(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111353432.7 (22)申请日 2021.11.16 (71)申请人 江苏科技大学 地址 212028 江苏省镇江市丹徒区长晖路 666号 (72)发明人 王召斌　乔青云　尚尚　陈康宁　 刘百鑫　李朕　朱佳淼　李久鑫　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 代理人 卢华强 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/10(2019.01) G06F 111/04(2020.01)G06F 119/02(2020.01) (54)发明名称 基于AMFO算法和SVM算法继电器贮存寿命预 测方法 (57)摘要 本发明是基于A MFO算法和SV M算法继电器 贮 存寿命预测方法， 包括如下步骤： 步骤1获取材料 性能参数； 步骤2对参数数据进行主成分分析， 获 取主成分变量； 步骤3将主成分变量分别取训练 集和测试集数据， 将训练集数据输入SVM模型中 进行训练学习； 步骤4： 采用自适应飞蛾 火焰优化 算法对SVM模型的核函数中的参数进行优化， 利 用最优参数进行构建SVM模型， 建立起优化后的 模型进行寿命预测； 步骤5设置失效阈值， 预测到 达失效阈值的退化曲线； 步骤6通过计算概率密 度函数得出最终的预测的寿命。 本发 明将数据样 本放入SVM模型中进行训练后进行寿命预测， 引 进非线性动态自适应步长方法， 能够使飞蛾搜索 能力增强， 提高飞蛾的全局寻优能力。 权利要求书3页 说明书8页 附图3页 CN 114021470 A 2022.02.08 CN 114021470 A 1.基于AMFO算法和SVM算法继电器贮存寿命预测方法， 其特征在于： 所述继电器贮存寿 命预测方法包括如下步骤： 步骤1： 对电磁继电器进行加速退化贮存试验， 获取建立训练样本所需的材料性能参 数； 步骤2： 对步骤1中的原始性能参数数据进行主成分分析， 进行降维处理， 剔除冗余数 据， 保留对样本总体贡献较大的因素， 获取主成分变量； 步骤3： 将步骤2获取的主成分变量分别取训练集和测试集数据， 将所述训练集数据输 入SVM模型中进行训练学习； 步骤4： 采用自适应飞蛾火焰优化算法， 对SVM模型的核函数中的参数进行优化， 确定最 优参数c和σ， 利用最优参数进 行构建SVM模型， 提高SVM模 型预测数据的精度， 建立起优化后 的模型进行寿命预测； 步骤5： 设置失效阈值， 选择不同区间的测试样本使得初始预测时间点不同， 预测到达 失效阈值的退化曲线； 步骤6： 通过计算概率密度函数得出最终的预测的寿命， 并且与实际继电器贮存寿命进 行对比， 进行误差分析。 2.根据权利要求1所述基于AMFO算法和SVM算法继电器贮存寿命预测方法， 其特征在 于： 所述步骤4中采用自适应飞蛾火焰优化算法， 确定最优参数C和σ， 利用最优参数进行构 建SVM模型， 包括如下步骤： 步骤4‑1： 对参数进行初始化， 设置飞蛾种群大小n， 搜索的空间维度d， 最大迭代次数T 以及火焰数量 N， 在空间内初始化飞蛾的位置； 步骤4‑2： 矩阵OM储 存着飞蛾的适应度值， 矩阵M表示飞蛾的位置： mij＝[bub(i)‑blb(i)]rand()+blb(i) 其中bub(i)和blb(i)分别为第i个飞蛾位置的上限和下限； 步骤4‑3： 矩阵OF储 存着火焰的适应度值， 矩阵F表示火焰的位置： 步骤4‑4： 计算个体的适应度值， 并按照从小到大的顺序给所有个体排序， 找出最优的 飞蛾位置并将其赋值给火焰； 步骤4‑5： 利用公式 更新动态自适应惯性权重以及火焰的位置， 利 用公式 减少火焰数量， 其中ω为动态自适应权重因子， 其中N为 火焰数量的最大值， l 为当前的迭代次数， T为 最大迭代次数， 迭代次数l ＝l+1； 步骤4‑6： 将自适应步长公式 应用于飞蛾Mi和火焰Fj的距离公式中 更新飞蛾与火焰的距离Di， 其中l为当前的迭权　利　要　求　书 1/3 页 2 CN 114021470 A 2代次数， T为 最大迭代次数， θ 为 参数； 步骤4‑7： 利用对数螺线函数公式S(Mi， Fj)＝Di*ept*cos2πt+ωFj更新飞蛾的位置， 其中 Mi和Fj分别飞蛾和火焰的位置， Di为更新后的飞蛾与火焰的距离， p为螺旋形状 常数， ω为动 态自适应权重因子， 动态自适应权重因子和j 个火焰相乘， 是随着迭代次数的增加从1到0的 非线性自适应减小， 使飞蛾朝着正确的搜索方向前进， 并有效提高算法的精度； 步骤4‑8： 不断进行迭代更新， 直到满足停止条件， 输出整个迭代过程中火焰的最优位 置以及所对应的适应度值， 停止迭代搜索即算法结束， 输出最优参数值； 步骤4‑9： 根据最优的参数构建SVM模型。 3.根据权利要求1或2所述基于AMFO算法和SVM算法继电器贮存寿命预测方法， 其特征 在于： 所述 步骤4中的SVM模型的寿命预测的预测过程包括如下步骤： 步骤4‑10‑1： 对原始性能参数 数据进行归一 化处理， 建立训练样本集； 步骤4‑10‑2： 选择核函数及参数： 不同的核函数选择会出现不 同的SVM模型， 参数的计 算式 式中 和σy分别为平均值和方差； 步骤4‑10‑3： 根据建立的SVM模型进行样本训练， 进而对其进行预测， 得到相关的预测 结果， 将输入样本代入 模型中， 进行分析， 输出 预测值； 步骤4‑10‑4： 把预测值与实际值进行检验， 如果对预测值不满意则返回第步骤4 ‑10‑3， 反之则进行误差分析。 4.根据权利要求3所述基于AMFO算法和SVM算法继电器贮存寿命预测方法， 其特征在 于： 在所述步骤4中采用的自适应飞蛾火焰 优化算法引进了动态自适应步长因子α和 动态自 适应权重因子ω， 表达形式分别为 其中l为当前的迭代次数， T为 最大迭代次数。 5.根据权利要求1所述基于AMFO算法和SVM算法继电器贮存寿命预测方法， 其特征在 于： 所述步骤2中降维处 理具体包括如下步骤： 步骤2‑1： 将原始性能参数数据进行向量标准化， 构成P随机向量X＝(x1， x2， ...， xp)T， 一 共n个样本量， xi＝(xt1， xi2， ...， xip)T， 然后进行标准变换： 最终构造矩阵Z实现 矩阵标准 化， 其中 步骤2‑2： 对标准 化后的矩阵进行计算， 从而求出相关系数矩阵 步骤2‑3： 求解R的特征方程|R ‑γp|＝0从而得到P个特征根， 再确定主成分信息值来保 证主成分的累计贡献率能够超过85％， 对于每一个γp， 解方程组Rb＝γpb可以得到单位特 征向量b； 步骤2‑4： 将标准化后的指标变量zij转换为主 成分： 其中bj为 对应的第j列单位特 征向量； 步骤2‑5： 通过打分情况对步骤2 ‑4中的m个主成分进行加权求和， 求得最终的综合评估 数值， 加权比规定为每一个主成分的方差贡献率， 主成分 分析前：权　利　要　求　书 2/3 页 3 CN 114021470 A 3