一种基于机器学习的车载网络故障诊断方法

技术特征：
1.一种基于机器学习的车载网络故障诊断方法，其特征在于，包括以下步骤：提取待诊断的车载网络故障原始数据中的故障特征；将5折交叉验证svm的分类准确率作为目标函数，并确定惩罚因子c和rbf核函数参数g的上下限；基于海鸥算法，通过高斯映射初始化海鸥种群位置，即初始化每个海鸥的惩罚因子c和核函数参数g，并根据目标函数，计算最优适应度值和最优海鸥位置；引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新，获取更新后的最优适应度值和最优海鸥位置；对最优海鸥位置进行双向sine变异，将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置；根据预设的最大迭代次数依次更新最优海鸥位置，确定最优海鸥位置，即获得对应最优的惩罚因子c和核函数参数g；将最优的惩罚因子c和核函数参数g作为svm模型参数构建车载网络故障诊断模型；将车载网络故障诊断的特征向量，输入到训练后的车载网络故障诊断模型，获得故障诊断结果。2.根据权利要求1所述的一种基于机器学习的车载网络故障诊断方法，其特征在于，所述通过高斯映射初始化海鸥种群位置，包括以下步骤：通过高斯映射产生随机数：利用产生的高斯随机数x
t
初始化海鸥位置p
s
(t)为：p
s
(t)＝(ub-lb)
×
x
t
lb式中，mod(
·
)为求余函数，lb为海鸥寻优下边界；ub为海鸥寻优上边界。3.根据权利要求1所述的一种基于机器学习的车载网络故障诊断方法，其特征在于，所述引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新，包括以下步骤：通过海鸥迁徙行为和海鸥全局攻击行为进行海鸥位置更新。4.根据权利要求3所述的一种基于机器学习的车载网络故障诊断方法，其特征在于，所述海鸥迁徙行为，包括以下步骤：采用附加变量a计算海鸥的新位置，来避免与其他海鸥碰撞：c
s
(t)＝a
×
p
s
(t)a＝f
c-(t
×
f
c
/miter)式中：c
s
(t)为不与其他海鸥存在位置冲突的新位置；p
s
(t)为海鸥当前位置；t为当前迭代次数；miter为最大迭代次数；a为海鸥在给定搜索空间中的运动行为；f
c
为控制系数，取值从2降到0；向最佳位置所在的方向移动：m
s
(t)＝b
×
(p
bs
(t)-p
s
(t))b＝2
×
a2×
r
d
式中：m
s
(t)为最佳位置所在的方向；p
bs
(t)为最佳位置；b为负责平衡全局和局部搜索的随机数；r
d
为[0,1]范围内的随机数；到达新的位置：d
s
(t)＝|c
s
(t) m
s
(t)|式中：d
s
(t)是海鸥的向新位置移动的距离。5.根据权利要求3所述的一种基于机器学习的车载网络故障诊断方法，其特征在于，所述海鸥全局攻击行为，包括以下步骤：通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：式中：r为每个螺旋的半径，θ为[0，2π]范围内的随机角度值；u和v为螺旋形状的相关常数；e为自然对数的底数；引入蝴蝶优化算法的位置更新机制，改进后的海鸥位置更新公式如下：式中：f
s
(t)＝c
·
i
α
；p
s
(t 1)为更新后的第t 1次迭代的海鸥位置；p
bs
(t)表示第t次迭代的最佳位置；p
s
(t)为第t次迭代的海鸥位置；f
s
(t)为第t次迭代的海鸥散发出来的香味；α是[0,1]之间的一个随机数；λ是[0,1]之间的一个随机数；r1和r2为[1,n]之间的随机整数，和分别为随机选择的第r1和r2个海鸥的位置，r1≠r2；rand为[0,1]之间的随机数；p为切换概率，用于切换海鸥位置更新的公式；c是感知形态因子，为(0,1)之间的一个随机数；i是刺激因子；a是功率指数，为(0,1)之间的一个随机数；计算适应度值：fitness(t)＝f
f
(p
s
(t 1))式中，f
f
(
·
)为计算适应度值时的适应度函数。6.根据权利要求5所述的一种基于机器学习的车载网络故障诊断方法，其特征在于，所述对最优海鸥位置进行双向sine变异，包括以下步骤：对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：sinvalue＝sin(πx0)式中，rand为0到1的随机数；x0为迭代序列值；对最优位置进行变异扰动：p
bs(j)
(t 1)'＝p
bs(j)
(t 1) sinvalue
×
p
bs(j)
(t 1)式中：p
bs(j)
(t 1)表示第t次迭代的最优位置p
bs
(t 1)的第j维；贪婪更新：
每个维度都进行变异后，停止变异。

技术总结
本发明提供一种基于机器学习的车载网络故障诊断方法，包括以下步骤：提取故障特征；确定目标函数；基于海鸥算法，通过高斯映射初始化海鸥种群位置，即初始化每个海鸥的惩罚因子C和核函数参数g，并根据目标函数，计算最优适应度值和最优海鸥位置；引入蝴蝶优化算法的位置更新机制，改进原海鸥算法的位置更新方式，并进行位置更新；对最优海鸥位置进行双向sine变异；根据预设的最大迭代次数依次更新最优海鸥位置，确定最优海鸥位置，即获得对应最优的惩罚因子C和核函数参数g；构建车载网络故障诊断模型，获得故障诊断结果和测试准确率。本方法能够显著提升车载网络故障诊断的效果。法能够显著提升车载网络故障诊断的效果。法能够显著提升车载网络故障诊断的效果。


技术研发人员：陈克伟 魏曙光 石海滨 宋小庆 张新喜 尚颖辉 廖自力 张嘉曦
受保护的技术使用者：中国人民解放军陆军装甲兵学院
技术研发日：2022.09.07
技术公布日：2023/2/6