CN113589686B - 基于gsa-ifcm的单位周期时间序列自适应提取方法 - Google Patents

Abstract

本发明公开了基于GSA‑IFCM的单位周期时间序列自适应提取方法，包括步骤S1.在舰炮供输弹机构运转过程中，利用传感器首先获得舰炮供输弹机构的原始振动信号；S2.利用GSA‑IFCM算法对原始振动信号包络线的极大值进行聚类处理，提取原始振动信号中的单位周期时间序列的中心点；S3.获取原始振动信号中单位周期时间序列的中心点后，利用t‑MSV对中心点进行处理，向中心点前后方向获取单位周期时间序列的长度，通过设定阈值寻找最终波底以确定单位周期时间序列的起止位置，进而提取到单位周期时间序列；经验证，本方法能够有效克服数据噪声的影响，提高聚类结果的准确性，精确提取单位周期时间序列。

Description

基于GSA-IFCM的单位周期时间序列自适应提取方法

技术领域

本发明涉及机械装备健康状态检测方法技术领域，具体涉及基于GSA-IFCM的单位周期时间序列自适应提取方法。

背景技术

中大口径舰炮供输弹机构在运转过程中通常作循环往复式运动，过程复杂且常伴有剧烈的冲击、摩擦和振动，其工作健康状态一直是制约供输弹机构性能和实用性的障碍，也成为机械装备状态监测与故障诊断领域的焦点；对其健康状态进行评估的前提是状态监测数据的采集，在严格的数学意义上监测数据是非周期、非平稳的随机信号，但是从宏观角度考虑工作原理及过程，在连续运行时，监测数据表现出明显的近似周期性，因此，供输弹机构的振动信号是典型的近似周期信号，近似周期信号是一种特殊的近似周期时间序列；

目前，对于近似周期时间序列的周期估计和提取问题，吴述金等首次分析了近似周期时间序列，给出了详细的数学定义，并提出了运用矩估计法对时间序列的周期进行估计；洪淑慧等采用拟合估计法对已有时间序列数据提取能够反映时间变换的二维数据，更加真实的反映了近似周期时间序列的周期性变化；以上方法对于变化范围小的近似周期时间序列效果较好，而供输弹机构循环往复、工作节拍不一且瞬间冲击较大，其信号振幅瞬变且变化范围大，导致以上方法无法有效提取单位周期时间序列；陈仁祥等运用相位差频谱校正—互相关法对谐波减速器的近似周期振动信号分割构造出单位周期数据样本以准确刻画减速器的运行状态信息，但是该方法只针对包络线近似为正弦曲线的振动信号，而由于近似周期冲击信号无法通过计算有效构建包络线；

且目前对于近似周期时间序列提取的自适应提取方法研究甚少，多数还需要人工截取单位周期时间序列，依赖于专家经验且效率低下。

发明内容

针对上述存在的问题，本发明旨在提供基于GSA-IFCM的单位周期时间序列自适应提取方法，在中大口径舰炮供输弹机构在运转过程中，本方法首先通过改进的模糊C-均值聚类算法，将其与遗传模拟退火算法相结合，提取近似周期信号极大值的聚类中心；然后运用时间窗能量法，提取单位周期时间序列，本方法能够有效克服数据噪声的影响，提高聚类结果的准确性，精确提取单位周期时间序列。

为了实现上述目的，本发明所采用的技术方案如下：

基于GSA-IFCM的单位周期时间序列自适应提取方法，包括步骤

S1.在舰炮供输弹机构运转过程中，利用传感器首先获得舰炮供输弹机构的原始振动信号；

S2.利用GSA-IFCM算法对原始振动信号包络线的极大值进行聚类处理，提取原始振动信号中的单位周期时间序列的中心点；

S3.获取原始振动信号中单位周期时间序列的中心点后，利用t-MSV对中心点进行处理，向中心点前后方向获取单位周期时间序列的长度，通过设定阈值寻找最终波底以确定单位周期时间序列的起止位置，进而提取到单位周期时间序列。

优选的，步骤S2所述的单位周期时间序列中心点的获取过程包括：

S201.利用MATLAB软件中envelope函数计算原始振动信号的有效包络线；

S202.提取振动信号包络线的极大值，进而求得原始振动信号的有效极大值点；

S203.以极大值点的横纵坐标作为输入向量，同时设定类别个数，通过GSA-IFCM算法迭代计算并不断修正聚类中心，直至得到最优聚类中心，从而得到单位周期时间序列中心点。

优选的，步骤S203所述的单位周期时间序列中心点的获得过程包括：

S2031.装定聚类数目c和长度为n的时间样本数据X＝{x₁,x₂,…,x_n}，{A₁,A₂,…,A_c}表示此时间序列的c个类别；

S2032.初始化遗传退火算法控制参数：种群个体大小sizepop，最大进化次数MAXGEN，交叉概率P，变异概率P_m，退火初始温度T₀，温度冷却系数k，终止温度T_end；

S2033.初始化加权参数b，设置加权参数步长b_s；

S2034.随机初始化c个聚类中心，并生成初始种群Po，对每个聚类中心用式(3)计算各样本的隶属度，以及每个个体的适应度值f_i，其中i＝1,2,…,sizepop；

S2035.设循环计数变量gen＝0；

S2036.对群体Po实施选择、交叉和变异遗传操作，对新产生的个体用式(3)和式(4)计算c个聚类中心、各样本的隶属度、每一个体的适应度值f_i'，以及各聚类中心横坐标的方差值Var；若f_i'＞f_i，则以新个体替换旧个体，否则，以概率P＝exp((f_i-f_i')T)接受新个体，舍弃旧个体；

S2037.检测gen是否到达最大进化次数MAXGEN；若gen<MAXGEN，则gen＝gen+1，转至S2038；否则，转至S2036；

S2038.检测T是否到达终止温度T_end；若T_i＜T_end，则转至S2039；否则，执行降温操作T_i+1＝kT_i，转至S2035；

S2039.检测方差值Var是否到达终止方差Var_end；若Var＜Var_end，则算法成功结束，返回全局最优解；否则，加权参数增加步长b＝b+b_s，转至S2034。

优选的，步骤S2034所述的聚类中心的计算过程包括：

(1)适应度值采用排序的适应度分配函数求得：Fint V＝ranking(J_b)，J_b越小，个体的适应度就越高，目标函数J_b为：

其中，在式(1)中：d_ik是欧几里得距离，用来度量第i样本x_i与第k类中心点的距离；m是样本的特征数；b是加权参数，取值范围是1≤b≤∞；u_k(x_i)是样本x_i对于类A_k的隶属度(简写为u_ik)，其计算公式为：

其中，在式(2)中，一个样本对于各个聚类的隶属度值和为1，即

(2)设I_k＝{i|2≤c≤n；d_ik＝0}，对于所有的i类，i∈I_k,u_ik＝0；则更新聚类中心v_ij的迭代方程为：

优选的，步骤S3所述的利用t-MSV对中心点进行处理，提取到单位周期时间序列的具体过程包括

S301.设置宽度较小的时间窗，以时间窗宽为步长，以聚类中心为起点向前循环计算窗内时间序列的能量值，表征信号能量值的参数均方值计算公式为：

其中，在式(5)中：X_i(t)为长度为N的时间序列的能量值，Y_x ²为均方根；当均方值单调递增时，说明信号的能量在升高，处于冲击震荡阶段，当均方值单调递减时，说明信号的能量在下降，当均方值稳定在某一个值后，说明信号的能量趋于平稳，因此每个波峰对应的波底是冲击信号起始与结束的位置；

S302.计算时间窗能量曲线图波底对应的时间，设定相应阈值，若时间窗能量在阈值内未能检测到能量上升，则判定此波底为最终波底，此波底对应的时间即为周期时间序列的最优起始位置，其计算公式为：

x_f＝max(x_m)+x_h (6)

s.t.f(x+ε)′≤0 (7)

其中，在式(6)和式(7)中，x_m为信号波峰对应的时间，x_h为该波的波宽，x_f为前方向最终波底对应的时间；

S303.向后获取样本长度同步骤S302，获得后方向最终波底对应的时间，确定单位周期序列的起止位置，进而提取单位周期起止序列。

本发明的有益效果是：本发明公开了基于GSA-IFCM的单位周期时间序列自适应提取方法，与现有技术相比，本发明的改进之处在于：

(1)针对表征供输弹机构往复运动过程中近似周期信号的单位周期时间序列难以提取的问题，本发明提出了一种基于GSA-IFCM的单位周期时间序列自适应提取方法，本方法首先通过改进的模糊C-均值聚类算法，将其与遗传模拟退火算法相结合，提取近似周期信号极大值的聚类中心；然后运用时间窗能量法，提取单位周期时间序列；

(2)本方法利用GSA与IFCM相结合的方法，可有效克服数据噪声的影响，聚类结果具有更强的稳定性和更优的目标函数值，对于随机分布且包含噪声的数据聚类有明显的优越性；

(3)本方法通过时间窗求取信号的时域特征参数均方值可表征信号的能量趋势，相比于其他时域特征参数可有效展现出原始信号的振动规律，能够准确提取出单位周期时间序列，具有能够有效克服数据噪声的影响，提高聚类结果的准确性，精确提取单位周期时间序列的优点。

附图说明

图1为本发明基于GSA-IFCM的单位周期时间序列自适应提取方法的算法流程图。

图2为本发明GSA-IFCM算法的算法流程图。

图3为本发明t-MSV算法的算法流程图。

图4为本发明实施例1供输弹机构试验台架图。

图5为本发明实施例1加速度信号的时域波形图。

图6为本发明实施例1原始信号和包络线图。

图7为本发明实施例1原始信号和极大值点图。

图8为本发明实施例1极大值点和聚类中心图。

图9为本发明实施例1原始信号加窗图。

图10为本发明实施例1能量曲线图。

图11为本发明实施例1提取到的单位周期时间序列。

图12为本发明实施例1标准的FCM算法、基于GSA的FCM算法以及基于GSA-IFCM算法状态下时间距离曲线图。

图13为本发明实施例1时域特征时间窗曲线图。

其中：在图12中，图(a)表示舰炮供输弹机构正常状态下标准的FCM算法、基于GSA的FCM算法以及基于GSA-IFCM算法状态下时间距离曲线图；图(b)表示表示舰炮供输弹机构产生滚轮裂纹下标准的FCM算法、基于GSA的FCM算法以及基于GSA-IFCM算法状态下时间距离曲线图；图(c)表示表示舰炮供输弹机构产生滑板磨损时标准的FCM算法、基于GSA的FCM算法以及基于GSA-IFCM算法状态下时间距离曲线图。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

参照附图1-3所示的基于GSA-IFCM的单位周期时间序列自适应提取方法，其特征在于：包括步骤

S1.在舰炮供输弹机构运转过程中，在舰炮供输弹机构上安装传感器，利用传感器首先获得舰炮供输弹机构的原始振动信号；

S2.利用GSA-IFCM算法对原始振动信号包络线的极大值进行聚类处理，提取原始振动信号中的单位周期时间序列的中心点，其具体包括：

S201.在MATLAB软件中，利用MATLAB软件中envelope函数计算原始振动信号的有效包络线；

S202.提取振动信号包络线的极大值，进而求得原始振动信号的有效极大值点；

S203.以极大值点的横纵坐标作为输入向量，同时设定类别个数，通过GSA-IFCM算法迭代计算并不断修正聚类中心，直至得到最优聚类中心，从而得到单位周期时间序列中心点，由上述步骤可以看出，GSA-IFCM算法是获取聚类中心点的关键，其流程图如图2所示，其包括步骤：

S2031.装定聚类数目c和长度为n的时间样本数据X＝{x₁,x₂,…,x_n}，{A₁,A₂,…,A_c}表示此时间序列的c个类别；

S2032.初始化遗传退火算法控制参数：种群个体大小sizepop，最大进化次数MAXGEN，交叉概率P，变异概率P_m，退火初始温度T₀，温度冷却系数k，终止温度T_end；

S2033.初始化加权参数b，设置加权参数步长b_s；

S2034.随机初始化c个聚类中心，并生成初始种群Po，对每个聚类中心用式(3)计算各样本的隶属度，以及每个个体的适应度值f_i，其中i＝1,2,…,sizepop；其具体过程包括：

(1)适应度值采用排序的适应度分配函数求得：FintV＝ranking(J_b)，J_b越小，个体的适应度就越高，目标函数J_b为：

其中，在式(1)中：d_ik是欧几里得距离，用来度量第i样本x_i与第k类中心点的距离；m是样本的特征数；b是加权参数，取值范围是1≤b≤∞；u_k(x_i)是样本x_i对于类A_k的隶属度(简写为u_ik)，其计算公式为：

其中，在式(2)中，一个样本对于各个聚类的隶属度值和为1，即

设I_k＝{i|2≤c≤n；d_ik＝0}，对于所有的i类，i∈I_k,u_ik＝0；则更新聚类中心v_ij的迭代方程为：

S2035.设循环计数变量gen＝0；

S2036.对群体Po实施选择、交叉和变异等遗传操作，对新产生的个体用式(3)和式(4)计算c个聚类中心、各样本的隶属度、每一个体的适应度值f_i'，以及各聚类中心横坐标的方差值Var；若f_i'＞f_i，则以新个体替换旧个体，否则，以概率P＝exp((f_i-f_i')T)接受新个体，舍弃旧个体；

S2037.检测gen是否到达最大进化次数MAXGEN；若gen<MAXGEN，则gen＝gen+1，转至S2038；否则，转至S2036；

S2038.检测T是否到达终止温度T_end；若T_i＜T_end，则转至S2039；否则，执行降温操作T_i+1＝kT_i，转至S2035；

S2039.检测方差值Var是否到达终止方差Var_end；若Var＜Var_end，则算法成功结束，返回全局最优解；否则，加权参数增加步长b＝b+b_s，转至S2034；

S3.获取原始振动信号中的近似周期信号极大值的聚类中心后，利用t-MSV对中心点进行处理，向中心点前后方向获取单位周期时间序列的长度，通过设定阈值寻找最终波底以确定单位周期时间序列的起止位置，进而提取到单位周期时间序列，其具体过程包括：

S301.设置宽度较小的时间窗，以时间窗宽为步长，以聚类中心为起点向前循环计算窗内时间序列的能量值，表征信号能量值的参数均方值计算公式为：

其中，在式(5)中：X_i(t)为长度为N的时间序列的能量值，Y_x ²为均方根；当均方值单调递增时，说明信号的能量在升高，处于冲击震荡阶段，当均方值单调递减时，说明信号的能量在下降，当均方值稳定在某一个值后，说明信号的能量趋于平稳，因此每个波峰对应的波底是冲击信号起始与结束的位置；

S302.计算时间窗能量曲线图波底对应的时间，设定相应阈值，若时间窗能量在阈值内未能检测到能量上升，则判定此波底为最终波底，此波底对应的时间即为周期时间序列的最优起始位置，其计算公式为：

x_f＝max(x_m)+x_h (6)

s.t.f(x+ε)′≤0 (7)

其中，在式(6)和式(7)中，x_m为信号波峰对应的时间，x_h为该波的波宽，x_f为前方向最终波底对应的时间；

S303.向后获取样本长度同步骤S302，获得聚类中心前后方向样本长度，即准确提取单位周期时间序列，计算公式如下：

x＝x_f+x_b (8)

其中，在式(8)中，x_b为后方向最终波底对应的时间，x为单位周期时间序列。

实施例1：如图4-13所示：本发明所述基于GSA-IFCM的单位周期时间序列自适应提取方法的算法还包括步骤

S4.试验及结果分析过程

S401.试验介绍

本试验数据采集自某型供输弹机构试验台架，如图4所示；

试验在台架装置的摆动机滑板、位于滚轮上方的压板机附近布置了6个振动加速度传感器，传感器类型为ICP加速度传感器，采样频率为10kHz，采用32通道的LMS信号采集系统；分别采集正常工作、滚轮裂纹和滑板磨损三种状态下共24组振动加速度信号，每组信号包含20个循环动作，三种状态振动加速度信号的时域波形如图5所示；

由图5可知，供输弹机构测得的振动加速度信号有较大的冲击振动，其中滚轮裂纹状态下冲击最为显著；同时，仅从原始振动加速度信号来看，每一个单位周期时间序列的周期长度和最大幅值均不为固定值，且相邻周期的间隔均不相等，所以无法使用一个固定周期循环提取单位周期时间序列；

S402.试验台架振动信号自适应提取方法

将本发明提出的提取方法应用于上述试验数据，选取正常工作状态下的振动信号，具体步骤如下：

(1)计算原始振动信号的有效包络线如图6所示，图中深黑色曲线为原始振动信号，浅黑色为包络线；

(2)提取包络线极大值，进而求得原始信号的有效极大值点，如图7所示，图中包络线的极大值点明显小于原始信号的极大值，以此来提高计算速度；

(3)利用GSA-IFCM算法，以极大值点的横纵坐标作为输入向量，同时设定类别个数，通过不断迭代计算获得极大值点的最优聚类中心，以此来获取单位周期时间序列中心点，如图8所示；

(4)通过不断试验，选取窗宽为0.01s的时间窗，由聚类中心向前循环累加时间窗，如图9所示；

(5)通过对比采用其他时域特征方差和峰值，选取均方值以表征时间窗内时间序列的能量，获得能量曲线图，如图10所示，图中包含3个波峰，与中心点左侧存在三次冲击相对应；

(6)设定时间窗阈值k＝100，若时间窗能量在阈值内未能检测到能量上升，则计算时间窗能量曲线图最后一个波峰波底对应的时间(如图10圈所示)，即为单位周期时间序列的起始位置；

按照上述步骤以聚类中心为起点向右计算单位周期时间序列的结束位置，即可提取整个单位周期时间序列，如图11所示；

试验中一个完整的往复运动时间约为6.8s，每个波峰分别对应动作为：复进—起摆—回摆—关闩，采用本方法可以有效实现机构运动状态的准确复现。

S403.试验结果分析

(1)每项状态下采集到的近似周期振动信号利用本发明方法均可有效提取出单位周期时间序列；试验中SA算法设置冷却系数q＝0.8，初始温度T₀＝100，终止温度T_end＝1；GA算法的相关初始参数如表1所示；

表1：GA算法相关参数表

为验证本发明所述方法的有效性，分别通过使用标准的FCM算法、基于GSA的FCM算法以及基于GSA的IFCM算法分别对三种健康状态下的1组近似周期振动信号极大值进行聚类，每种状态下振动信号聚类中心与单位时间序列中心点的时间距离曲线图如图12所示；若距离小于单位时间序列的一半(图12浅黑色直线)，则认为该聚类结果正确；

观察图12可知，采用标准的FCM算法对大规模数据进行聚类处理，由于其对初始中心选取较为敏感，更加容易收敛到局部最优解，不能有效的对原始信号的极大值进行均匀聚类；利用基于GSA的FCM算法对三种振动信号极大值进行聚类，虽然聚类中心近似均匀分布，但由于加权参数取值模糊，仍有陷入局部极小点的可能性，例如图11中有2个聚类中心点异常；而运用GSA-IFCM算法可有效克服数据噪声的影响，准确提取各周期时间序列的中心点，出现过早收敛的可能性极小，所获得的聚类结果具有更强的稳定性和更优的目标函数值，对于随机分布的数据聚类有明显的优越性；

试验共采集三种状态下各8组振动加速度信号，每组20个循环动作，即三种状态下各160个循环动作；每组原始信号的聚类结果正确个数与准确度如表2所示：

表2：聚类结果的准确度

由表2可知，采用3种不同的方法，正常状态下的聚类准确度均高于滚轮裂纹和滑板磨损其原因是正常状态下振动信号的噪声较小，对算法的影响较小，滚轮裂纹状态下准确度未达到100％的原因是此状态下振动最为剧烈，峰—峰值可达900g，但运用GSA-IFCM算法依然可以达到较高的准确度；

(2)为验证采用时域特征均方值来表征时间窗能量的优势，利用正常状态下的振动信号，分别对比采用其他归一化时域特征方差和峰值计算出的时间窗曲线图，如图13所示；当选取峰值特征参数时，如图13峰值曲线所示，发现在第二个波峰中出现一个波动，无法准确描述原始信号的波动过程，而且峰值仅描述信号值的变化范围，难以确定信号的起止范围；而选取方差特征参数，如图13方差曲线所示，可以看出波峰符合信号的振动规律，但是第一个和第三个波峰区分不明显，对信号离散程度小的区段描述较弱；选择均方值特征参数，如图13均方值曲线所示，可以看出该特征可以准确描述信号的振动过程，有效表征其能量变化规律，与中心点左侧存在三次冲击相对应；因此，与采用峰值、方差等其他的时域特征参数对信号进行提取相比较，利用均方值表征时间窗能量可以准确提取出单位周期时间序列。

结论：针对表征供输弹机构往复运动过程中近似周期信号的单位周期时间序列难以提取的问题，本发明提出一种基于GSA-IFCM的单位周期时间序列自适应提取方法，试验表明该方法能够有效克服数据噪声的影响，提高聚类结果的准确性，精确提取单位周期时间序列；

1)利用GSA与IFCM相结合的方法，可有效克服数据噪声的影响，聚类结果具有更强的稳定性和更优的目标函数值，对于随机分布且包含噪声的数据聚类有明显的优越性；

2)通过时间窗求取信号的时域特征参数均方值可表征信号的能量趋势，相比于其他时域特征参数可有效展现出原始信号的振动规律，能够准确提取出单位周期时间序列。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.基于GSA-IFCM的单位周期时间序列自适应提取方法，其特征在于：包括步骤

S1.在舰炮供输弹机构运转过程中，利用传感器首先获得舰炮供输弹机构的原始振动信号；

S2.利用GSA-IFCM算法对原始振动信号包络线的极大值进行聚类处理，提取原始振动信号中的单位周期时间序列的中心点；

S3.获取原始振动信号中单位周期时间序列的中心点后，利用t-MSV对中心点进行处理，向中心点前后方向获取单位周期时间序列的长度，通过设定阈值寻找最终波底以确定单位周期时间序列的起止位置，进而提取到单位周期时间序列；

步骤S3所述的利用t-MSV对中心点进行处理，提取到单位周期时间序列的具体过程包括

S301.设置宽度较小的时间窗，以时间窗宽为步长，以聚类中心为起点向前循环计算窗内时间序列的能量值，表征信号能量值的参数均方值计算公式为：

其中，在式(5)中：X_i(t)为长度为N的时间序列的能量值，Y_x ²为均方根；当均方值单调递增时，说明信号的能量在升高，处于冲击震荡阶段，当均方值单调递减时，说明信号的能量在下降，当均方值稳定在某一个值后，说明信号的能量趋于平稳，因此每个波峰对应的波底是冲击信号起始与结束的位置；

S302.计算时间窗能量曲线图波底对应的时间，设定相应阈值，若时间窗能量在阈值内未能检测到能量上升，则判定此波底为最终波底，此波底对应的时间即为周期时间序列的最优起始位置，其计算公式为：

x_f＝max(x_m)+x_h (6)

s.t.f(x+ε)′≤0 (7)

其中，在式(6)和式(7)中，x_m为信号波峰对应的时间，x_h为该波的波宽，x_f为前方向最终波底对应的时间；

S303.向后获取样本长度同步骤S302，获得后方向最终波底对应的时间，确定单位周期序列的起止位置，进而提取单位周期起止序列。

2.根据权利要求1所述的基于GSA-IFCM的单位周期时间序列自适应提取方法，其特征在于：步骤S2所述的单位周期时间序列中心点的获取过程包括：

S201.利用MATLAB软件中envelope函数计算原始振动信号的有效包络线；

S202.提取振动信号包络线的极大值，进而求得原始振动信号的有效极大值点；

S203.以极大值点的横纵坐标作为输入向量，同时设定类别个数，通过GSA-IFCM算法迭代计算并不断修正聚类中心，直至得到最优聚类中心，从而得到单位周期时间序列中心点。

3.根据权利要求2所述的基于GSA-IFCM的单位周期时间序列自适应提取方法，其特征在于：步骤S203所述的单位周期时间序列中心点的获得过程包括：

S2031.装定聚类数目c和长度为n的时间样本数据X＝{x₁,x₂,…,x_n}，{A₁,A₂,…,A_c}表示此时间序列的c个类别；

S2032.初始化遗传退火算法控制参数：种群个体大小sizepop，最大进化次数MAXGEN，交叉概率P，变异概率P_m，退火初始温度T₀，温度冷却系数k，终止温度T_end；

S2033.初始化加权参数b，设置加权参数步长b_s；

S2034.随机初始化c个聚类中心，并生成初始种群Po，对每个聚类中心用式(3)计算各样本的隶属度，以及每个个体的适应度值f_i，其中i＝1,2,…,sizepop；

S2035.设循环计数变量gen＝0；

S2036.对群体Po实施选择、交叉和变异遗传操作，对新产生的个体用式(3)和式(4)计算c个聚类中心、各样本的隶属度、每一个体的适应度值f_i'，以及各聚类中心横坐标的方差值Var；若f_i'＞f_i，则以新个体替换旧个体，否则，以概率P＝exp((f_i-f_i')T)接受新个体，舍弃旧个体；

S2037.检测gen是否到达最大进化次数MAXGEN；若gen<MAXGEN，则gen＝gen+1，转至S2038；否则，转至S2036；

S2038.检测T是否到达终止温度T_end；若T_i＜T_end，则转至S2039；否则，执行降温操作T_i+1＝kT_i，转至S2035；

S2039.检测方差值Var是否到达终止方差Varend；若Var＜Var_end，则算法成功结束，返回全局最优解；否则，加权参数增加步长b＝b+b_s，转至S2034。

4.根据权利要求3所述的基于GSA-IFCM的单位周期时间序列自适应提取方法，其特征在于：步骤S2034所述的聚类中心的计算过程包括：

(1)适应度值采用排序的适应度分配函数求得：FintV＝ranking(J_b)，J_b越小，个体的适应度就越高，目标函数J_b为：

其中，在式(1)中：d_ik是欧几里得距离，用来度量第i样本x_i与第k类中心点的距离；m是样本的特征数；b是加权参数，取值范围是1≤b≤∞；u_k(x_i)是样本x_i对于类A_k的隶属度(简写为u_ik)，其计算公式为：

其中，在式(2)中，一个样本对于各个聚类的隶属度值和为1，即

(2)设I_k＝{i|2≤c≤n；d_ik＝0}，对于所有的i类，i∈I_k,u_ik＝0；

则更新聚类中心v_ij的迭代方程为：