[發(fā)明專利]一種基于改進(jìn)徑向基神經(jīng)網(wǎng)絡(luò)的船舶設(shè)備故障診斷方法

在審

• 申請?zhí)枺?/td>: 201611060650.0
• 申請日: 2016-11-22
• 公開（公告）號: CN106628097A
• 公開（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 韓珂;謝強(qiáng)
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: B63J99/00
• 分類號: B63J99/00;G06N3/00;G06N3/08
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙)32249
• 代理人: 彭雄

本發(fā)明公開了一種基于改進(jìn)徑向基神經(jīng)網(wǎng)絡(luò)的船舶設(shè)備故障診斷方法，其特征在于：通過改進(jìn)人工蜂群算法對徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化構(gòu)造出神經(jīng)網(wǎng)絡(luò)分類器；對船舶設(shè)備采集訓(xùn)練樣本數(shù)據(jù)，將訓(xùn)練樣本數(shù)據(jù)導(dǎo)入構(gòu)造的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器；對船舶設(shè)備采集測試數(shù)據(jù)，將采集的測試數(shù)據(jù)導(dǎo)入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行故障分類，判斷是否出現(xiàn)故障，本發(fā)明方法能夠提高故障診斷的準(zhǔn)確性、增加故障診斷的適用性，同時(shí)能夠滿足船舶故障診斷的實(shí)時(shí)性要求。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于改進(jìn)徑向基神經(jīng)網(wǎng)絡(luò)的船舶設(shè)備故障診斷方法，屬于LY07信息感知與識別技術(shù)。

背景技術(shù)

故障診斷是利用故障數(shù)據(jù)采集、故障檢測、故障定位、故障報(bào)警等技術(shù)，綜合運(yùn)用各種檢查和測試方法，發(fā)現(xiàn)系統(tǒng)和設(shè)備是否存在故障并針對故障信息及時(shí)產(chǎn)生報(bào)警信號的過程。由于船舶設(shè)備承擔(dān)任務(wù)的特殊性、重要性，需要對船舶中許多關(guān)鍵設(shè)備狀態(tài)數(shù)據(jù)進(jìn)行不間斷采集，并不斷分析，以期在關(guān)鍵設(shè)備發(fā)生故障時(shí)能夠以最短的時(shí)間，最小的代價(jià)發(fā)現(xiàn)故障、定位故障并及時(shí)發(fā)出報(bào)警。如何構(gòu)建低延遲、高吞吐且持續(xù)可靠運(yùn)行的在線診斷系統(tǒng)，是當(dāng)前亟待解決的問題。

為此，在船舶航行過程中需要一種故障診斷方法能夠高效準(zhǔn)確地對發(fā)生的設(shè)備故障進(jìn)行診斷。

發(fā)明內(nèi)容

發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于改進(jìn)徑向基神經(jīng)網(wǎng)絡(luò)的船舶設(shè)備故障診斷方法，該方法能夠提高故障診斷的準(zhǔn)確性、增加故障診斷的適用性，同時(shí)能夠滿足船舶故障診斷的實(shí)時(shí)性要求。

技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于改進(jìn)徑向基神經(jīng)網(wǎng)絡(luò)的船舶設(shè)備故障診斷方法，通過改進(jìn)人工蜂群算法對徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化構(gòu)造出神經(jīng)網(wǎng)絡(luò)分類器。對船舶設(shè)備采集訓(xùn)練樣本數(shù)據(jù)，將訓(xùn)練樣本數(shù)據(jù)導(dǎo)入構(gòu)造的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器。對船舶設(shè)備采集測試數(shù)據(jù)，將采集的測試數(shù)據(jù)導(dǎo)入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行故障分類，判斷是否出現(xiàn)故障。

通過改進(jìn)人工蜂群算法對徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化構(gòu)造出神經(jīng)網(wǎng)絡(luò)分類器的方法，包括以下步驟：

步驟1，確定改進(jìn)人工蜂群算法的輸入?yún)?shù)，所述輸入?yún)?shù)包括蜜源數(shù)量SN，最大迭代次數(shù)T、當(dāng)前迭代次數(shù)t＝0，連續(xù)迭代次數(shù)更新上限L以及蜜源X，其中將RBF神經(jīng)網(wǎng)絡(luò)參數(shù)作為蜜源X的結(jié)構(gòu)參數(shù)。RBF神經(jīng)網(wǎng)絡(luò)參數(shù)包括RBF神經(jīng)網(wǎng)絡(luò)隱含層激勵(lì)函數(shù)中心的數(shù)目C、中心值x_c和激勵(lì)函數(shù)寬度r。

步驟2，利用反向?qū)W習(xí)方法對蜜源X＝{X₁,X₂,X₃,…,X_SN}的每一維進(jìn)行初始化，其中，SN為蜜源數(shù)量。先隨機(jī)生成解搜索空間。再對每個(gè)蜜源求其反向解。

步驟3，計(jì)算各個(gè)解x_ij的適應(yīng)度值并進(jìn)行排序，適應(yīng)度值最差的被選為偵查蜂，剩下的前一半為引領(lǐng)蜂，后一半為守望蜂，并記錄最優(yōu)值。

步驟4，引領(lǐng)蜂根據(jù)可當(dāng)前解狀態(tài)自動調(diào)整步長的自適應(yīng)局部搜索方法在鄰域內(nèi)進(jìn)行搜索，若搜索到的新解優(yōu)于當(dāng)前解，則用新解替換當(dāng)前解v_ij，否則，保留當(dāng)前解。

可當(dāng)前解狀態(tài)自動調(diào)整步長的自適應(yīng)局部搜索方法:

其中，v’_ij為改進(jìn)后引領(lǐng)蜂搜索得到的新蜜源的第j維分量，v_ij為引領(lǐng)蜂搜索到的當(dāng)前蜜源的第j維分量，v_bestj為本輪迭代中最優(yōu)蜜源的第j維分量，v_kj為從每輪迭代前m個(gè)較優(yōu)的蜜源中隨機(jī)選取的一個(gè)蜜源的第j維分量，m為一個(gè)[0,SN/2t]上的隨機(jī)數(shù)；

步驟5，采用下式選出本輪迭代中最優(yōu)的解作為全局最優(yōu)解X_best，以供跟隨蜂使用。