本發(fā)明屬于火控系統(tǒng)電源模塊故障診斷，尤其涉及基于izoa-catboost的火控系統(tǒng)電源模塊故障預(yù)測方法。

背景技術(shù)：

1、目前，現(xiàn)有火控系統(tǒng)電源模塊故障診斷通常依賴于定期檢查和基于傳感器的數(shù)據(jù)監(jiān)測，采用簡單的故障代碼或警告信號(hào)來指示系統(tǒng)異常，但上述方法只能檢測已知故障，且診斷準(zhǔn)確性較低，難以實(shí)時(shí)預(yù)測或識(shí)別未知故障模式，且維護(hù)成本高，需要依賴人工檢測和經(jīng)驗(yàn)判斷。

2、隨著人工智能技術(shù)的發(fā)展，火控系統(tǒng)電源模塊的故障診斷開始采用機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測，如支持向量機(jī)svm、隨機(jī)森林rf、梯度提升決策樹gbdt等。但上述方法都存在一定局限性，例如支持向量機(jī)svm在選擇核函數(shù)時(shí)具有較大的隨意性，且對大規(guī)模數(shù)據(jù)的處理能力有限，導(dǎo)致預(yù)測結(jié)果準(zhǔn)確性不足。隨機(jī)森林rf雖然在處理復(fù)雜數(shù)據(jù)時(shí)表現(xiàn)較好，但其對特征的依賴性較強(qiáng)，且在高維數(shù)據(jù)上可能出現(xiàn)過擬合現(xiàn)象，影響模型的泛化能力。梯度提升決策樹gbdt雖然能夠有效處理非線性問題，但訓(xùn)練速度較慢，且對噪聲敏感，特別是在數(shù)據(jù)質(zhì)量較差時(shí)，容易導(dǎo)致過擬合。

3、與這些方法相比，梯度提升決策樹catboost通過其較強(qiáng)的解釋性和魯棒性，能夠有效解決模型復(fù)雜性的問題。此外，catboost還具備優(yōu)越的泛化能力和表達(dá)能力，使得故障預(yù)測的準(zhǔn)確性更高。通過集成學(xué)習(xí)，catboost能夠在一定程度上彌補(bǔ)其他機(jī)器學(xué)習(xí)算法在故障診斷中的不足，尤其是泛化能力較弱的問題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于現(xiàn)有技術(shù)的上述缺點(diǎn)、不足，本發(fā)明提供一種基于izoa-catboost的火控系統(tǒng)電源模塊故障預(yù)測方法，采用改進(jìn)的斑馬優(yōu)化算法izoa對梯度提升決策樹catboost的核心參數(shù)優(yōu)化，得到故障預(yù)測模型izoa-catboost，彌補(bǔ)了在訓(xùn)練過程中參數(shù)選擇盲目性的缺陷，提高了回歸預(yù)測模型的預(yù)測精度。

2、為了達(dá)到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

3、基于izoa-catboost的火控系統(tǒng)電源模塊故障預(yù)測方法，包括如下步驟：

4、步驟s01、采集火控系統(tǒng)電源模塊的引腳信號(hào)值作為原始數(shù)據(jù)；

5、步驟s02、對步驟s01采集的原始數(shù)據(jù)通過核主成分分析算法kpca降維及歸一化處理，劃分訓(xùn)練集、測試集；

6、步驟s03、設(shè)置故障預(yù)測模型，包括以梯度提升決策樹catboost為基礎(chǔ)，采用改進(jìn)的斑馬優(yōu)化算法izoa對梯度提升決策樹catboost的核心參數(shù)優(yōu)化，得到故障預(yù)測模型izoa-catboost；改進(jìn)的斑馬優(yōu)化算法包括在斑馬優(yōu)化算法zoa的初始化階段引入cubic混沌映射，在覓食階段引入t-分布擾動(dòng)策略，在防御階段引入學(xué)習(xí)更新策略，得到改進(jìn)后的斑馬優(yōu)化算法izoa；

7、步驟s04、利用步驟s02的訓(xùn)練集對步驟s03的故障預(yù)測模型izoa-catboost進(jìn)行訓(xùn)練，直到最大迭代次數(shù)，獲得最優(yōu)參數(shù)，將最優(yōu)參數(shù)賦值給catboost；

8、步驟s05、利用步驟s02的測試集對步驟s04訓(xùn)練后的故障預(yù)測模型測試；

9、步驟s06、采用步驟s05測試后的故障預(yù)測模型對火控系統(tǒng)電源模塊故障預(yù)測。

10、進(jìn)一步地，所述步驟s03中，在斑馬優(yōu)化算法zoa的初始化階段引入cubic混沌映射，具體為采用cubic混沌映射對初始化階段的斑馬個(gè)體優(yōu)化位置更新，優(yōu)化后的位置更新如下式：

11、；

12、式中：為第i+1個(gè)斑馬個(gè)體在第j維空間的位置；為第i個(gè)斑馬個(gè)體在第j維空間的位置；a為控制參數(shù)；

13、在覓食階段引入t-分布擾動(dòng)策略，引入t-分布擾動(dòng)策略后的斑馬位置更新公式如下：

14、；

15、式中：為第i+1個(gè)斑馬個(gè)體在第j維空間的位置；為先鋒斑馬位置；r為[0,1]范圍內(nèi)的隨機(jī)數(shù)；為集合內(nèi){1,2}的隨機(jī)值；為第i個(gè)斑馬個(gè)體在第j維空間的位置；為當(dāng)前迭代次數(shù)；為自由度參數(shù)；為t-分布擾動(dòng)算子；

16、在防御階段引入學(xué)習(xí)更新策略，引入學(xué)習(xí)更新策略后的斑馬位置更新公式如下：

17、；

18、式中，s1為斑馬面對大型捕食者所采取的防御策略；s2new為改進(jìn)后的面對小型捕食者時(shí)更新的位置；xi+1為第i+1個(gè)斑馬個(gè)體在第j維空間的位置；xi為第i個(gè)斑馬個(gè)體在第j維空間的位置；c1和c2為學(xué)習(xí)因子，取值為1；r1、r2?和r3為范圍[0,1]內(nèi)的隨機(jī)數(shù)，r5為范圍(-1,?1)內(nèi)的隨機(jī)數(shù)；r6為范圍(0,1)的隨機(jī)數(shù)；i為集合{1,2}的隨機(jī)值；pbest更新個(gè)體斑馬的歷史最優(yōu)值；az為被攻擊的斑馬位置，t為當(dāng)前迭代次數(shù)；t為最大迭代次數(shù)。

19、進(jìn)一步地，所述步驟s03中，梯度提升決策樹catboost的構(gòu)建包括如下步驟：

20、步驟1）、按照訓(xùn)練集樣本排序，采用如下公式計(jì)算每棵樹根節(jié)點(diǎn)中每個(gè)樣本點(diǎn)的梯度向量，

21、；

22、式中，為第i1個(gè)樣本點(diǎn)第t次迭代的梯度向量，為損失函數(shù)，為第i1個(gè)樣本點(diǎn)的真實(shí)值，為第i1個(gè)樣本點(diǎn)在第t-1次迭代時(shí)的預(yù)測值；

23、步驟2）、根據(jù)篩選出的特征組合數(shù)據(jù)集來分裂根節(jié)點(diǎn)，得到對應(yīng)的分裂結(jié)果，并采用以下公式計(jì)算每個(gè)樣本的葉子增量：

24、；

25、式中，為第i1個(gè)樣本的葉子增量，為第j1個(gè)樣本點(diǎn)的梯度向量；

26、步驟3）、基于余弦相似度，定義選用特征下節(jié)點(diǎn)的分裂損失評(píng)估分裂程度，選擇最小的特征進(jìn)行樹分裂，最大化子節(jié)點(diǎn)與父節(jié)點(diǎn)梯度向量之間的相似度，其中余弦相似度公式為：

27、；

28、式中，為余弦相似度，為每個(gè)樣本隨機(jī)賦予的樣本權(quán)重，為第i1個(gè)樣本的葉子增量，為第j1個(gè)樣本點(diǎn)的梯度向量；

29、步驟4）、重復(fù)步驟1）、2）、3），直到完成樹的分裂。

30、進(jìn)一步地，所述步驟s03中，采用改進(jìn)的斑馬優(yōu)化算法izoa對梯度提升決策樹catboost的核心參數(shù)優(yōu)化，優(yōu)化的參數(shù)包括決策樹最大數(shù)目、迭代次數(shù)、學(xué)習(xí)率、樹的深度、正則參數(shù)。

31、本發(fā)明的有益效果是：

32、1、本發(fā)明對采集的原始數(shù)據(jù)通過kpca算法進(jìn)行降維，kpca算法通過核技巧將數(shù)據(jù)映射到高維空間，從而捕捉數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)，kpca算法去除冗余特征，從而提升后續(xù)模型的性能，并在降噪方面表現(xiàn)良好，有助于提高數(shù)據(jù)的整體質(zhì)量；

33、2、在故障模型構(gòu)建中，采用梯度提升決策樹catboost作為基礎(chǔ)模型，相比于支持向量機(jī)svm、其他決策樹等具有顯著優(yōu)勢。首先，catboost能夠有效處理類別特征，無需額外的特征工程；其次，catboost通過梯度提升方法結(jié)合了多棵弱決策樹，具有更強(qiáng)的泛化能力和準(zhǔn)確性。此外，catboost具有較高的魯棒性，能夠應(yīng)對缺失值和噪聲數(shù)據(jù)，并且對大規(guī)模數(shù)據(jù)處理能力較強(qiáng)，避免了svm在大數(shù)據(jù)下的計(jì)算瓶頸；

34、3、本發(fā)明通過采用改進(jìn)的斑馬優(yōu)化算法izoa對梯度提升決策樹catboost的主要參數(shù)進(jìn)行優(yōu)化，彌補(bǔ)了在訓(xùn)練過程中參數(shù)選擇的盲目性的缺陷，提高了回歸預(yù)測模型的預(yù)測精度。