基于鲸鱼优化深度混合核极限学习机的故障诊断方法

机器鱼

已于 2022-03-12 13:29:39 修改

阅读量4.8k

点赞数 5

分类专栏：故障诊断深度学习

于 2022-03-12 12:07:00 首次发布

本文链接：https://blog.csdn.net/qq_41043389/article/details/123438460

版权

鲸鱼优化算法深度混合核极限学习机参数调优轴承故障诊断适应度曲线

关键词由CSDN通过智能技术生成

深度学习同时被 2 个专栏收录

26 篇文章 66 订阅

订阅专栏

故障诊断

14 篇文章 68 订阅

订阅专栏

在博客（这里）里我们讲述了粒子群优化深度核极限学习机，今天我们继续对其进行改进：原始的深度核极限学习机顶层采用核极限学习机进行分类，现在我们将其改成混合核的极限学习机（线性核、RBF、多项式、小波核两两组合），因为应用了多个核函数，相比于之前的超参数更多，手工调参较为困难。

1-算法原理

其主要步骤如下：

1.1 深度核极限学习

步骤1：利用极限学习机与自动编码器相结合，形成极限学习机-自动编码器(ELM-AE)，结构如图1，将ELM-AE作为无监督学习的基础单元对输入数据进行贪婪逐层无监督预训练，并保存ELM-AE由最小二乘法获得的输出权值矩阵，

步骤2：然后用这些输出层权重来初始化深度核极限学习机(Deep kernel extreme leaning machine，DKELM)，然后结合标签信息对DKELM的输出层权重进行学习，结构图2所示。

1.2 深度混合核极限学习机

与深度核极限学习机结构一样，区别在于顶层KELM采用多个核进行加权，称为混合核极限学习机或者多核极限学习机，简称HKELM。比如，KELM的输入是核矩阵 $K(Hni,Hnj)$ ，这里K可以是线性核、RBF、多项式、小波核中的任意一种，而HKELM的输入是 $wK1(Hni,Hnj)+(1-w)K2(Hni,Hnj)$ ，其中K1和K2都是线性核、RBF、多项式、小波核中的任意一种，w是核1所占的权重，即HKELM的输入是两个核矩阵加权。

这样的模型我们称之为深度混合核极限学习机，简称DHKELM。

1.3 问题引出

由于网络超参数太多，主要有：DHKELM各隐含层节点数，预训练时ELM-AE的L2 正则化系数，顶层HKELM的惩罚系数、核1的权重以及K1、K2的核参数，且核函数类型不同，核参数的数量也不一样，因此通过手动选择往往无法得到最优的结果，为此采用鲸鱼算法对DHKELM的超参数进行优化，简称WOA-DHKELM。

优化原理：以最小化分类错误率为适应度函数，WOA的目的就是找到一组最优超参数，使得DHKELM的分类错误率最低。

2-应用

为验证上述方法的有效性，本文将WOA-DHKELM算法用于凯斯西储的轴承数据故障诊断中。

2.1 数据准备

采用凯斯西储轴承故障诊断数据，驱动端，48k采样频率，0HP负载，共10类数据，如下所示。从每类数据中各取100个样本，每个样本长度为864个采样点，共得到1000个样本，然后按照7:3划分训练集与测试集。

2.2 数据处理

对上述采集的样本进行FFT特征提取，提取每个样本的频谱幅值作为最终的特征数据，如下图所示。然后归一化，作为DKELM与WOA-DHKELM的输入数据，标签采用onehot编码，即第一类为[1 0 0 0 0 0 0 0 0 0]，第二类为[0 1 0 0 0 0 0 0 0 0]。

2.3 DHKELM分类

参数都是手动设置，随便设的，结果如下

%% DHKELM
close all;clear;format compact;format short;clc;rng('default')

%% 加载数据
load result/data_feature_fft

[train_x,train_ps]=mapminmax(train_X',-1,1);
test_x=mapminmax('apply',test_X',train_ps);

P_train = double(train_x)' ;
P_test  = double(test_x)' ;
T_train = double(train_Y);
T_test  = double(test_Y);
%%  参数设置
%elm-ae的参数
h=[100 ,50];%各隐含层节点数
TF='sig';%ELM-AE激活函数
lambda1=inf;%elm-ae的L2正则化系数
%顶层核极限学习的惩罚系数lambda与核参数ker1
lambda2=100;%正则化系数
w=0.5;%混合核kernel1的权重w，kernel2就是1-w
%核函数类型1.RBF_kernel 2.lin_kernel 3 poly_kernel 4 wav_kernel
kernel1='RBF_kernel';
kernel2='poly_kernel';

% 核参数设置  详情看kernel_matrix
if strcmp(kernel1,'RBF_kernel')
    ker1_para=1; %rbf有一个核参数
elseif strcmp(kernel1,'lin_kernel')
    ker1_para=[]; %线性没有核参数
elseif strcmp(kernel1,'poly_kernel')
    ker1_para=[1,1]; %多项式有2个核参数
elseif strcmp(kernel1,'wav_kernel')
    ker1_para=[1,1,1]; %小波核有3个核参数
end
% 核参数设置  详情看kernel_matrix
if strcmp(kernel2,'RBF_kernel')
    ker2_para=1; %rbf有一个核参数
elseif strcmp(kernel2,'lin_kernel')
    ker2_para=[]; %线性没有核参数
elseif strcmp(kernel2,'poly_kernel')
    ker2_para=[1,1]; %多项式有2个核参数
elseif strcmp(kernel2,'wav_kernel')
    ker2_para=[1,1,1]; %小波核有3个核参数
end
%% 
dhkelm=dhkelmtrain(P_train,T_train,h,lambda1,TF,...
    lambda2,w,ker1_para,kernel1,ker2_para,kernel2);
% T1=dhkelmpredict(dhkelm,w,ker1,kernel1,ker2,kernel2,P_train,P_train);%训练集
T2=dhkelmpredict(dhkelm,w,ker1_para,kernel1,ker2_para,kernel2,P_test,P_train);%测试集

[~,J1]=max(T2,[],2);%转换为类别号
[~,J2]=max(T_test,[],2);%转换为类别号

acc=sum(J1==J2)/length(J2)

%排一下序 更好看
[~,index]=sort(J2);

figure
plot(J2(index),'ro')
hold on;grid on
plot(J1(index),'k*')
title('DHKELM')
legend('真实标签','预测标签')
xlabel('样本编号')
ylabel('类别号')

由于是随便设置的参数，所以结果不好。也说明做参数优化是有必要的。

2.4 WOA-DHKELM分类

采用WOA优化DHKELM（各隐含层节点数，正则化系数，顶层kelm的惩罚系数与核参数），难点在于不同的核函数组合核参数数量不一致，所以在WOA优化的时候寻优维度与寻优上下界要分段，部分设置如下。

%由于隐含层层数与核函数类型会影响寻优维度，所以下面我们分段进行寻优范围设置
xmin=[];xmax=[];
% 首先是各层节点数,范围是1-100，整数
xmin=[xmin ones(1,layers)];
xmax=[xmax 100*ones(1,layers)];
% 然后是ELM-AE的正则化系数与 hkelm的惩罚系数 与kernel1的权重系数
xmin=[xmin 1e-3 1e-3 0];
xmax=[xmax 1e3  1e3  1];
% 最后是hkelm的核参数
% 核参数设置  详情看kernel_matrix
if strcmp(kernel1,'RBF_kernel') && strcmp(kernel2,'RBF_kernel')
    xmin=[xmin 1e-3 1e-3 ];xmax=[xmax 1e3 1e3];%两个 RBF_kernel的 各一个核参数 范围都是1e-3到1e3
elseif strcmp(kernel1,'RBF_kernel') && strcmp(kernel2,'lin_kernel')
    xmin=[xmin 1e-3 ];xmax=[xmax 1e3];%线性核没有核参数
elseif strcmp(kernel1,'RBF_kernel') && strcmp(kernel2,'poly_kernel')
    xmin=[xmin 1e-3 1e-3 1 ];xmax=[xmax 1e3 1e3 10 ];%RBF_kernel一个核参数 而poly_kernel一共2个，第一个和rbf一样是1e-3到1e3。而第二个参数是幂指数，我们定义他的范围是1-10
elseif strcmp(kernel1,'RBF_kernel') && strcmp(kernel2,'wav_kernel')%
    xmin=[xmin 1e-3 1e-3 1e-3 1e-3 ];xmax=[xmax 1e3 1e3 1e3 1e3 ];%RBF_kernel一个核参数 wav_kernel有3个核参数
elseif strcmp(kernel1,'lin_kernel') && strcmp(kernel2,'lin_kernel')
    xmin=xmin;xmax=xmax;
elseif strcmp(kernel1,'lin_kernel') && strcmp(kernel2,'poly_kernel')
    xmin=[xmin 1e-3 1 ];xmax=[xmax 1e3 10];
elseif strcmp(kernel1,'lin_kernel') && strcmp(kernel2,'wav_kernel')
    xmin=[xmin 1e-3 1e-3 1e-3 ];xmax=[xmax 1e3 1e3 1e3 ];
elseif strcmp(kernel1,'poly_kernel') && strcmp(kernel2,'poly_kernel')
    xmin=[xmin 1e-3 1 1e-3 1 ];xmax=[xmax 1e3 10 1e3 10 ];
elseif strcmp(kernel1,'poly_kernel') && strcmp(kernel2,'wav_kernel')
    xmin=[xmin 1e-3 1 1e-3 1e-3 1e-3 ];xmax=[xmax 1e3 10 1e3 1e3 1e3 ];
elseif strcmp(kernel1,'wav_kernel') && strcmp(kernel2,'wav_kernel')
    xmin=[xmin 1e-3 1e-3 1e-3 1e-3 1e-3 1e-3 ];xmax=[xmax 1e3 1e3 1e3 1e3 1e3 1e3 ];
end
dim=length(xmin);

优化后的适应度曲线如下所示。适应度曲线是一条下降的曲线，表示随着woa优化的，能够找到一组更好的超参数，使得DHKELM的分类错误率越来越低。

经过20次优化，采用上述最优超参数进行DHKELM建模，得到的测试集分类正确率为99.33%。

3-还有更多

代码链接在评论区

1.MATLAB原子轨道优化深度混合核极限学习机的轴承故障诊断(AOS-DHKELM)
2.MATLAB天鹰优化器优化深度混合核极限学习机的轴承故障诊断(AO-DHKELM)
3.MATLAB气味体优化深度混合核极限学习机的轴承故障诊断(AO-DHKELM)
4.MATLAB灰狼优化深度混合核极限学习机的轴承故障诊断(GWO-DHKELM)
5.MATLAB算术优化算法优化深度混合核极限学习机的轴承故障诊断(AOA-DHKELM)
6.MATLAB粒子群优化深度混合核极限学习机的轴承故障诊断(PSO-DHKELM)
7.MATLAB蜉蝣优化深度混合核极限学习机的轴承故障诊断(MA-DHKELM)
8.MATLAB鲸鱼优化深度混合核极限学习机的轴承故障诊断(WOA-DHKELM)
9.MATLAB麻雀优化深度混合核极限学习机的轴承故障诊断(SSA-DHKELM)