CN102254223A - 基于蚁群算法的自适应随机共振系统参数选择方法 - Google Patents
基于蚁群算法的自适应随机共振系统参数选择方法 Download PDFInfo
- Publication number
- CN102254223A CN102254223A CN2011101800886A CN201110180088A CN102254223A CN 102254223 A CN102254223 A CN 102254223A CN 2011101800886 A CN2011101800886 A CN 2011101800886A CN 201110180088 A CN201110180088 A CN 201110180088A CN 102254223 A CN102254223 A CN 102254223A
- Authority
- CN
- China
- Prior art keywords
- node
- ant
- parameter
- stochastic resonance
- signal
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于蚁群算法的自适应随机共振系统参数选择方法,该方法首先对信号进行预处理使之满足随机共振小参数要求,并选择合适类别的蚁群算法,然后根据已知条件和要求设置蚁群算法内的初始参数,最后用选定的蚁群算法进行随机共振的参数寻优,根据随机共振处理信号返回的特征值来指引蚁群算法的走向,直至自适应地找到随机共振系统的最优参数。本发明的优点在于用较小的蚁群能够实现大范围区域内的参数寻优,克服了由于系统参数难以选取造成的随机共振应用受到限制的问题,能够实现机械设备早期故障的有效诊断。
Description
技术领域
本发明属于机械设备早期故障特征提取领域,涉及一种基于蚁群算法的随机共振系统参数选择方法,可以自适应地选择最优的系统参数,实现机械设备早期故障的有效诊断。
背景技术
随着科学技术的发展,机电设备在社会经济生活中发挥着越来越重要的作用,而设备的大型化、复杂化趋势无疑增加了故障发生的机率,单一故障的发生,往往会引发连锁反应,导致整台设备甚至整条生产线不能正常运行,造成巨大的经济损失,甚至造成人员伤亡。因此机电设备的状态监测与故障诊断工作,尤其是早期故障的诊断具有深远的社会意义和经济价值。
由于机电设备工况的复杂多样化,机械故障也越来越复杂,设备的早期故障特征往往比较微弱,而对于低速重载设备而言微弱信号是它的一个固有特性,因此微弱信号的检测是设备状态监测与早期故障诊断的关键技术。通常能够反映设备早期故障的微弱特征都被噪声所淹没,传统的处理做法是消噪,但是消噪的同时往往容易产生信号的削弱甚至破坏,而随机共振是一种利用噪声来加强微弱信号的非线性信号处理方法,具有重要的工程实际意义。在经典随机共振中最常用的就是如下公式中的双稳态系统模型,当小参数信号(A<<1,D<<1,f<<1)、系统和噪声达到一定的匹配关系时,噪声的能量会部分传递给小信号,信号的能量得到加强就可以跃过势垒ΔU形成跃迁发生随机共振,这种特性被用来检测隐藏在噪声中的微弱信号。
在实际应用中,需要调节信号、系统和噪声三者的关系使随机共振产生比较好的效果。信号要经过预处理使之满足小参数条件,一般不能精确控制,噪声因为添加容易而减小困难所以一般也不做调节,双稳态系统可以通过改变参数a和b的值达到方便调节的目的,所以在调节三者的匹配关系时应用最广。随着计算机技术的发展,让计算机代替人去自动尝试和获得最优的信号、噪声与系统的匹配关系可以大大节约时间成本,越来越多的参数可以由计算机自适应的选择出来。对于随机共振系统而言,一般的调节方法都是固定一个参数调节另一个,这种方法简单易于实现,但当第一个参数选择的偏差太大时,即使第二个参数可以减小误差求得的也只是相对最优值,离真正的最优值还有一定的差距;也可以用计算机遍历所有可能的参数组合,这种方法能够求得最优值,但如果精度要求高时或多于两个参数时计算量会相当大,这对计算机配置的要求较高,耗时较长。”
蚁群算法是一类随机搜索算法,模拟了蚁群的觅食机制,从最开始的随机寻找逐渐找到一条从蚁穴到食物的最短路径。通过蚂蚁所在点附近的各个目标点的信息素浓度来决定蚂蚁移动到的位置,直到找寻到信息素浓度最大的点,所以它是一个很好的参数选择方法。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种基于蚁群算法的自适应随机共振系统参数选择方法。该方法模拟蚂蚁群体觅食的原理进行随机共振系统的参数寻优,其本质是一个复杂的智能系统,具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法结合的优点。蚁群算法与随机共振相结合可以有效地提高随机共振参数选择的精度和效率,使随机共振的应用范围得到扩展,实现机械设备早期故障的有效诊断。
本发明的技术方案是按照如下步骤进行的:
(1)先对信号进行预处理,使其满足随机共振小参数要求,选择随机共振处理后信号的输出信噪比作为蚁群算法的评价函数;
(2)选择基于网格划分的蚁群算法,根据随机共振初始搜索范围和评价函数来设定蚁群算法内的参数;
(3)用基于网格划分的蚁群算法对随机共振系统参数进行寻优,最后得到的就是自适应求得的随机共振系统参数。
所述步骤(1)中:
所说的对信号进行预处理是指对不满足随机共振小参数要求的信号X(t)在进入随机共振系统前通过归一化、移频、调制、变尺度或移频变尺度方法进行处理。
所述步骤(3)中寻优的具体步骤如下:
1)把蚂蚁随机放到网格节点处,每个节点对应一组随机共振系统参数值,一般蚂蚁数和初始网格数相当;
3)蚂蚁移动到选中的节点位置,把此节点数值赋给随机共振的系统参数,然后计算信号经随机共振后的评价函数值;
4)根据各节点求出的评价函数值来更新所在节点的信息素浓度,公式如下:
τij(t+1)=(1-ρ)τij(t)+Δτij(t),·ij(t)为t时刻位于网格序列第i行第j列的节点信息素浓度,ρ为信息素挥发系数,ΔTij(t)为t时刻计算出的节点浓度变化量;
5)判断每列上蚂蚁所选节点是否收敛于同一节点,如果是,找出各列中信息素浓度最高的节点,否则跳到步骤2);
6)在收敛的节点处缩小区间范围然后跳到步骤1)继续执行,直至区间范围小于设定的精度要求。
本发明的核心是实现了基于蚁群算法的随机共振系统参数的自适应选取,用较小的蚁群能够实现大范围区域内的参数寻优,克服了由于系统参数难以选取造成的随机共振应用受到限制的问题,实现机械设备早期故障的有效诊断,通过计算机的自适应选择可以避免很多不必要的人为操作,结果相对比较精确。
附图说明
图1为基于蚁群算法的自适应随机共振系统参数选择流程图;
图2为轴承原始信号波形及频谱图;
图3为基于蚁群算法的自适应随机共振系统参数选择结果图;
图4为优化后的随机共振系统处理信号的波形及频谱图;
图5为随机选取系统参数进行处理的结果图;
图6为随机选取的较优随机共振系统处理信号的波形及频谱图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
1)先对信号进行预处理使之满足随机共振小参数的要求,同时选择处理后信号的输出信噪比作为蚁群算法的评价函数;
2)选择基于网格划分的蚁群算法,设定蚁群算法内的参数,然后用此蚁群算法对随机共振系统参数进行寻优,最后得到的就是自适应求得的随机共振系统参数。
根据上述发明内容和图1的基于蚁群算法的自适应随机共振系统参数选择流程图,首先对蚁群算法及随机共振系统的初始参数进行设置,并根据要求确定系统参数a、b的初始范围,在此基础上把初始范围分为N段,将蚂蚁随机放置到网格节点处,然后把对应节点参数值代入到随机共振系统中处理信号,计算出信号的输出信噪比并由此值来更新蚂蚁所在节点处的信息素浓度,蚂蚁根据每列信息素浓度计算出的概率寻找下一节点位置,直到每列上的蚂蚁全部移动到此列同一位置,即收敛时找出所有蚂蚁集中点浓度最高的一个,在此位置附近缩小范围重新分段按照上述步骤进行搜索,直到区间范围满足精度要求为止,输出的就是蚁群算法求出的自适应随机共振系统参数。
对某型客运型电力机车的轮对轴承进行检测,在进行检测时由安装在车轮轴承座上方的加速度传感器进行信号采集,采样频率为12.8KHz,数据长度为8192个点。实际轴承参数如下表所示:
表1:实际参数
表2:轴承故障频率
外圈故障频率 | 78.17Hz |
内圈故障频率 | 106Hz |
滚动体故障频率 | 70.05Hz |
保持架故障频率 | 4.598Hz |
轴承原始信号如图2所示,从图中看不出轴承哪个位置的故障频率特别突出,所以无法判断轴承是否有故障。
首先对测得的信号进行预处理。
轴承外圈故障特征频率为78.17Hz,不满足随机共振的小参数要求,用移频变尺度方法对其进行处理。设定高通滤波器的通过频率和截止频率分别为70Hz和68Hz,调制频率为68Hz,变尺度压缩率为200,78.17-68=10.17Hz,在处理中频率为(满足小参数要求),处理后再把信号还原回去。选择输出信噪比(SNR)作为评价函数,公式如下:
S为信号幅值,N为噪声幅值。
然后,设置基于网格划分的蚁群算法内的基本参数,经初步计算,确定初始范围:0<a<10,0<b<10,所分段数N=10,总节点数为100,蚁群数目设为100,信息素初始浓度各节点全为1,挥发系数ρ=0.2。
最后,按照蚁群算法的步骤进行随机共振系统参数的自适应选择:
1)把蚂蚁随机放到网格节点处,每个节点对应一组随机共振系统参数值,一般蚂蚁数和初始网格数相当;
3)蚂蚁移动到选中的节点位置,把此节点数值赋给随机共振的系统参数,然后计算信号经随机共振后的输出信噪比,即评价函数值;
4)根据各节点求出的评价函数值来更新所在节点的信息素浓度,公式如下:
τij(t+1)=(1-ρ)τij(t)+Δτij(t),·ij(t)为t时刻位于网格序列第i行第j列的节点信息素浓度,ρ为信息素挥发系数,ΔTij(t)为t时刻计算出的节点浓度变化量;
5)判断每列上蚂蚁所选节点是否收敛于同一节点,如果是,找出各列中信息素浓度最高的节点,否则跳到步骤2);
6)在收敛的节点处缩小区间范围然后跳到步骤1)继续执行,直至区间范围小于设定的精度要求。
因为实际信号过于复杂,为了避免各种干扰以便寻找到最好的结果,所以我们采用多次运算取最优值的方式进行处理,这里进行了20次运算,图3是运算后的结果,能够看到20次的结果大致稳定在一个比较高的信噪比范围内,可以求出最优参数是a=0.4921 b=0.5251,SNR=28.2527。把最优a、b值代入随机共振系统,然后处理信号,得到图4的结果,此图中外圈故障频率很突出,信噪比很高。为了对比出参数选择的优越性,在初始范围内随机选取a、b值代入随机共振系统求取对应的信号输出信噪比,即评价函数值,20次的计算结果如图5,各次的值差异比较大,最优信噪比SNR=26.48,也没有蚁群算法求出的高。选择较好的a、b值代入随机共振系统处理信号结果如图6所示,可以看出频谱图中的故障频率峰值为0.3211,只有蚁群算法求出频率峰值0.6214的一半。经验证,蚁群算法能够有效地寻找到随机共振系统的最优参数值。从图4中可以看到78.13Hz(与计算频率有小的偏差)的谱峰相当明显,说明轴承的外圈出现了故障。
依次对内圈、滚动体及保持架进行类似的检测,在对应频率处没有得到明显的频率特征,说明轴承只存在外圈故障。
由此可得,蚁群算法能够实现随机共振系统参数的自适应选取,用较小的蚁群在大范围区域内寻找到了最优参数,精度比较高、操作方便,说明蚁群算法具有很好的参数寻优能力,和随机共振结合可以实现机械设备早期故障的有效诊断。
Claims (3)
1.一种基于蚁群算法的自适应随机共振系统参数选择方法,其特征在于,包括以下步骤:
(1)先对信号进行预处理,使其满足随机共振小参数要求,选择随机共振处理后信号的输出信噪比作为蚁群算法的评价函数;
(2)选择基于网格划分的蚁群算法,根据随机共振初始搜索范围和评价函数来设定蚁群算法内的参数;
(3)用基于网格划分的蚁群算法对随机共振系统参数进行寻优,最后得到的就是自适应求得的随机共振系统参数。
2.根据权利要求1所述基于蚁群算法的自适应随机共振系统参数选择方法,其特征在于,步骤(1)中:
所说的对信号进行预处理是指对不满足随机共振小参数要求的信号X(t)在进入随机共振系统前通过归一化、移频、调制、变尺度或移频变尺度方法进行处理。
3.根据权利要求1所述基于蚁群算法的自适应随机共振系统参数选择方法,其特征在于,步骤(3)中:
具体包括以下步骤:
1)把蚂蚁随机放到网格节点处,每个节点对应一组随机共振系统参数值,一般蚂蚁数和初始网格数相当;
2)根据各节点信息素浓度·ij按照如下公式计算每一列中各节点的概率Pij,然后让此列上的蚂蚁按概率随机寻找下一节点位置
N为所分网格段数;
3)蚂蚁移动到选中的节点位置,把此节点数值赋给随机共振的系统参数,然后计算信号经随机共振后的评价函数值;
4)根据各节点求出的评价函数值来更新所在节点的信息素浓度,公式如下:
τij(t+1)=(1-ρ)τij(t)+Δτij(t),τij(t)为t时刻位于网格序列第i行第j列的节点信息素浓度,ρ为信息素挥发系数,ΔTij(t)为t时刻计算出的节点浓度变化量;
5)判断每列上蚂蚁所选节点是否收敛于同一节点,如果是,找出各列中信息素浓度最高的节点,否则跳到步骤2);
6)在收敛的节点处缩小区间范围然后跳到步骤1)继续执行,直至区间范围小于设定的精度要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101800886A CN102254223A (zh) | 2011-06-29 | 2011-06-29 | 基于蚁群算法的自适应随机共振系统参数选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101800886A CN102254223A (zh) | 2011-06-29 | 2011-06-29 | 基于蚁群算法的自适应随机共振系统参数选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102254223A true CN102254223A (zh) | 2011-11-23 |
Family
ID=44981471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101800886A Pending CN102254223A (zh) | 2011-06-29 | 2011-06-29 | 基于蚁群算法的自适应随机共振系统参数选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254223A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735330A (zh) * | 2012-06-15 | 2012-10-17 | 天津大学 | 基于粒子群优化算法的自适应随机共振微弱信号检测方法 |
CN103412057A (zh) * | 2013-07-19 | 2013-11-27 | 西安交通大学 | 基于随机共振和移动最小二乘的弱振荡衰减信号参数识别 |
CN104298878A (zh) * | 2014-10-14 | 2015-01-21 | 天津工业大学 | 一种获取随机共振系统最优参数的自适应搜寻方法 |
CN105824783A (zh) * | 2016-03-18 | 2016-08-03 | 哈尔滨工程大学 | 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN108760310A (zh) * | 2018-07-02 | 2018-11-06 | 中国矿业大学 | 基于新型信噪比指标的随机共振滚动轴承故障诊断方法 |
CN111458092A (zh) * | 2020-03-02 | 2020-07-28 | 河北工业大学 | 工业机器人早期微弱故障信号筛选方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN101237469A (zh) * | 2008-02-27 | 2008-08-06 | 中山大学 | 运用蚁群算法优化多QoS网格工作流的方法 |
CN101895494A (zh) * | 2010-07-12 | 2010-11-24 | 西安电子科技大学 | 基于随机共振预处理的数字调制方式自动识别方法 |
-
2011
- 2011-06-29 CN CN2011101800886A patent/CN102254223A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN101237469A (zh) * | 2008-02-27 | 2008-08-06 | 中山大学 | 运用蚁群算法优化多QoS网格工作流的方法 |
CN101895494A (zh) * | 2010-07-12 | 2010-11-24 | 西安电子科技大学 | 基于随机共振预处理的数字调制方式自动识别方法 |
Non-Patent Citations (2)
Title |
---|
刘璐 等: "基于网格划分策略的自适应ACO算法优化LQR控制器权值", 《西南科技大学学报》, vol. 25, no. 3, 30 September 2010 (2010-09-30) * |
王晶 等: "采用遗传算法的自适应随机共振系统弱信号检测方法研究", 《西安交通大学学报》, vol. 44, no. 3, 31 March 2010 (2010-03-31) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735330A (zh) * | 2012-06-15 | 2012-10-17 | 天津大学 | 基于粒子群优化算法的自适应随机共振微弱信号检测方法 |
CN103412057A (zh) * | 2013-07-19 | 2013-11-27 | 西安交通大学 | 基于随机共振和移动最小二乘的弱振荡衰减信号参数识别 |
CN103412057B (zh) * | 2013-07-19 | 2015-11-25 | 西安交通大学 | 基于随机共振和移动最小二乘的弱振荡衰减信号参数识别 |
CN104298878A (zh) * | 2014-10-14 | 2015-01-21 | 天津工业大学 | 一种获取随机共振系统最优参数的自适应搜寻方法 |
CN105824783A (zh) * | 2016-03-18 | 2016-08-03 | 哈尔滨工程大学 | 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法 |
CN105824783B (zh) * | 2016-03-18 | 2019-09-27 | 哈尔滨工程大学 | 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN107084854B (zh) * | 2017-04-17 | 2019-02-05 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN108760310A (zh) * | 2018-07-02 | 2018-11-06 | 中国矿业大学 | 基于新型信噪比指标的随机共振滚动轴承故障诊断方法 |
CN108760310B (zh) * | 2018-07-02 | 2021-04-23 | 中国矿业大学 | 基于新型信噪比指标的随机共振滚动轴承故障诊断方法 |
CN111458092A (zh) * | 2020-03-02 | 2020-07-28 | 河北工业大学 | 工业机器人早期微弱故障信号筛选方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102254223A (zh) | 基于蚁群算法的自适应随机共振系统参数选择方法 | |
CN101520652B (zh) | 一种数控装备服役可靠性的评估方法 | |
CN105004498A (zh) | 一种水电机组的振动故障诊断方法 | |
CN104134351A (zh) | 一种短时交通流预测方法 | |
CN104794501B (zh) | 模式识别方法及装置 | |
CN104463359A (zh) | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 | |
CN104900063A (zh) | 一种短程行驶时间预测方法 | |
CN103166830A (zh) | 一种智能选择训练样本的垃圾邮件过滤系统和方法 | |
CN103744978A (zh) | 一种基于网格搜索技术用于支持向量机的参数寻优方法 | |
CN103401625A (zh) | 基于粒子群优化算法的协作频谱感知优化方法 | |
US20190325316A1 (en) | Apparatus and methods for program synthesis using genetic algorithms | |
CN110232420A (zh) | 一种数据的聚类方法 | |
CN113642508B (zh) | 基于参数自适应vmd与优化svm的轴承故障诊断方法 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN103136331A (zh) | 微博网络意见领袖识别方法 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN112560327B (zh) | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 | |
Cayir Ervural et al. | Improvement of grey prediction models and their usage for energy demand forecasting | |
CN109145301A (zh) | 信息分类方法及装置、计算机可读存储介质 | |
CN105160405B (zh) | 基于遗传算法优化的微弱暂态零序电流故障特征提取方法 | |
CN105260777B (zh) | 一种多参数优化的弱暂态零序电流故障特征提取方法 | |
CN103927874A (zh) | 基于欠抽样面向不平衡数据集的交通事件自动检测方法 | |
CN104008426A (zh) | 基于集成学习的分布式计算环境性能预测方法 | |
CN105069526A (zh) | 一种计算员工留存度概率的计算方法 | |
CN108280289A (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111123 |
|
WD01 | Invention patent application deemed withdrawn after publication |