[發明專利]一種改進灰狼優化DBN-ELM的亞健康狀態識別方法

在審

• 申請號: 202110590877.0
• 申請日: 2021-05-28
• 公開（公告）號: CN113190931A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 張利;袁意麗;王海威;張皓博;王軍;張蕾;陳彪
• 申請（專利權）人: 遼寧大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/00;G06N3/08;G06F111/08;G06F119/10
• 代理公司: 沈陽杰克知識產權代理有限公司 21207
• 代理人: 王洋

1.一種改進灰狼優化DBN-ELM的亞健康狀態識別方法，其特征在于，其步驟為：

1)信號采樣：用加速度計收集軸承的振動數據，選取數字信號的采樣頻率為12000Hz的軸承數據；

2)降噪處理：采用小波閾值降噪法，選取小波基函數為db5，分解層數為5，對每層高頻小波系數做閾值量化處理，通過極大極小準則閾值函數對軸承時域信號進行軟閾值去噪處理，根據式(1)計算閾值:

其中，T為閾值，σ為噪聲標準差，N為信號長度；

3)特征選擇：計算k階中心矩，偏度，峰度，峰度因子，波形因子，脈沖因子，裕度因子等時域特征參數，將其作為時域特征向量；

4)數據歸一化處理：將時域特征向量通過歸一化處理得到最終數據作為模型輸入，利用小波閾值降噪得到的數據經過特征選取得到特征向量轉化為(0,1)區間范圍的數據，所用公式為式(2)：

其中：X*是歸一化后的結果，X表示樣本集中的原數據，min表示樣本集X中的最小數據，max表示樣本集X中的最大數據；

5)亞健康狀態識別：

5.1)設置種群數量、迭代的最大次數等相關參數；

5.2)初始化A、C和a等相關參數；

5.3)將數據預處理后得到的特征向量輸入DBN-ELM模型進行訓練；

5.4)計算種群中每個灰狼個體的適應度值，并對其進行排序，選擇前三只狼，分別設為α狼、β狼和δ狼，記錄并保存這三只狼的位置；

5.5)更新除α狼、β狼和δ狼以外的其他灰狼個體的位置；

5.6)更新C、A、a的值；

5.7)重新計算下種群中所有灰狼個體的適應度值并排序，與前一次迭代比較，更新α狼、β狼、δ狼的適應度值及其相應的位置作為下一代繼續尋優，判斷是否達到算法結束條件，即最大迭代次數，若達到設定最大迭代次數，算法停止迭代，輸出α狼的位置X_α，否則回到步驟5.4)；

5.8)用改進后的灰狼算法來尋找DBN-ELM隱藏層各層神經元數目，隱藏層各層神經元數目分別映射為α狼的位置，求得最終的DBN-ELM隱藏層各層神經元數目，利用訓練好的DBN-ELM網絡訓練測試數據，輸出軸承分類結果。

2.根據權利要求1所述的一種改進灰狼優化DBN-ELM的亞健康狀態識別方法，其特征在于，所述的步驟5.5)中，具體方法為：

以α，β，δ為指導的狼群從各方向靠攏獵物，進而達到捕食的目的；這種行為的數學描述為:

其中：D_α，D_β，D_δ為領導的3只狼與獵物之間的距離；X₁，X₂，X₃代表3只狼對狼群ω指導后更新的位置；引入動態權重策略以加快灰狼算法收斂速度，在原始灰狼算法的位置更新式(5)中，α，β，δ狼的權重系數皆為1/3，即3只頭狼對狼群個體的引導能力是相等的，忽略α狼、β狼、δ狼能力的不同，使得算法收斂速度緩慢；對位置更新公式的權重比例進行了調整，數學模型為：

式中W_α、W_β、W_δ分別表示α狼、β狼、δ狼指導ω狼位置更新的權重，f_α、f_β、f_δ分別表示α狼、β狼、δ狼每次迭代的適應度值。

3.根據權利要求1所述的一種改進灰狼優化DBN-ELM的亞健康狀態識別方法，其特征在于，所述的步驟5.6)中，具體方法為：

具體方法為：

C＝2r₁ (7)

A＝2ar₂-a (8)

式中C為擺動因子；r₁是[0，1]間的隨機數；r₂是[0，1]間的隨機數，a是收斂因子，t是迭代次數，MaxIter是最大迭代次數；

從(9)式a的公式我們可以發現原始灰狼算法中a是線性收斂的，a隨著迭代次數t的增加，從2線性遞減到0；從而導致A同樣為線性收斂，促使灰狼算法全局搜索能力和局部搜索能力不均；理想的尋優過程應為：尋優初期能夠擴大尋優搜索范圍，尋優后期能夠縮小搜索范圍進行局部尋優；在此基礎上本文對原始收斂因子a進行了改進，改進公式如下：

式中a_initial、a_final分別為a的初始值2和最終值0，t是迭代次數，MaxIter是最大迭代次數。