[發明專利]基于優化粒子群算法和神經網絡的柴油機故障診斷方法

有效

• 申請號: 202010037363.8
• 申請日: 2020-01-14
• 公開（公告）號: CN111351668B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 張愷;陳寧;陸帥博
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G01M15/04
• 分類號: G01M15/04;G06N3/00;G06N3/08
• 代理公司: 北京一格知識產權代理事務所(普通合伙) 11316
• 代理人: 萬小俠

本發明公開了基于優化粒子群算法和神經網絡的柴油機故障診斷方法，它涉及柴油機故障診斷技術領域。它包括對粒子群算法的尋優過程進行改進、用優化過的粒子群算法對徑向基函數神經網絡的參數進行尋優、構建出最優徑向基函數神經網絡以及用得出的最佳徑向基函數神經網絡進行數據測試，利用優化的粒子群算法選取出徑向基函數神經網絡參數進行訓練，得到最優徑向基函數神經網絡，運用最優徑向基函數神經網絡進行柴油機的故障診斷，相較于常用的粒子群算法，改進的粒子群算法能夠更快地收斂，且不易陷入局部極值，能更快、更好地構建出最優徑向基函數神經網，改進的粒子群和徑向基函數神經網絡能夠在柴油機故障診斷中達到更高的準確率。

技術領域

本發明涉及柴油機故障診斷技術領域，具體涉及基于優化粒子群算法和神經網絡的柴油機故障診斷方法。

背景技術

由于柴油機的結構復雜，并且在一些領域的工作狀況復雜，使得其比一般生產設備發生故障的概率更高。因此對柴油機故障進行快速準確的診斷，對于保證柴油機正常工作意義重大。柴油機結構的復雜性，使某些傳統故障診斷方法耗時長、準確率低。近年來，隨著人工智能技術的發展，將人工智能引入故障診斷的研究正逐步展開。如：支持向量機、模糊理論、BP、徑向基函數神經網絡等，憑借著大規模并行協同處理、容錯與聯想、以及學習能力強的特點，正日益成為人工智能重要的理論方法，得到廣泛應用。但神經網絡算法存在收斂時間長、陷入局部極小值導致算法無法收斂的局限性，因此需要改善神經網絡性能，加速網絡收斂，避免局部極小值出現，以一種優化的神經網絡進行柴油機故障診斷。

發明內容

本發明要解決的技術問題是提供基于優化粒子群算法和神經網絡的柴油機故障診斷方法，能夠優化神經網絡性能，加速網絡收斂，避免局部極小值出現，提高使用徑向基函數神經網絡進行柴油機故障診斷的準確率。

為解決上述技術問題，本發明的技術方案為：包括粒子群算法迭代過程的優化、通過優化粒子群算法得到建立最優徑向基函數神經網絡的參數、構建出最優徑向基函數神經網絡以及用得出的最佳徑向基函數神經網絡進行數據測試，利用優化的粒子群算法選取出徑向基函數神經網絡參數進行訓練，得到最優徑向基函數神經網絡，運用最優徑向基函數神經網絡進行柴油機的故障診斷，具體包括如下步驟：

S1、對標準粒子群算法進行優化，加快算法尋優的速度，避免算法陷入局部極值：

S101、對粒子群算法的權重參數按照構建的非線性函數進行更新優化，以此加快收斂的速度，并且保證較高的精度；

S102、對粒子群算法的兩個學習因子更新公式進行改進，保證粒子在運算前期具有較好的全局搜索能力，同時保證粒子在運算后期有較強的局部收斂能力，使收斂速度加快；

S103、對粒子群算法的速度更新公式進行改進，使得如果粒子在上一次迭代中朝著全局最優方向飛行，那么在下一次迭代中的粒子飛行速度不變，否則按照公式進行更新速度；

S2、通過優化后的粒子群算法中粒子個體之間的協作，最終達到群體最優，通過個體與群體最佳位置的多次迭代，得到建立最優徑向基函數神經網絡的參數：

S201、用構成徑向基函數神經網絡所需要的參數構成改進粒子群算法中的粒子；

S202、將構成的粒子代入目標函數中，得到初始適應度值；

S203、通過優化后的粒子群算法進行粒子位置及速度的更新，并計算更新之后的適應度值；

S204、判斷適應度值是否達到設定的目標值，或者迭代次數到達最大值，滿足其中一項條件即可停止迭代，取當前迭代出來的粒子作為最佳粒子，用構成粒子的參數作為最佳徑向基函數神經網絡的參數；若不滿足條件，則繼續執行S203，直到滿足結束迭代條件得出最佳徑向基函數神經網絡參數；