CN102163300A - 基于蚁群优化算法的故障诊断规则优化方法 - Google Patents
基于蚁群优化算法的故障诊断规则优化方法 Download PDFInfo
- Publication number
- CN102163300A CN102163300A CN2011100993684A CN201110099368A CN102163300A CN 102163300 A CN102163300 A CN 102163300A CN 2011100993684 A CN2011100993684 A CN 2011100993684A CN 201110099368 A CN201110099368 A CN 201110099368A CN 102163300 A CN102163300 A CN 102163300A
- Authority
- CN
- China
- Prior art keywords
- ant
- path
- diagnostic
- expression
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 17
- 230000014509 gene expression Effects 0.000 claims description 53
- 239000003016 pheromone Substances 0.000 claims description 27
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蚁群优化算法的故障诊断规则优化方法,用于智能故障诊断。本发明采用蚁群优化算法,通过约简故障模式样本数据向量的长度,将系统故障特征模式样本库中的故障诊断规则(即故障模式样本数据向量)进行约简优化,剔除了故障诊断规则中冗余的条件项,得到了具有更少的条件项、更高的故障诊断精度的最优诊断规则,从而可提高诊断现场故障问题的故障类别的准确率。本发明还公开了一种故障诊断规则约简方法。
Description
技术领域
本发明涉及智能故障诊断方法,尤其涉及一种基于蚁群优化算法的故障诊断规则优化方法,属于模式识别技术领域。
背景技术
故障诊断技术的发展主要经历了人工诊断、现代诊断和智能诊断等三个阶段,发展至今,故障诊断方法可划分为基于解析模型的方法、基于信号处理的方法和基于知识的方法等。近年来,用于分类的基于人工智能的数据挖掘技术在复杂系统故障检测与诊断研究中得到广泛应用。神经网络通过学习用于表达故障诊断知识的连接权来实现故障与征兆之间复杂的非线性映射关系。
智能诊断方法由于具有以下的几点优势而日益受到诊断专家的青睐。
(1) 能够有效地利用诊断专家的知识和经验。
(2) 具有诊断专家般的推理能力,自动实现从故障征兆到故障原因的映射。
(3) 具备学习机制,能够从过去的诊断实例中获取诊断知识。
(4) 对诊断结果具有解释能力。
专家系统、模糊理论、神经网络、粗集理论以及它们相互之间和它们与其它信息处理技术的融合是人工智能手段的主要表现方法,在诊断领域中,它们受到越来越广泛的重视。
(1)专家系统诊断方法:为完成一个诊断专家系统最基本的功能,它必须包含三个组成部分:知识库、推理机及人机接口。扩充部分包括全局数据库、知识获取部分和解释部分。建立知识库(尤其是获取知识)通常是专家系统建造过程中的一个瓶颈问题。推理机是专家系统的组织控制结构,它能根据当前的输入数据(如设备运行过程),运用知识库的知识,按一定的搜索策略,对当前运行状况进行诊断。
(2)模糊诊断方法:系统运行状况从正常运行到故障产生是一个渐变过程,系统的“故障”与“正常”属于两个模糊集。模糊逻辑诊断方法在于建立正确的故障征兆与故障原因之间的从属关系,构造出相应的诊断矩阵,实现故障征兆与故障原因之间的映射。通过这种模糊映射关系,可以实现由模糊征兆集获得故障原因集。
(3)神经网络诊断方法:由于神经网络具有很强的非线性映射能力,能准确地模拟复杂设备的故障征兆与故障原因之间的关系,并具有并行处理能力、自学习能力和记忆能力,因而已成功地应用于故障诊断领域。
(4)粗集诊断方法:粗集理论是基于不可分辨性的思想和知识简化的方法,在保持分类能力不变的前提下,通过知识约简,从数据中推理逻辑规则作为知识系统的模型。它在分类的意义下定义了模糊性和不确定性的概念。利用粗集理论对系统进行故障诊断决策表进行约简处理,解释系统各种故障表征内在的冗余性,为系统故障诊断提供了新的有效途径
实际上,每个故障特征模式样本库中的数据向量即代表一条诊断规则,但是由于缺乏先验知识,采集样本数据时考虑的属性项较多,造成故障诊断规则比较长,而其中的一些属性项与该类故障关系较小甚至没有关系,所考虑的属性项之间也存在冗余关系。并且,不同的样本数据向量往往对应同一类故障,因此故障诊断规则的故障类别预测精度比较低。
发明内容
本发明所要解决的技术问题在于克服现有故障诊断方法存在的故障诊断规则不够简约、冗余较大,导致故障类别诊断精度比较低的不足,提供一种基于蚁群优化算法的故障诊断规则优化方法,通过该优化方法,可找到含较少属性项、较高故障类别诊断精度的诊断规则。
为便于公众更好地理解本发明,以下首先对蚁群算法的基本原理及相关概念作一简要介绍。
蚁群算法(Ant Colony Optimization,ACO)源于上世纪90年代初,Dorigo等人通过模拟自然界蚂蚁集体出巢,搜索最短觅食路径的行为而提出的,并成功应用于解决TSP问题。ACO算法具有正反馈、并行分布式计算、强鲁棒性等优点,已受到国内外众多研究者的关注。
自然界蚁群觅食行为的基本思想是:蚁群从蚁巢出发,在所经过的路径上会释放一种特殊分泌物——信息素,则该路径上走过的蚂蚁越多,留下的信息素也越多,后来的蚂蚁更倾向于选择信息素较多的路径,因此,随着时间的流逝,较优路径上的信息量越来越大,而较差路径上的信息素会因为挥发而逐渐消减,最终使整个蚁群找到到达食物源的最优路径。
蚁群算法是模拟自然界蚂蚁根据可选择路径上先前蚂蚁留下信息量的大小来选择一条最佳路径的一种启发式智能仿生优化算法。
(2)
具体而言,本发明采用以下技术方案。
一种基于蚁群优化算法的故障诊断规则优化方法,所述故障诊断规则为系统故障特
征模式样本库中的故障模式样本数据向量,所述优化方法包括以下步骤:
步骤1、生成蚂蚁可能行走的路径和节点网格图,原点表示蚁巢,横坐标表示C max个属性项,纵坐标表示0~D max之间的正整数表示的属性特征值, D max表示最大的属性特征值,即D max=max(D 1, D 2, …, D Cmax),D i 表示第i个属性的最大特征值,网格图中横坐标为i纵坐标为j的节点表示第i个属性项的第j个特征值,节点坐标亦表示为(i,j)虚线表示不是蚂蚁的行走路经,实线表示蚂蚁可选择的行走路径;,;
步骤2、初始化蚁群优化算法的参数,其中网格图中各路径的能见度,表示蚂蚁位置处在坐标为(i-1,l)的节点上对坐标为(i,j)的节点的能见度,由节点(i, j)表示的属性特征值的信息熵来量度,具体按照以下公式得到,
,
按照下式初始化所有路径段的信息素,
式中,为路径上初始的信息素,C max为表征故障的属性数目,;
步骤4、根据下式计算各条可选路径的选择概率,
,
步骤5、蚂蚁从原点出发,根据各段可选路径的选择概率,产生同长度的随机数向量,首先考虑选择概率最高的路径段,它的选择概率与对应位的随机数进行比较,若选择概率高于或等于随机数,则该段路径被选中,成为预定的一段路径;若选择概率小于对应位的随机数,则考虑选择概率第二高的路径段,依次进行直至选中一段路径,若始终不满足判定条件,则随机选择一段路径。选择完一段路径之后,蚂蚁再从下一节点的可选路径中根据选择概率选择一段路径,直至蚂蚁走到尽头,从而生成蚂蚁的预定行走路径;
步骤6、生成蚂蚁的实际行走路径,首先,预定行走路径中第1段必选的路径,以每一段路径所代表的条件项作为诊断规则的第1个条件项,计算其故障诊断精度,选择精度最高的条件项作为诊断规则的第1个条件项,它所对应的这段路径作为蚂蚁第1段必选的路径;接着,将预定行走路径中其它段路径分别与第1段必选路径相组合,其对应的故障诊断规则若能提高诊断精度,则该段路径为第2段必选路径,诊断规则增加1个条件项;若不能提高诊断精度,则没有选上第2段必走的路径,诊断规则不增加条件项;依次类推,直至考虑完预定行走路径的全部段路径,得到优化后的最终诊断规则,即为蚂蚁实际行走的路径;其中,所述诊断规则的故障预测精度根据下式得到,
式中,表示属于该类故障的样本数据被预测成属于该类的样本个数;表示不属于该类的样本数据被预测成不属于该类的样本个数;表示属于该类的样本数据被预测成不属于该类的样本个数;表示不属于该类的样本数据被预测成属于该类的样本个数;
步骤7、按照下式更新所有路径的信息素,
,
步骤8、若搜索到的诊断规则的故障预测精度达到给定精度要求,或者蚁群优化算法的迭代次数超过设定值,则蚁群优化算法终止,并保存各种数据结果;若没有满足终止条件,则返回步骤3,进入下一循环。
根据本发明的发明构思,还可得到一种故障诊断规则约简方法,所述故障诊断规则由至少一个条件项组成,该方法包括以下步骤:
步骤1、设原故障诊断规则中包含M个条件项,M为自然数,按照下式计算只含单个条件项的诊断规则的诊断精度,
式中,表示属于该类故障的样本数据被诊断成属于该类的样本个数;表示不属于该类的样本数据被诊断成不属于该类的样本个数;表示属于该类的样本数据被诊断成不属于该类的样本个数;表示不属于该类的样本数据被诊断成属于该类的样本个数;
选中诊断精度最高的条件项,作为新诊断规则的一个条件项,并在原故障诊断规则中删除该条件项;
步骤2、置加入新故障诊断规则的条件项数为N=1;
步骤3、判断原故障诊断规则的剩余条件数(M- N)是否大于0,若是则执行步骤4;若否,则结束,获得最终的新故障诊断规则;
步骤4、从原故障诊断规则中依次选取所有可选的N个条件项与新故障诊断规则进行组合,组合方式共有种;
步骤5、计算组合后的不同故障诊断规则的诊断精度,若不同组合方式的诊断规则的最高精度高于原诊断精度,则将对应的这N个条件项加入新故障诊断规则,返回步骤2;若否,则置N=N+1,返回步骤3。
本发明利用蚁群优化算法,将系统故障特征模式样本库中的故障诊断规则(即故障模式样本数据向量)进行约简优化,剔除了故障诊断规则中冗余的条件项,得到了具有更少的条件项、更高的故障诊断精度的最优诊断规则,从而可提高诊断现场故障问题的故障类别的准确率。
附图说明
图1为本发明故障诊断规则优化方法的流程图;
图2为本发明的故障诊断规则优化方法蚂蚁可能行走的路径和节点网格图;
图3为本发明的故障诊断规则约简方法的流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
蚁群优化算法 | 故障诊断问题 |
蚁巢 | 故障类别(或称为故障源) |
蚂蚁从蚁巢出发 | 针对故障源寻找故障诊断规则 |
路径上的一个节点 | 诊断规则中的一项属性(或称为条件项) |
两个节点之间的一段路径 | 诊断规则中的一项属性的特征值 |
蚂蚁经过的一段路径 | 诊断规则添加一项属性 |
蚂蚁到达目的地所经过的一条总路径 | 一条完整的诊断规则 |
总路径的距离长度 | 诊断规则的性能评价值 |
表1
本发明中,蚁群优化算法与故障诊断问题之间的对应关系如上表1所示。
首先需要采集待诊断系统的故障特征模式样本库,已知某系统的故障类别分为N个,故障特征模式样本库中共包含S个故障模式样本数据向量,每个样本数据向量的长度为C max,即表示每个样本数据向量包含C max个属性项,属性项的特征值取值范围各不同,与该属性的特征数目相关,特征值为自然数,特征值取0表示诊断规则向量中没有该属性项。其中,故障特征模式样本库中每个向量属于哪类故障是确知的。下面以精密伺服转台为例来说明本发明的技术方案。
精密伺服转台是一种用于惯性平台及惯性仪表研制、性能测试和鉴定的测试设备,其故障类别大致分为执行器故障、传感器故障、控制器故障和机械台体故障等四个部分。执行器故障包括功率放大器故障和电机故障。传感器故障包括测速机故障、码盘故障和电位器故障。控制器故障分为软件故障、模拟电路故障和数字电路故障等。
针对某精密伺服转台的实际特性,并根据具体特征表现得到属性值,定义故障特征属性向量=(,,,),分别表示电机温度、功放温度、过流指示、串口显示、看门狗输出、过欠压指示、电位器回零、转台寻零、电机转动状态、位置反馈、速度反馈、功放输出等12个特征属性的取值,取值与特征之间的关系可表示为:~取值:{1-正常,2-过热};取值:{1-无,2-有};取值:{1-正常,2-不正常};取值:{1-高,2-低};取值:{1-无,2-过压,3-欠压};取值:{1正常,2-不动,3-偏离};取值:{1-正常,2-不动,3-偏离或其它不正常};取值:{1-不影响,2-停止,3-减慢, 4-加快,5-其它不正常};~取值:{1-不影响,2-无,3-减小,4-增大,5-其它不正常};
根据现场调试经验,建立精密伺服转台系统的故障特征数据样本集,如下表2所示,为限制篇幅,表2仅给出了三类故障的样本数据,={,,,}表示现场记录的44个故障模式样本,其中为电机故障模式样本;为功率放大器故障模式样本;为测速机故障模式样本;为码盘故障模式样本;为电位器故障模式样本;为软件故障模式样本;为模拟电路故障模式样本;为数字电路故障模式样本。从样本数据集可看出,不同的特征数据往往对应同源故障,并且特征属性较多,都给故障诊断带来困难。
表2
针对表2所示的某精密伺服转台的故障样本数据集合,以对电机的故障诊断为例,采用本发明的基于蚁群优化算法的故障诊断规则优化方法,寻找能够较准确诊断该类故障的优化的故障诊断规则,本发明方法的流程如附图1所示,具体包括以下各步骤:
步骤1、生成蚂蚁可能行走的路径和节点网格图,如附图2所示,原点表示蚁巢,横坐标表示C max个属性项,纵坐标表示0~D max之间的正整数表示的属性特征值, D max表示最大的属性特征值,即D max=max(D 1, D 2, …, D Cmax),D i 表示第i个属性的最大特征值,网格图中横坐标为i纵坐标为j的节点表示第i个属性项的第j个特征值,节点坐标亦表示为(i,j)虚线表示不是蚂蚁的行走路经,实线表示蚂蚁可选择的行走路径;,;
步骤2、初始化蚁群优化算法的参数,其中网格图中各路径的能见度,表示蚂蚁位置处在坐标为(i-1,l)的节点上对坐标为(i,j)的节点的能见度,由节点(i, j)表示的属性特征值的信息熵来量度,具体按照以下公式得到,
按照下式初始化所有路径段的信息素,
置蚁群优化算法的迭代次数;
步骤4、根据下式计算各条可选路径的选择概率,
步骤5、蚂蚁从原点出发,根据各段可选路径的选择概率,产生同长度的随机数向量,首先考虑选择概率最高的路径段,它的选择概率与对应位的随机数进行比较,若选择概率高于或等于随机数,则该段路径被选中,成为预定的一段路径;若选择概率小于对应位的随机数,则考虑选择概率第二高的路径段,依次进行直至选中一段路径,若始终不满足判定条件,则随机选择一段路径。选择完一段路径之后,蚂蚁再从下一节点的可选路径中根据选择概率选择一段路径,直至蚂蚁走到尽头,从而生成蚂蚁的预定行走路径;
步骤6、生成蚂蚁的实际行走路径,首先,预定行走路径中第1段必选的路径,以每一段路径所代表的条件项作为诊断规则的第1个条件项,计算其故障诊断精度,选择精度最高的条件项作为诊断规则的第1个条件项,它所对应的这段路径作为蚂蚁第1段必选的路径;接着,将预定行走路径中其它段路径分别与第1段必选路径相组合,其对应的故障诊断规则若能提高诊断精度,则该段路径为第2段必选路径,诊断规则增加1个条件项;若不能提高诊断精度,则没有选上第2段必走的路径,诊断规则不增加条件项;依次类推,直至考虑完预定行走路径的全部段路径,得到优化后的最终诊断规则,即为蚂蚁实际行走的路径;其中,所述诊断规则的故障预测精度根据下式得到,
式中,表示属于该类故障的样本数据被预测成属于该类的样本个数;表示不属于该类的样本数据被预测成不属于该类的样本个数;表示属于该类的样本数据被预测成不属于该类的样本个数;表示不属于该类的样本数据被预测成属于该类的样本个数;
本步骤实际上是对故障诊断规则的约简过程,可采用以下方法:
步骤601、设原故障诊断规则中包含M个条件项,M为自然数,按照下式计算只含单个条件项的诊断规则的诊断精度,
式中,表示属于该类故障的样本数据被诊断成属于该类的样本个数;表示不属于该类的样本数据被诊断成不属于该类的样本个数;表示属于该类的样本数据被诊断成不属于该类的样本个数;表示不属于该类的样本数据被诊断成属于该类的样本个数;
选中诊断精度最高的条件项,作为新诊断规则的一个条件项,并在原故障诊断规则中删除该条件项;
步骤602、置加入新故障诊断规则的条件项数为N=1;
步骤603、判断原故障诊断规则的剩余条件数(M- N)是否大于0,若是则执行步骤4;若否,则结束,获得最终的新故障诊断规则;
步骤604、从原故障诊断规则中依次选取所有可选的N个条件项与新故障诊断规则进行组合,组合方式共有种;
步骤605、计算组合后的不同故障诊断规则的诊断精度,若不同组合方式的诊断规则的最高精度高于原诊断精度,则将对应的这N个条件项加入新故障诊断规则,返回步骤2;若否,则置N=N+1,返回步骤603。
上述故障诊断规则约简方法的流程如附图3所示,该方法也可用于其它的故障诊断方法中。
步骤7、按照下式更新所有路径的信息素,
,
步骤8、若搜索到的诊断规则的故障预测精度达到给定精度要求,或者蚁群优化算法的迭代次数超过设定值,则蚁群优化算法终止,并保存各种数据结果;若没有满足终止条件,则返回步骤3,进入下一循环。
经过上述优化过程,得到如下表3所示的优化结果,
诊断规则的属性特征向量 | 诊断规则 | 预测精度 | 需要蚂蚁只数 |
D=[0 0 0 0 0 0 2 0 0 0 0 4] | 如果“电位器回零不动”且“功放输出增大”,那么就是“电机故障” | 0.8718 | 3 |
D=[0 0 0 0 0 0 0 0 3 0 3 0] | 如果“电机转动状态减慢” 、“速度反馈减小”,那么就是“电机故障” | 0.8947 | 5 |
表3
从以上优化结果可知,采用本发明方法,只需很少的迭代次数就能搜索到具有含较少条件项、较高分类精度的诊断规则,并且能够正确分类出预定的该类故障样本。基于该方案,对其它故障类别的诊断规则的寻优实验结果同样验证了本发明方法的有效性和稳定性。当然,为提高故障诊断精度和可靠度,需要适当增加故障模式库中的样本数目。
Claims (2)
1. 一种基于蚁群优化算法的故障诊断规则优化方法,所述故障诊断规则为系统故障特征模式样本库中的故障模式样本数据向量,其特征在于,所述优化方法包括以下步骤:
步骤1、生成蚂蚁可能行走的路径和节点网格图,原点表示蚁巢,横坐标表示C max个属性项,纵坐标表示0~D max之间的正整数表示的属性特征值, D max表示最大的属性特征值,即D max=max(D 1, D 2, …, D Cmax),D i 表示第i个属性的最大特征值,网格图中横坐标为i纵坐标为j的节点表示第i个属性项的第j个特征值,节点坐标亦表示为(i,j)虚线表示不是蚂蚁的行走路经,实线表示蚂蚁可选择的行走路径; ,;
步骤2、初始化蚁群优化算法的参数,其中网格图中各路径的能见度,表示蚂蚁位置处在坐标为(i-1,l)的节点上对坐标为(i,j)的节点的能见度,由节点(i, j)表示的属性特征值的信息熵来量度,具体按照以下公式得到,
按照下式初始化所有路径段的信息素,
置蚁群优化算法的迭代次数;
步骤3、进入循环,置蚁群优化算法的循环次数;
步骤4、根据下式计算各条可选路径的选择概率,
步骤5、蚂蚁从原点出发,根据各段可选路径的选择概率,产生同长度的随机数向量,首先考虑选择概率最高的路径段,它的选择概率与对应位的随机数进行比较,若选择概率高于或等于随机数,则该段路径被选中,成为预定的一段路径;若选择概率小于对应位的随机数,则考虑选择概率第二高的路径段,依次进行直至选中一段路径,若始终不满足判定条件,则随机选择一段路径;选择完一段路径之后,蚂蚁再从下一节点的可选路径中根据选择概率选择一段路径,直至蚂蚁走到尽头,从而生成蚂蚁的预定行走路径;
步骤6、生成蚂蚁的实际行走路径,首先,预定行走路径中第1段必选的路径,以每一段路径所代表的条件项作为诊断规则的第1个条件项,计算其故障诊断精度,选择精度最高的条件项作为诊断规则的第1个条件项,它所对应的这段路径作为蚂蚁第1段必选的路径;接着,将预定行走路径中其它段路径分别与第1段必选路径相组合,其对应的故障诊断规则若能提高诊断精度,则该段路径为第2段必选路径,诊断规则增加1个条件项;若不能提高诊断精度,则没有选上第2段必走的路径,诊断规则不增加条件项;依次类推,直至考虑完预定行走路径的全部段路径,得到优化后的最终诊断规则,即为蚂蚁实际行走的路径;其中,所述诊断规则的故障预测精度根据下式得到,
式中,表示属于该类故障的样本数据被预测成属于该类的样本个数;表示不属于该类的样本数据被预测成不属于该类的样本个数;表示属于该类的样本数据被预测成不属于该类的样本个数;表示不属于该类的样本数据被预测成属于该类的样本个数;
步骤7、按照下式更新所有路径的信息素,
步骤8、若搜索到的诊断规则的故障预测精度达到给定精度要求,或者蚁群优化算法的迭代次数超过设定值,则蚁群优化算法终止,并保存各种数据结果;若没有满足终止条件,则返回步骤3,进入下一循环。
2.一种故障诊断规则约简方法,所述故障诊断规则由至少一个条件项组成,其特征在
于,该方法包括以下步骤:
步骤1、设原故障诊断规则中包含M个条件项,M为自然数,按照下式计算只含单个条件项的诊断规则的诊断精度,
式中,表示属于该类故障的样本数据被诊断成属于该类的样本个数;表示不属于该类的样本数据被诊断成不属于该类的样本个数;表示属于该类的样本数据被诊断成不属于该类的样本个数;表示不属于该类的样本数据被诊断成属于该类的样本个数;
选中诊断精度最高的条件项,作为新诊断规则的一个条件项,并在原故障诊断规则中删除该条件项;
步骤2、置加入新故障诊断规则的条件项数为N=1;
步骤3、判断原故障诊断规则的剩余条件数(M- N)是否大于0,若是则执行步骤4;若否,则结束,获得最终的新故障诊断规则;
步骤5、计算组合后的不同故障诊断规则的诊断精度,若不同组合方式的诊断规则的最高精度高于原诊断精度,则将对应的这N个条件项加入新故障诊断规则,返回步骤2;若否,则置N=N+1,返回步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100993684A CN102163300A (zh) | 2011-04-20 | 2011-04-20 | 基于蚁群优化算法的故障诊断规则优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100993684A CN102163300A (zh) | 2011-04-20 | 2011-04-20 | 基于蚁群优化算法的故障诊断规则优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102163300A true CN102163300A (zh) | 2011-08-24 |
Family
ID=44464514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100993684A Pending CN102163300A (zh) | 2011-04-20 | 2011-04-20 | 基于蚁群优化算法的故障诊断规则优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102163300A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484547A (zh) * | 2014-11-03 | 2015-04-01 | 中国船舶重工集团公司第七一二研究所 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
CN105629101A (zh) * | 2015-12-22 | 2016-06-01 | 浙江大学 | 一种基于蚁群算法的多功率模块并联系统的故障诊断方法 |
CN105717887A (zh) * | 2014-12-05 | 2016-06-29 | 克拉玛依红有软件有限责任公司 | 基于物联网传感数据的油气处理站智能预警系统 |
CN107783285A (zh) * | 2017-11-06 | 2018-03-09 | 山东理工大学 | 校正单个非球面透镜球差的蚁群优化方法 |
CN108090648A (zh) * | 2016-11-22 | 2018-05-29 | 松下知识产权经营株式会社 | 诊断用电设备工作状态的方法、装置及显示装置 |
CN108898151A (zh) * | 2018-05-09 | 2018-11-27 | 江南大学 | 一种基于局部搜索蚁群算法的机械设备状态监测方法 |
CN108898249A (zh) * | 2018-06-28 | 2018-11-27 | 鹿寨知航科技信息服务有限公司 | 一种电网故障预测方法 |
CN110222023A (zh) * | 2019-06-06 | 2019-09-10 | 桂林电子科技大学 | 基于Spark与蚁群优化的多目标并行属性约简方法 |
CN110825788A (zh) * | 2019-11-07 | 2020-02-21 | 成都康赛信息技术有限公司 | 基于数据质量检测规则挖掘结果的规则约简方法 |
CN114553742A (zh) * | 2021-12-22 | 2022-05-27 | 山东大学 | 一种基于蚁群算法的网络拥塞节点识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
-
2011
- 2011-04-20 CN CN2011100993684A patent/CN102163300A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
张扬,曲延滨: "基于蚁群算法与神经网络的机械故障诊断方法", 《机床与液压》 * |
甄子洋,王道波,王志胜: "基于蚁群优化算法的精密伺服转台故障诊断方法", 《自动化学报》 * |
赵义飞,高锦宏,刘亚平,哈亮: "基于蚁群优化神经网络的故障诊断", 《北京信息科技大学学报》 * |
陆雯: "精密伺服转台系统先进故障诊断技术研究与实现", 《南京航空航天大学硕士学位论文》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484547A (zh) * | 2014-11-03 | 2015-04-01 | 中国船舶重工集团公司第七一二研究所 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
CN104484547B (zh) * | 2014-11-03 | 2017-07-18 | 中国船舶重工集团公司第七一二研究所 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
CN104484548B (zh) * | 2014-11-05 | 2017-11-03 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
CN105717887B (zh) * | 2014-12-05 | 2018-03-02 | 克拉玛依红有软件有限责任公司 | 基于物联网传感数据的油气处理站智能预警系统 |
CN105717887A (zh) * | 2014-12-05 | 2016-06-29 | 克拉玛依红有软件有限责任公司 | 基于物联网传感数据的油气处理站智能预警系统 |
CN105629101B (zh) * | 2015-12-22 | 2018-05-15 | 浙江大学 | 一种基于蚁群算法的多功率模块并联系统的故障诊断方法 |
CN105629101A (zh) * | 2015-12-22 | 2016-06-01 | 浙江大学 | 一种基于蚁群算法的多功率模块并联系统的故障诊断方法 |
CN108090648A (zh) * | 2016-11-22 | 2018-05-29 | 松下知识产权经营株式会社 | 诊断用电设备工作状态的方法、装置及显示装置 |
CN107783285A (zh) * | 2017-11-06 | 2018-03-09 | 山东理工大学 | 校正单个非球面透镜球差的蚁群优化方法 |
CN108898151A (zh) * | 2018-05-09 | 2018-11-27 | 江南大学 | 一种基于局部搜索蚁群算法的机械设备状态监测方法 |
CN108898249A (zh) * | 2018-06-28 | 2018-11-27 | 鹿寨知航科技信息服务有限公司 | 一种电网故障预测方法 |
CN110222023A (zh) * | 2019-06-06 | 2019-09-10 | 桂林电子科技大学 | 基于Spark与蚁群优化的多目标并行属性约简方法 |
CN110222023B (zh) * | 2019-06-06 | 2022-09-16 | 桂林电子科技大学 | 基于Spark与蚁群优化的多目标并行属性约简方法 |
CN110825788A (zh) * | 2019-11-07 | 2020-02-21 | 成都康赛信息技术有限公司 | 基于数据质量检测规则挖掘结果的规则约简方法 |
CN114553742A (zh) * | 2021-12-22 | 2022-05-27 | 山东大学 | 一种基于蚁群算法的网络拥塞节点识别方法及系统 |
CN114553742B (zh) * | 2021-12-22 | 2023-11-03 | 山东大学 | 一种基于蚁群算法的网络拥塞节点识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102163300A (zh) | 基于蚁群优化算法的故障诊断规则优化方法 | |
CN106503368B (zh) | 一种基于故障机理相关的多状态系统可靠性建模方法 | |
Carrano et al. | Electric distribution network multiobjective design using a problem-specific genetic algorithm | |
CN106326585B (zh) | 基于贝叶斯网络推理的预测分析方法以及装置 | |
CN110348713A (zh) | 一种基于关联性分析和数据挖掘的台区线损计算方法 | |
CN106841928A (zh) | 一种基于多源信息融合的配电网故障区段定位方法及系统 | |
CN102750286B (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
CN107016077B (zh) | 一种面向Web服务组合的优化方法 | |
CN102054002A (zh) | 一种数据挖掘系统中决策树的生成方法及装置 | |
CN110264116A (zh) | 一种基于关系探索与回归树的电力系统动态安全评估方法 | |
CN105871724A (zh) | 电力通信网线路优化方法及系统 | |
CN105205052B (zh) | 一种数据挖掘方法及装置 | |
CN106845642A (zh) | 一种带约束云工作流调度的自适应多目标进化方法 | |
CN108563875A (zh) | 基于多目标优化的模拟电路测点和频率联合优选方法 | |
CN109670611A (zh) | 一种电力信息系统故障诊断方法及装置 | |
CN109002656A (zh) | 多阶段任务系统冗余配置优化方法 | |
CN109948695A (zh) | 一种基于近邻传播聚类算法的电网脆弱节点自动识别方法 | |
CN109672554A (zh) | 确定故障根因的方法及装置 | |
CN107040879A (zh) | 一种基于遗传模糊树的无线传感网节点联合移动算法 | |
CN112052544B (zh) | 风电场集电网络设计方法、系统、存储介质及计算设备 | |
CN110188823A (zh) | 一种故障诊断决策方法及计算机可读介质 | |
CN110309198A (zh) | 一种基于分布式数据流处理的局部节点挖掘方法 | |
CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
Ren et al. | A multiple randomized learning based ensemble model for power system dynamic security assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110824 |