个体用于继续全局搜索，另一半个体用于捕食，根据该规则，在速度比等于1的情况下，当猎物进行Lévy运动时，捕食者的最佳策略为随机运动，因此，此阶段使猎物做Lévy运动，而捕食者做随机运动：

其中

对于另一半个体：

其中

和Elite相乘，以随机运动方式模拟捕食者的运动，以随机运动方式模拟捕食者的运动，而Prey矩阵则根据捕食者的运动更新其位置；

阶段三：在低速度比时，是优化过程的最后阶段，该阶段设置较高的捕食能力，在速度比等于0.1时，捕食者的最佳策略是Lévy运动：

与Elite相乘模拟了捕食者的Lévy运动，而在Elite的位置坐标上增加步长则模拟了捕食者的运动，Prey根据捕食者的运动更新其位置；

鱼群聚集效应的影响，在自然界中，对鲨鱼来说，80％以上的时间在鲨鱼群附近，其余20％的时间会进行远距离探索，这是为了找到其他环境内的猎物，优化过程中，鱼群聚集处是局部最优解，远距离探索能够避免停滞在局部最优处，数学模型如下：

其中FADs是对优化过程的影响概率，这里FADs＝0.2，U是一个二进制向量，实现途径是在[0，1]中生成一个随机向量，如果向量某位小于0.2，则改为0，大于0.2，则改为1，r为[0，1]中的均匀分布随机数，X

在更新Prey矩阵中，执行FADs过程以后，计算Prey矩阵中每个行向量解的适应度，并将其与Elite矩阵中的解做对比，如果Prey矩阵中产生了更好的解，就用这个解更新Elite矩阵；

最后Elite矩阵输出的解的坐标，代表了寻找到的最优特征组合，二进制向量表示，或者最优的SVM核函数参数。

作为上述技术方案的进一步描述：

所述联合优化组织方式具体包括以下步骤：

启发式算法的局部最优问题是固有问题，提高全局搜索能力也不能完全避免局部最优问题，经实际验证，即使采用了全局搜索能力较强的MPA优化算法，对特征优选和参数寻优进行简单的串联仍然会出现结果恶化的问题，所以参考优化算法中的记忆原理，对联合优化组织方式进行改进：

特征优选的形式是，优化算法输出一个二进制坐标：

X

这个坐标向量与特征矩阵的每一个行向量，每一个样本的一组特征，做哈达玛积，再去除零元素，即可得到优选后的特征矩阵；

每轮特征优选结束后，接下来进行参数寻优，参数寻优所用的坐标输出比较简单，只包括核函数系数和乘法因子，只需要输出两个选定取值范围内的坐标即可，参数寻优使用的样本特征是历史最优特征，即实现过最高分类精度的特征，如果参数寻优后的分类精度低于历史最优参数，则舍弃该轮寻优结果，如果高于历史最优参数，则更新SVM最优参数向量，每轮参数寻优结束后，接下来进行特征优选，同理使用的SVM参数是历史最优参数，特征优选结束后同样进行比较择优，更好的核函数参数才会被用来更新SVM参数向量，通过这种组织方式，保证了每一次输出的更新一定优于上一次更新，每次更新特征选择和核函数参数，都改变了适应度函数，为特征空间引入抖动因素，有利于跳出局部最优；

根据得到的最终最优特征组合和核函数参数，对该机型滑油滤清器堵塞故障及故障等级进行诊断。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，在滑油滤清器堵塞相关的缸体振动、转速波动以及滑油压力波动信号提取的各种特征中进行特征优选及参数寻优，以寻找到利于滑油滤清器堵塞故障诊断的最适特征及SVM核函数参数，并且工程应用中能够依据特征优选结果在三种信号中合理调整信号采集的选择，采用MPA提高全局搜索能力，加快收敛速度，并采用交替迭代的形式进行特征优选与参数寻优的联合，缓解了局部最优解带来的诊断精度下降问题。

2、本发明中，内燃机试验过程中，转速选择怠速转速能够降低实验过程中的燃油消耗。

3、本发明中，实现了一个多特征输入-筛选有利特征同时优化参数-优化输出的过程，解决的问题是滑油滤清器堵塞作为润滑系统故障之一不易诊断和分级的问题，充分发掘可测信号中的信息，特征提取后进行特征优选和参数寻优，提高诊断精度的同时，能够指示出哪些信号的哪些特征对滑油滤清器堵塞故障诊断更有利。

附图说明

图1为本发明提出的一种基于MPA优化的内燃机用滤清器故障诊断方法中基于海洋食肉动物算法MPA的SVM优化流程图；

图2为本发明提出的一种基于MPA优化的内燃机用滤清器故障诊断方法中振动信号测点布置和信号采集示意图；

图3为本发明提出的一种基于MPA优化的内燃机用滤清器故障诊断方法中特征优选与参数寻优联合优化组织方式的示意图。

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-3，本发明提供一种技术方案：一种基于MPA优化的内燃机用滤清器故障诊断方法，包括以下步骤：

S1：将ICP 356A26型三向集成电路式压电式加速度传感器安装在靠近滑油滤清器的气缸缸体上，对内燃机运行过程中的振动信号进行采集；

S2：以基础特征集为基础，拓展搜索空间提升搜索算法的发挥能力；

S3：以SVM的故障分类技术为基础，并附加相应的标签，经过训练后输入测试集进行测试，最后输出诊断结果，以诊断结果和标签互相比对，获得诊断精度；

S4：海洋捕食者算法MPA优化，模仿自然状况下猎物与捕食者的身份切换，根据适者生存的理论，自然界的顶级掠食者更善于觅食，最优的捕食个体称为顶级捕食者，依此构成一个矩阵，称为Elite矩阵，在模仿自然状况下猎物与捕食者的身份切换，最后Elite输出的解的坐标，代表了寻找到的最优特征组合二进制向量表示，或者最优的SVM核函数参数；

S5：根据所得到的最优特征组合和核函数参数，联合优化组织，对该机型滑油滤清器堵塞故障及故障等级进行诊断。

具体的，内燃机振动信号采集具体包括以下步骤：

以6缸柴油机为研究对象，由于滑油滤清器堵塞会导致滑油供给不足，使活塞环、活塞裙部与缸套间摩擦加剧，从而对缸体产生激励，并且滤清器堵塞后自身流动不畅也会产生一定的振动激励，所以在离滑油滤清器最近的气缸缸体处安装ICP 356A26型三向集成电路式压电式加速度传感器采集振动信号；

由于滑油供应不足会使轴瓦处润滑效果下降，并且活塞处摩擦加剧的影响也会传递到曲轴，所以读取内燃机自带的曲轴转速监测信号，通过转速波动进行诊断；

滑油滤清器堵塞直接影响的是滑油压力，而油压也是内燃机本身需要监测的数据之一，因此读取内燃机自带的滑油压力监测信号，通过压力波动进行诊断；

振动信号采集设备采用西门子的LMS TestLab数据采集系统。

具体的，步骤S1中内燃机运行过程中的参数设置如下：

试验转速选择怠速转速为700rpm，振动信号采样频率为51200HZ，每种工况采集若干个样本，每个样本对应一个完整的柴油机工作循环，包含4389个采样点，对应振动信号采样时间，读取同时间转速信号和滑油压力信号；

基于上述设置，采集柴油机正常、机油滤清器轻度堵塞、机油滤清器中度堵塞和机油滤清器重度堵塞4种工况下的振动信号、转速信号和滑油压力信号。

具体的，基础特征集提取中为了充分发挥特征优选潜力的前提，要准备丰富的基础特征集，因为优化算法实际上是一种“搜索”原理，拓展搜索空间有利于发挥搜索算法的能力，对三种信号，以时域特征为例，提取均值、标准差、偏斜度、峭度、波形指标、脉冲指标、裕度指标以及峰值指标这些时域参数描述柴油机振动信号的时域特性，具体定义如下：

/>

f

其中，x(n)为离散信号，n＝1，2，…，N，N为信号数据点总数。

具体的，基于SVM的故障分类具体包括以下步骤：

为了真实反映诊断精度和提升训练效果，需要对数据集进行随机分割，在设定的测试集比例基础上，通过生成随机二进制向量的方式分割测试集和训练集；

将训练集输入SVM进行训练，此时核函数的超参数对分类效果有影响，SVM的核函数不止一种，主要包括线性核、多项式核、高斯核和Sigmoid核，其中高斯核通过衡量样本点与空间定点的相似度的方式进行高维映射，能够将分类问题映射到无限维，经参数寻优后对非线性分类有较好效果；

经过训练以后输入测试集进行测试，得到诊断结果，和标签比较算出诊断精度。

具体的，海洋捕食者算法MPA优化包括以下步骤：

与大多数元启发式方法类似，MPA是基于种群的方法，下述坐标作为初始坐标均匀分布于搜索空间：

X

其中X

根据适者生存的理论，自然界的顶级掠食者更善于觅食，因此，最优的捕食个体称为顶级捕食者，依此构成一个矩阵，称为Elite矩阵；

其中

另一个与Elite矩阵相同维度的Prey矩阵，捕食者会根据Prey矩阵更新自己的位置，Prey矩阵中最好的个体可能成为新的顶级捕食者，以重新构建Elite矩阵，Prey矩阵如下所示：

应注意Prey矩阵中既包含猎物也包含捕食者，但它们的共有身份是Elite矩阵中顶级捕食者的猎物，定义猎物和捕食者的移动速度之比为“速度比”，为了考虑不同的“捕食者和猎物的速度比”，同时也为了模拟捕食者和被捕食者的整个生命周期，优化过程分为三个主要的优化阶段，对于每个已定义的阶段，指定一个特定的迭代周期。

具体的，模拟捕食者和被捕食者的整个生命周期，优化过程分为三个主要的优化阶段包括：

阶段一：在高速比时，是优化过程的初始迭代阶段，在速度比大于等于10时，捕食者的最佳策略是完全不移动，该规则的数学模型如下：

式中

阶段二：速度比为1时，即捕食者和猎物以相同的速度移动，模仿捕食者和猎物都在寻找自己的猎物的状态，这一过程发生在优化的中间阶段，在这个阶段中，Prey矩阵中部分个体开始捕食，在这个阶段，全局搜索和捕食都很重要，因此，一半个体用于继续全局搜索，另一半个体用于捕食，根据该规则，在速度比等于1的情况下，当猎物进行Lévy运动时，捕食者的最佳策略为随机运动，因此，此阶段使猎物做Lévy运动，而捕食者做随机运动：

其中

对于另一半个体：

其中

和Elite相乘，以随机运动方式模拟捕食者的运动，以随机运动方式模拟捕食者的运动，而Prey矩阵则根据捕食者的运动更新其位置；

阶段三：在低速度比时，是优化过程的最后阶段，该阶段设置较高的捕食能力，在速度比等于0.1时，捕食者的最佳策略是Lévy运动：

与Elite相乘模拟了捕食者的Lévy运动，而在Elite的位置坐标上增加步长则模拟了捕食者的运动，Prey根据捕食者的运动更新其位置；

鱼群聚集效应的影响，在自然界中，对鲨鱼来说，80％以上的时间在鲨鱼群附近，其余20％的时间会进行远距离探索，这是为了找到其他环境内的猎物，优化过程中，鱼群聚集处是局部最优解，远距离探索能够避免停滞在局部最优处，数学模型如下：

其中FADs是对优化过程的影响概率，这里FADs＝0.2，U是一个二进制向量，实现途径是在[0，1]中生成一个随机向量，如果向量某位小于0.2，则改为0，大于0.2，则改为1，r为[0，1]中的均匀分布随机数，X

在更新Prey矩阵中，执行FADs过程以后，计算Prey矩阵中每个行向量解的适应度，并将其与Elite矩阵中的解做对比，如果Prey矩阵中产生了更好的解，就用这个解更新Elite矩阵；

最后Elite矩阵输出的解的坐标，代表了寻找到的最优特征组合，二进制向量表示，或者最优的SVM核函数参数。

具体的，联合优化组织方式具体包括以下步骤：

启发式算法的局部最优问题是固有问题，提高全局搜索能力也不能完全避免局部最优问题，经实际验证，即使采用了全局搜索能力较强的MPA优化算法，对特征优选和参数寻优进行简单的串联仍然会出现结果恶化的问题，所以参考优化算法中的记忆原理，对联合优化组织方式进行改进：

特征优选的形式是，优化算法输出一个二进制坐标：

X

这个坐标向量与特征矩阵的每一个行向量，每一个样本的一组特征，做哈达玛积，再去除零元素，即可得到优选后的特征矩阵；

每轮特征优选结束后，接下来进行参数寻优，参数寻优所用的坐标输出比较简单，只包括核函数系数和乘法因子，只需要输出两个选定取值范围内的坐标即可，参数寻优使用的样本特征是历史最优特征，即实现过最高分类精度的特征，如果参数寻优后的分类精度低于历史最优参数，则舍弃该轮寻优结果，如果高于历史最优参数，则更新SVM最优参数向量，每轮参数寻优结束后，接下来进行特征优选，同理使用的SVM参数是历史最优参数，特征优选结束后同样进行比较择优，更好的核函数参数才会被用来更新SVM参数向量，通过这种组织方式，保证了每一次输出的更新一定优于上一次更新，每次更新特征选择和核函数参数，都改变了适应度函数，为特征空间引入抖动因素，有利于跳出局部最优；

根据得到的最终最优特征组合和核函数参数，对该机型滑油滤清器堵塞故障及故障等级进行诊断。

工作原理：使用时，

以6缸柴油机为研究对象，由于滑油滤清器堵塞会导致滑油供给不足，使活塞环、活塞裙部与缸套间摩擦加剧，从而对缸体产生激励，并且滤清器堵塞后自身流动不畅也会产生一定的振动激励，所以在离滑油滤清器最近的气缸缸体处安装ICP 356A26型三向集成电路式压电式加速度传感器采集振动信号；

由于滑油供应不足会使轴瓦处润滑效果下降，并且活塞处摩擦加剧的影响也会传递到曲轴，所以读取内燃机自带的曲轴转速监测信号，通过转速波动进行诊断；

滑油滤清器堵塞直接影响的是滑油压力，而油压也是内燃机本身需要监测的数据之一，因此读取内燃机自带的滑油压力监测信号，通过压力波动进行诊断；

振动信号采集设备采用西门子的LMS TestLab数据采集系统；

试验转速选择怠速转速为700rpm，振动信号采样频率为51200HZ，每种工况采集若干个样本，每个样本对应一个完整的柴油机工作循环，包含4389个采样点，对应振动信号采样时间，读取同时间转速信号和滑油压力信号；

基于上述设置，采集柴油机正常、机油滤清器轻度堵塞、机油滤清器中度堵塞和机油滤清器重度堵塞4种工况下的振动信号、转速信号和滑油压力信号；

基础特征集提取中为了充分发挥特征优选潜力的前提，要准备丰富的基础特征集，因为优化算法实际上是一种“搜索”原理，拓展搜索空间有利于发挥搜索算法的能力，对三种信号，以时域特征为例，提取均值、标准差、偏斜度、峭度、波形指标、脉冲指标、裕度指标以及峰值指标这些时域参数描述柴油机振动信号的时域特性，具体定义如下：

f

其中，x(n)为离散信号，n＝1，2，…，N，N为信号数据点总数；

基于SVM的故障分类具体包括以下步骤：

为了真实反映诊断精度和提升训练效果，需要对数据集进行随机分割，在设定的测试集比例基础上，通过生成随机二进制向量的方式分割测试集和训练集；

将训练集输入SVM进行训练，此时核函数的超参数对分类效果有影响，SVM的核函数不止一种，主要包括线性核、多项式核、高斯核和Sigmoid核，其中高斯核通过衡量样本点与空间定点的相似度的方式进行高维映射，能够将分类问题映射到无限维，经参数寻优后对非线性分类有较好效果；

经过训练以后输入测试集进行测试，得到诊断结果，和标签比较算出诊断精度；

海洋捕食者算法MPA优化包括以下步骤：

与大多数元启发式方法类似，MPA是基于种群的方法，下述坐标作为初始坐标均匀分布于搜索空间：

X

其中X

根据适者生存的理论，自然界的顶级掠食者更善于觅食，因此，最优的捕食个体称为顶级捕食者，依此构成一个矩阵，称为Elite矩阵；

其中

另一个与Elite矩阵相同维度的Prey矩阵，捕食者会根据Prey矩阵更新自己的位置，Prey矩阵中最好的个体可能成为新的顶级捕食者，以重新构建Elite矩阵，Prey矩阵如下所示：

应注意Prey矩阵中既包含猎物也包含捕食者，但它们的共有身份是Elite矩阵中顶级捕食者的猎物，

定义猎物和捕食者的移动速度之比为“速度比”，为了考虑不同的“捕食者和猎物的速度比”，同时也为了模拟捕食者和被捕食者的整个生命周期，优化过程分为三个主要的优化阶段，对于每个已定义的阶段，指定一个特定的迭代周期；

模拟捕食者和被捕食者的整个生命周期，优化过程分为三个主要的优化阶段包括：

阶段一：在高速比时，是优化过程的初始迭代阶段，在速度比大于等于10时，捕食者的最佳策略是完全不移动，该规则的数学模型如下：

/>

式中

阶段二：速度比为1时，即捕食者和猎物以相同的速度移动，模仿捕食者和猎物都在寻找自己的猎物的状态，这一过程发生在优化的中间阶段，在这个阶段中，Prey矩阵中部分个体开始捕食，在这个阶段，全局搜索和捕食都很重要，因此，一半个体用于继续全局搜索，另一半个体用于捕食，根据该规则，在速度比等于1的情况下，当猎物进行Lévy运动时，捕食者的最佳策略为随机运动，因此，此阶段使猎物做Lévy运动，而捕食者做随机运动：

其中

对于另一半个体：

其中

和Elite相乘，以随机运动方式模拟捕食者的运动，以随机运动方式模拟捕食者的运动，而Prey矩阵则根据捕食者的运动更新其位置；

阶段三：在低速度比时，是优化过程的最后阶段，该阶段设置较高的捕食能力，在速度比等于0.1时，捕食者的最佳策略是Lévy运动：

与Elite相乘模拟了捕食者的Lévy运动，而在Elite的位置坐标上增加步长则模拟了捕食者的运动，Prey根据捕食者的运动更新其位置；

鱼群聚集效应的影响，在自然界中，对鲨鱼来说，80％以上的时间在鲨鱼群附近，其余20％的时间会进行远距离探索，这是为了找到其他环境内的猎物。优化过程中，鱼群聚集处是局部最优解，远距离探索能够避免停滞在局部最优处，数学模型如下：

/>

其中FADs是对优化过程的影响概率，这里FADs＝0.2，U是一个二进制向量，实现途径是在[0，1]中生成一个随机向量，如果向量某位小于0.2，则改为0，大于0.2，则改为1，r为[0，1]中的均匀分布随机数，X

在更新Prey矩阵中，执行FADs过程以后，计算Prey矩阵中每个行向量解的适应度，并将其与Elite矩阵中的解做对比，如果Prey矩阵中产生了更好的解，就用这个解更新Elite矩阵；

最后Elite矩阵输出的解的坐标，代表了寻找到的最优特征组合，二进制向量表示，或者最优的SVM核函数参数；

联合优化组织方式具体包括以下步骤：

启发式算法的局部最优问题是固有问题，提高全局搜索能力也不能完全避免局部最优问题，经实际验证，即使采用了全局搜索能力较强的MPA优化算法，对特征优选和参数寻优进行简单的串联仍然会出现结果恶化的问题，所以参考优化算法中的记忆原理，对联合优化组织方式进行改进：

特征优选的形式是，优化算法输出一个二进制坐标：

X

这个坐标向量与特征矩阵的每一个行向量，每一个样本的一组特征，做哈达玛积，再去除零元素，即可得到优选后的特征矩阵；

每轮特征优选结束后，接下来进行参数寻优，参数寻优所用的坐标输出比较简单，只包括核函数系数和乘法因子，只需要输出两个选定取值范围内的坐标即可，参数寻优使用的样本特征是历史最优特征，即实现过最高分类精度的特征，如果参数寻优后的分类精度低于历史最优参数，则舍弃该轮寻优结果，如果高于历史最优参数，则更新SVM最优参数向量，每轮参数寻优结束后，接下来进行特征优选，同理使用的SVM参数是历史最优参数，特征优选结束后同样进行比较择优，更好的核函数参数才会被用来更新SVM参数向量，通过这种组织方式，保证了每一次输出的更新一定优于上一次更新，每次更新特征选择和核函数参数，都改变了适应度函数，为特征空间引入抖动因素，有利于跳出局部最优；

根据得到的最终最优特征组合和核函数参数，对该机型滑油滤清器堵塞故障及故障等级进行诊断。

以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。