Electronic System Fault Diagnosis with Optimized Multi-kernel SVM by Improved CPSO

Guo, Y. M.; Wang, X. T.; Liu, C.; Zheng, Y. F.; Cai, X. B.

Artykuł - szczegóły

Tytuł artykułu

Electronic System Fault Diagnosis with Optimized Multi-kernel SVM by Improved CPSO

Autorzy

Guo Y. M. , Wang X. T. , Liu C. , Zheng Y. F. , Cai X. B.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Diagnoza uszkodzeń układu elektronicznego z wykorzystaniem Wielojądrowej Maszyny Wektorów Nośnych (SVM) zoptymalizowanej przy pomocy poprawionego algorytmu CPSO

Języki publikacji

Abstrakty

Electronic systems’ safety operation has become a key issue to complex and high reliability systems. Now more emphasis has been laid on the accuracy of electronic system fault diagnosis. Based on the characteristics of the electronic system fault diagnosis, we design a multi-classification SVMs model to attain better fault diagnosis accuracy, which utilizes multi-kernel function consisting of several basis kernel functions to enhance the interpretability of the classification model. In order to optimize the performance of multi-classification SVMs with multi-kernel, we improve the Chaos Particles swarm Optimization (CPSO) algorithm to achieve the optimum parameters of SVMs and the multi-kernel function. For the improved CPSO algorithm, a modified Tent Map chaotic sequence is used to strengthen the search diversity, and an effective method is embedded to the stander PSO algorithm which can ensure to avoid premature stagnation and obtain the global optimization values. The fault diagnosis simulation results of an electronic system show the proposed optimization scheme is a feasible and effective method and it can significantly improve the fault diagnosis accuracy of the multi-kernel SVM.

Bezpieczeństwo pracy układów elektronicznych stało się kluczowym zagadnieniem w odniesieniu do złożonych układów o wysokiej niezawodności. Obecnie coraz większy nacisk kładzie się na trafność diagnozy uszkodzeń układów elektronicznych. Na podstawie charakterystyki diagnozy uszkodzeń układów elektronicznych, opracowaliśmy model wielokryterialnej klasyfikacji SVM pozwalający osiągnąć lepszą trafność diagnozy uszkodzeń. Model wykorzystuje funkcję wielojądrową składającą się z kilku bazowych funkcji jądrowych pozwalającą na zwiększenie interpretowalności modelu klasyfikacyjnego. Aby zoptymalizować działanie modelu wielokryterialnej klasyfikacji SVM wykorzystującego funkcję wielojądrową, udoskonaliliśmy algorytm Optymalizacji Metodą Chaosu-Roju Cząstek (CPSO), co pozwoliło osiągnąć optymalne parametry SVM i funkcji wielojądrowej. W poprawionym algorytmie CPSO wzmocniono różnorodność wyszukiwania poprzez wykorzystanie chaotycznej sekwencji generowanej przez zmodyfikowaną mapę tent, a także włączono do standardowego algorytmu PSO efektywną metodę pozwalającą uniknąć przedwczesnej stagnacji oraz uzyskać globalne wartości optymalizacji. Wyniki symulacji diagnozy uszkodzeń systemu elektronicznego pokazują, że proponowany system optymalizacji może być wykorzystywany jako skuteczna metoda umożliwiająca znaczne zwiększenie trafności diagnozy uszkodzeń z wykorzystaniem wielojądrowej SVM.

Słowa kluczowe

electronic system fault diagnosis support vector machine (SVM) chaos particles swarm optimization multi-kernel

układ elektroniczny diagnoza uszkodzeń maszyna wektorów nośnych optymalizacja metodą chaosu-roju cząstek funkcja wielojądrowa

Wydawca

Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne

Czasopismo

Eksploatacja i Niezawodność

Rocznik

2014

Tom

Vol. 16, no. 1

Strony

85--91

Opis fizyczny

Bibliogr. 37 poz.

Twórcy

autor

Guo Y. M.

yangming_g@nwpu.edu.cn

Reliability and Maintenance Research Laboratory, School of Computer Science and Technology, Northwestern Polytechnical University, Youyi West Road 127, Xi’an shaanxi, 710072, p. R. China

autor

Wang X. T.

Reliability and Maintenance Research Laboratory, School of Computer Science and Technology, Northwestern Polytechnical University, Youyi West Road 127, Xi’an shaanxi, 710072, p. R. China

autor

Liu C.

Reliability and Maintenance Research Laboratory, School of Computer Science and Technology, Northwestern Polytechnical University, Youyi West Road 127, Xi’an shaanxi, 710072, p. R. China

autor

Zheng Y. F.

Reliability and Maintenance Research Laboratory, School of Computer Science and Technology, Northwestern Polytechnical University, Youyi West Road 127, Xi’an shaanxi, 710072, p. R. China

autor

Cai X. B.

Reliability and Maintenance Research Laboratory, School of Computer Science and Technology, Northwestern Polytechnical University, Youyi West Road 127, Xi’an shaanxi, 710072, p. R. China

Bibliografia

1. Andersen ED, Andersen AD. The MOSEK interior point optimizer for linear programming: an implementation of the homogeneous algorithm. High performance optimization. Norewll, USA: Kluwer Academic Publishers, 2000.
2. Brian R, Sonja S. Structure of inverse limit spaces of Tent maps with nonrecurrent critical points. Glasnik matematickl 2007; 42(62):43–56.
3. Chapelle O, Vapnik V, Bousquet O, et al. Choosing kernel parameters for support verctor machines. Machine Learning 2002; 46(1):131–159.
4. Diao ZH, Zhao CJ, Guo XY, Lu SL. A new SVM multi-class classification algorithm based on balance decision tree. Control and Decision 2011; 26(1):149-152,156.
5. Drucker H, Wu D, Vapnik V. Support verctor machines for spam categorization. IEEE Transactions on Neural Networks 1999; 10(5):1048–1054.
6. Gaing ZL. Discrete particles swarm optimization algorithm for unit commitment. Power Engineering Society General Meeting, July, 2003.
7. Guo JQ, Li Y, Wang HS. Application of particles swarm optimization algorithms to determination of water quality parameters of river streams. Advances in science and technology of water resources 2007; 27(6):5.
8. Guo YM, Ma JZ, Xiao F, Tian T. SVM with optimized parameters and its application to electronic system fault diagnosis. 2012 IEEE International Conference on Prognostics and Health Management, June, 2012.
9. Hao Y, Sun JG, Yang GQ, Bai J. The application of support vector machines to gas turbine performance diagnosis. Chinese Journal of Aeronautics 2005; 18(1):15-19.
10. He Y, Ding Y, Sun Y. Fault diagnosis of analog circuitswith tolerances using artificial neural networks. IEEE Asia-Pacific Conference on Circuits and Systems, October, 2002.
11. Jian L, Xia ZH, Liang XJ, Gao CH. Design of a multiple kernel learning algorithm for LS-SVM by convex programming. Neural Networks 2011; 24: 476–483.
12. Kennedy J, Eberhart R. Perticle swarm optimization. IEEE International Conference on Neural Networks, December, 1995.
13. Shen LC, Huo XH, Niu YF. Survey of discrete particles swarm optimization algorithm. Systems Engineering and Electronics 2008; 30(10): 1986–1990.
14. Lee Yoonkyung. Multicategory support vector machines, theory, and application to the classification of microarray data and satellite radiance data. Technical Report No.1063, 15 Sept. 2002.
15. Li H, Zhang YX. An algorithm of soft fault diagnosis for analog circuit based on the optimized SVM by GA. The Ninth International Conference on Electronic Measurement & Instruments (ICEMI’2009), August, 2009.
16. Li Q, Dong CL, Chen ZZ, He XL. Improved algorithm for kernel-based SVM. Computer Engineering and Application 2010; 46(10): 150–152.
17. Lian GY, Wang WG, Huang KL, Guo R. Research of optimization method for test selection based on particles swarm optimization algorithm. Computer Measurement & Control 2008; 16(10):1387–1389.
18. Liu B, Wang L, Jin YH, Tang F, Huang DX. Improved particles swarm optimization combined with chaos. Chaos, Solitons and Fractals 2005; 25: 1261–1271.
19. Liu JD. A spatiotemporal chaotic sequence based on coupled chaotic Tent map lattices system with uniform distribution. Journal of computers 2011; 6(2): 190–199.
20. Meng LQ, Guo JQ. Application of chaos particles swarm optimization algorithm to determination of water quality parameter of river steam. Journal of earth sciences and environment 2009; 31(2): 169–172.
21. Michael P, Rubyca J. A prognostics and health management roadmap for information and electronics-rich systems. IEICE Fundamentals Review 2010; 3(4): 25–32.
22. Scholkopf B, Smola A,Learning with Kernels. Cambridgeshire MIT Press, 2002.
23. Schwenker F. Hierarchical support vector machines for Multi-class pattern recognition. The fourth international conference on knowledgebased intelligent engineering systems & allied technologies, Augest, 2000.
24. Shan L, Qiang H, Li J, Wang ZQ. Chaotic optimization algorithm based on Tent map. Control and Decision 2005; 20(2): 179–182.
25. Shen LC, Huo XH, Niu YF. Survey of discrete particles swarm optimization algorithm. Systems Engineering and Electronics 2008; 30(10): 1986–1990.
26. Sonnenburg S, Räosch G, Schäer C, Schökopf B. Large scale multiple kernel learning. Journal of Machine Learning Research 2006; 7: 1531–1565.
27. Vandenberghe L, Boyd S, Semidefinite programming. SIAM Review 1996; 38: 49–95.
28. Van B, Engelbrecht A. A new locally convergent particles swarm optimizer. IEEE International Conference on Systems, Man and Cybernetics, October, 2002.
29. Vapnik V. An overview of statistical learning theory. IEEE Transactions on Neural Networks 1999; 10(5): 988–999.
30. Vapnik V. Statistical learning theory. New York: John Wily and Sons, 1998.
31. Wang HQ, Sun FC, Cai YN, Chen N. Ding LG, On multiple kernel learning methods. Acta Automatica Sinica 2010; 36(8): 1037–1050.
32. Wang M, Zhu YL. He XX. A survey of swarm intelligence. Computer Engineering 2005; 31(22):194–196.
33. Weston J, Watkins C. Multi-class support vector machines. Technical Report CSD-TR-98-04, Department of Computer Science, Royal Holloway, University of London, Egham, UK, 1998.
34. Xu QH, Shi J. Fault diagnosis for aero-engine applying a new multi-class support vector algorithm. Chinese Journal of Aeronautics 2006; 19(1): 175–182.
35. Yang CS, Chuang LY , Ke CH , Yang CH. Comparative particles swarm optimization (CPSO) for solving optimization problems. IEEE International Conference on Research, Innovation and Vision for the Future, July, 2008.
36. Zhang JF, Hu SS. Chaotic time series prediction based on multi-kernel learning support vector regression. Acta Physica Sinica (Chinese Physics) 2008; 57(5): 2708–2713.
37. Zhang M Zhang DX. Research on text categorization based on M-SVMs. Computer Technology and Development 2008; 28(3): 139–141, 156.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-d5ab456e-0dc8-4f7d-8962-1190ac12f645