[發明專利]基于粒子群優化算法的底盤發動機故障診斷方法及系統

在審

• 申請號: 202011520723.6
• 申請日: 2020-12-21
• 公開（公告）號: CN112504682A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 陳悅峰;孫希明;于深;鄒永顯;王嬡娜;麻雄;陳文英
• 申請（專利權）人: 中國人民解放軍63963部隊;大連理工大學
• 主分類號: G01M15/00
• 分類號: G01M15/00;G06N3/00;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

本發明公開了一種基于粒子群優化算法的底盤發動機故障診斷方法及系統，所述診斷方法包括：采用動態慣性因子的粒子群優化算法，確定核主成分分析算法的核函數的參數；利用粒子群優化算法對BP神經網絡模型的初始權值和閾值進行尋優處理，并利用訓練樣本集對初始化后的BP神經網絡模型進行訓練，獲得訓練好的BP神經網絡模型；采用參數確定好的核主成分分析算法確定監測數據是否為故障數據；當監測數據為故障數據時，將監測數據輸入訓練好的BP神經網絡模型，確定監測數據對應的故障種類。本發明將粒子群優化算法、核主成分分析算法及BP神經網絡模型結合，利用底盤發動機的潤滑油液中含有豐富的故障信息，實現底盤發動機故障的高效和準確地診斷。

技術領域

本發明涉及故障診斷技術領域，特別是涉及一種基于粒子群優化算法的底盤發動機故障診斷方法及系統。

背景技術

底盤發動機是車輛的主要動力結構，是車輛的核心部分，一旦發生故障會影響到整個車輛的運行狀況。而且隨著技術的發展，發動機的構造也越來越精密，越來越復雜，傳統的故障診斷方式勢必會消耗大量的人力物力，且診斷正確率也并不理想。近年來，人工智能的發展為故障診斷提供了新的方案，基于數據驅動的故障診斷方法越來越多的應用到了實際當中，且取得了很好的效果。

現有的智能故障診斷方法有很多，其中運用較多的有神經網絡、支持向量機、粗糙集理論、卡爾曼濾波、貝葉斯網絡等。其中神經網絡中最為成熟的就是BP神經網絡模型，但是BP神經網絡模型也存在著一些缺陷，比如易陷入局部極小值、收斂速度慢等，影響了故障診斷的精度。

發明內容

本發明的目的是提供一種基于粒子群優化算法的底盤發動機故障診斷方法及系統，以實現底盤發動機故障的高效和準確地診斷。

為實現上述目的，本發明提供了如下方案：

一種基于粒子群優化算法的底盤發動機故障診斷方法，所述診斷方法包括如下步驟：

獲取底盤發動機的歷史的潤滑油液數據，并進行特征參數提取，建立訓練樣本集；

利用所述訓練樣本集，以故障監測的準確率為適應度函數，采用動態慣性因子的粒子群優化算法，確定用于底盤發動機故障診斷的核主成分分析算法的核函數的參數，得到參數確定好的核主成分分析算法；

利用粒子群優化算法對BP神經網絡模型的初始權值和閾值進行尋優處理，獲得初始化后的BP神經網絡模型，并利用所述訓練樣本集對初始化后的BP神經網絡模型進行訓練，獲得訓練好的BP神經網絡模型；

獲取底盤發動機的監測狀態的潤滑油液數據，并進行特征參數提取，得到監測數據；

采用參數確定好的核主成分分析算法確定所述監測數據是否為故障數據；

當所述監測數據為故障數據時，將所述監測數據輸入訓練好的BP神經網絡模型，確定所述監測數據對應的故障種類。

可選的，所述動態慣性因子的粒子群優化算法的速度更新公式為：

所述動態慣性因子的粒子群優化算法的位置更新公式為：

所述動態慣性因子的粒子群優化算法的動態慣性因子更新公式為：

w＝w_max-t*(w_max-w_min)/T_max；