CN104484547B - 一种基于蚁群算法的电力推进系统故障诊断方法与系统 - Google Patents
一种基于蚁群算法的电力推进系统故障诊断方法与系统 Download PDFInfo
- Publication number
- CN104484547B CN104484547B CN201410617592.1A CN201410617592A CN104484547B CN 104484547 B CN104484547 B CN 104484547B CN 201410617592 A CN201410617592 A CN 201410617592A CN 104484547 B CN104484547 B CN 104484547B
- Authority
- CN
- China
- Prior art keywords
- node
- propulsion system
- electric propulsion
- ant
- child node
- 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.)
- Active
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Catching Or Destruction (AREA)
Abstract
一种基于蚁群算法的电力推进系统故障诊断方法,属于船舶电力推进系统监控系统设计技术领域。本方法是对蚁群算法、故障树分析方法以及船舶电力推进系统故障等进行深入研究的基础上,将蚁群算法和故障树分析方法相结合,首次提出了基于蚁群算法的电力推进系统故障诊断算法。本发明的优点在对船舶电力推进系统故障树进行诊断推理过程中,提供信息素,并能根据诊断结果修正信息素,完成诊断系统的学习,提高了电力推进系统故障诊断效率和准确性。
Description
技术领域
本发明属于船舶电力推进系统监控系统设计技术领域,特别是涉及一种基于蚁群算法的电力推进系统故障诊断方法与系统。
背景技术
船舶电力推进系统的故障诊断是保证电力推进系统可靠工作的重要保障和关键技术,电力推进系统复杂程度越来越高,要想获得精确的数学模型是非常困难的,因而,基于知识的故障诊断方法更适合实际工程的应用。基于故障树分析的故障诊断方法是基于知识的故障诊断方法的一种,这种诊断方法利于船舶电力推进系统的故障原因分析,但其存在一个问题:在使用过程中,若不修改知识库,故障诊断无法通过学习提高诊断效率和准确性。因此,需要优化基于故障树的电力推进系统故障诊断方法,使其具备在使用过程中的学习能力。
发明内容
本发明的目的是针对现有技术存在的问题,克服目前采用故障树分析对船舶电力推进系统故障进行诊断过程中,诊断系统本身无法在诊断过程中进行学习,诊断的效率低和准确性差的的问题,提供一种基于蚁群算法的电力推进系统故障诊断方法与系统。
为了实现上述目的,本发明的技术方案是:
一种基于蚁群算法的电力推进系统故障诊断方法,包括以下步骤:
(1)生成电力推进系统故障树;
(2)初始化蚁群算法参数,从根节点出发,每次诊断派出一只蚂蚁;
(3)根据以下公式计算各可选的、未走过的、邻接的子节点的选择概率:
式中为蚂蚁选择从节点i到邻接的子节点j这条路径的概率,可选的、未走过的、邻接的子节点集合,为从节点i到邻接的子节点j的信息素,为节点i到邻接的子节点j之间的可见度,为信息素的权重,为可见度的权重;
(4)以选择概率为启发性信息依次匹配子节点,进行搜索:在中选择选择概率最高的子节点进行规则匹配,匹配失败,则选择中选择概率第二高的子节点进行规则匹配,依次类推,直至规则匹配成功或中所有子节点均匹配失败,如果均失败跳转到步骤(6)继续执行,匹配成功的子节点作为下一个经过的子节点;
(5)规则匹配成功后,反复执行步骤(3)及步骤(4),直至蚂蚁走到叶节点,该节点事件为底事件;蚂蚁从根节点到叶节点经过的节点形成一条蚂蚁行走路径;
(6)蚂蚁回溯搜索另一条行走路径,直至搜索完所有行走路径;所有行走路径的底事件的集合构成诊断结果;
(7)选择性的更新信息素。
以下是本发明进一步的技术方案:
优选的,所述步骤(2)中的参数包括信息素、可见度、信息素权重、可见度权重、信息素挥发系数、信息强度Q,除可见度初始化为节点i到邻接的子节点j距离的倒数外,其它参数均初始化为常数,其中,蚂蚁个数初始化为1,表示每次诊断派出一只蚂蚁。
优选的,所述步骤(7)选择性的更新信息素是指在诊断结果不为空时,选择n个底事件,,选中底事件所属的行走路径中的节点依据以下公式更新信息素:
式中为蚂蚁t+n时刻行走路径上的信息素,为信息素挥发系数,为t时刻行走路径上的信息素,为t时刻行走路径上的信息素增量,Q为常量,表示信息强度,l为行走路径的长度。
优选的,所述步骤(4)中的规则匹配是指根据电力推进系统当前参数判断是否满足子节点的事件发生必要条件。
优选的,所述步骤(4)中匹配子节点的过程由堆栈实现,将规则匹配成功的子节点对应的子事件根据选择概率由小到大依次压入待诊断事件堆栈,后续从该堆栈栈顶弹出后依次处理。。
本发明的有益效果主要有:
本发明在对船舶电力推进系统故障树进行诊断推理过程中,提供信息素,并能根据诊断结果修正信息素,完成诊断系统的学习,提高了电力推进系统故障诊断效率和准确性。
附图说明
图1为本发明实施例1故障诊断方法流程图;
图2为本发明实施例2电力推进系统故障诊断流程框图;
图3为本发明实施例3电力推进系统故障树;
图4为本发明实施例3事件说明图。
具体实施方式
结合附图和实施例对本发明作进一步说明如下:
实施例1:
一种基于蚁群算法的电力推进系统故障诊断方法,如附图1所示,包括以下步骤:(1)生成电力推进系统故障树;(2)初始化蚁群算法参数,从根节点出发,每次诊断派出一只蚂蚁;(3)根据以下公式计算各可选的、未走过的、邻接的子节点的选择概率:
式中为蚂蚁选择从节点i到邻接的子节点j这条路径的概率,可选的、未走过的、邻接的子节点集合,为从节点i到邻接的子节点j的信息素,为节点i到邻接的子节点j之间的可见度,为信息素的权重,为可见度的权重;(4)以选择概率为启发性信息依次匹配子节点,进行搜索:在中选择选择概率最高的子节点进行规则匹配,即根据电力推进系统当前参数判断是否满足子节点的事件发生必要条件,匹配失败,则选择中选择概率第二高的子节点进行规则匹配,依次类推,直至规则匹配成功或中所有子节点均匹配失败,匹配成功的子节点作为下一个经过的子节点;(5)规则匹配成功后,反复执行步骤(3)及步骤(4),直至蚂蚁走到叶节点,该节点事件为底事件;蚂蚁从根节点到叶节点经过的节点形成一条蚂蚁行走路径;(6)蚂蚁回溯搜索另一条行走路径,直至搜索完所有行走路径;所有行走路径的底事件的集合构成诊断结果;(7)选择性的更新信息素。
本实施例中初始化蚁群参数有信息素、可见度、信息素权重、可见度权重、信息素挥发系数、信息强度Q,除可见度初始化为节点i到邻接的子节点j距离的倒数外,其它参数均初始化为常数,其中,蚂蚁个数初始化为1,表示每次诊断派出一只蚂蚁。选择性的更新信息素是指在诊断结果不为空时,选择n个底事件,,选中底事件所属的行走路径中的节点依据以下公式更新信息素:
式中为蚂蚁t+n时刻行走路径上的信息素,为信息素挥发系数,为t时刻行走路径上的信息素,为t时刻行走路径上的信息素增量,Q为常量,表示信息强度,l为行走路径的长度。
实施例2:
与上述实施例1不同的是,本实施例中匹配子节点的过程由堆栈实现,将规则匹配成功的子节点对应的子事件根据选择概率由小到大依次压入待诊断事件堆栈,后续从该堆栈栈顶弹出后依次处理。具体流程参见附图2:
1)生成电力推进系统故障树;
2)初始化,即清空待诊断事件堆栈和结果队列;
3)将待诊断事件压入待诊断事件堆栈;
4)若待诊断事件堆栈为空,则跳转到步骤11),否则下一步;
5)弹出待诊断事件堆栈栈顶待诊断事件A;
6)针对待诊断事件A进行规则匹配;
7)若匹配失败,则跳转到步骤4),否则进行下一步;
8)若待诊断事件A是底事件,则送入结果队列,否则进行下一步;
9)计算诊断事件A的子事件的选择概率P;
10)子事件根据选择概率P,从小到大依次压入堆栈,跳转到步骤4);
11)若结果队列为空,诊断失败,推理结束,否则进行下一步;
12)若结果队列长度为1,则跳转到步骤14),否则进行下一步;
13)获取用户评价;
14)调整信息素;
15)诊断成功,推理结束。
具体到船舶电力推进系统发生故障时,先初始化,即清空待诊断故障事件堆栈和结果队列,然后,将待诊断故障事件压入堆栈,开始诊断。
诊断时,首先弹出待诊断故障事件堆栈栈顶事件进行匹配,匹配失败则再弹出一个栈顶事件进行匹配,直至匹配成功或堆栈为空,如果匹配成功的栈顶事件是底事件,则该底事件为一个诊断结果,送入结果队列,否则,将匹配成功的栈顶事件的所有邻接子节点依据选择概率,从低到高依次压入堆栈,反复执行,直至堆栈为空,诊断开始学习阶段。
学习阶段,根据选择的n个结果,,这n个结果的诊断行走路径上的信息素进行调整。
实施例3:
如附图3所示,根据船舶电力推进系统的故障事件以及故障事件之间的逻辑关系建立电力推进系统故障树。如附图4所示,电力推进系统故障树由根节点、中间节点和叶节点组成,根节点为无父节点的节点,中间节点为有父节点和子节点的节点,叶节点为无子节点的节点。其中,根节点和中间节点为故障事件,叶节点为底事件,底事件是无子节点的故障事件。兄弟节点之间的关系为“或”,即一个或多个子节点故障事件会造成父节点故障事件发生。根节点为电力推进系统故障。
本实施例中,电力推进系统报警,“变频器故障”,完成初始化后,将“变频器故障”事件压入堆栈。然后根据当前电力推进系统状态,对变频器故障的七个子节点进行规则匹配。此时,电力推进系统状态时转速异常、电流超过额定电流、变频器温度也超过了安全温度,因此规则匹配后,“过电流故障”、“转速不稳或不能平滑调节”、 “过热故障”三个事件匹配成功,此时三个事件的概率从高到低次序依次是“过热故障”、“转速不稳或不能平滑调节”、“过电流故障”,因此依据概率从低到高的次序,依次将“过电流故障”、“转速不稳或不能平滑调节”、“过热故障”压入堆栈。
弹出“过热故障”,对其子节点事件进行规则匹配,三个子节点均成功匹配,于是将三个子节点依据概率大小压入堆栈,压入的次序为“负载过重”、“内部冷却风扇损坏或运转不正常”、“通风口堵塞”。
弹出“通风口堵塞”,判断其是底事件,则将其加入结果队列;弹出“内部冷却风扇损坏或运转不正常”,判断其是底事件,将其加入结果队列;弹出“负载过重”,判断其是底事件,将其加入结果队列。
弹出“转速不稳或不能平滑调节”,对其子节点事件进行规则匹配,“负载有较大的波动”成功匹配,将“负载有较大的波动”压入堆栈。弹出“负载有较大的波动”,判断其是底事件,将其加入结果队列。
弹出“过电流故障”,对其子节点事件进行规则匹配,“负载过重或负载侧短路”成功匹配,将“负载过重或负载侧短路”压入堆栈。弹出“负载过重或负载侧短路”,对其子节点事件进行规则匹配,“超载”成功匹配,将“超载”压入堆栈。弹出“超载”,判断其是底事件,将其加入结果队列。
此时,堆栈为空,结果队列依次为“通风口堵塞”、“内部冷却风扇损坏或运转不正常”、“负载过重”、“负载有较大的波动”、“超载”。系统将结果队列提交给用户,用户首先检查“通风口堵塞”,然后检查“内部冷却风扇损坏或运转不正常”,以此类推检查下去,直至找到故障产生原因。最终,用户检查发现是“负载有较大的波动”造成故障时,用户给“负载有较大的波动”以最高评价,系统依据用户的评价,基于信息素更新公式,更新该搜索路径上的信息素,从而提高该路径上的概率。
上述实施例仅例示性说明本发明的原理及其功效,以及部分运用的实施例,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.一种基于蚁群算法的电力推进系统故障诊断方法,其特征在于,包括以下步骤:
(1)生成电力推进系统故障树:根据船舶电力推进系统的故障事件以及故障事件之间的逻辑关系建立电力推进系统故障树,该电力推进系统故障树由根节点、中间节点和叶节点组成,根节点为无父节点的节点,中间节点为有父节点和子节点的节点,叶节点为无子节点的节点;
(2)初始化蚁群算法参数,从根节点出发,每次诊断派出一只蚂蚁;
(3)根据以下公式计算各可选的、未走过的、邻接的子节点的选择概率:
式中为蚂蚁选择从节点i到邻接的子节点j这条路径的概率,可选的、未走过的、邻接的子节点集合,为从节点i到邻接的子节点j的信息素,为节点i到邻接的子节点j之间的可见度,为信息素的权重,为可见度的权重;
(4)以选择概率为启发性信息依次匹配子节点,进行搜索:在中选择选择概率最高的子节点进行规则匹配,匹配失败,则选择中选择概率第二高的子节点进行规则匹配,依次类推,直至规则匹配成功或中所有子节点均匹配失败,如果均失败跳转到步骤(6)继续执行,匹配成功的子节点作为下一个经过的子节点;
(5)规则匹配成功后,反复执行步骤(3)及步骤(4),直至蚂蚁走到叶节点,该节点事件为底事件;蚂蚁从根节点到叶节点经过的节点形成一条蚂蚁行走路径;
(6)蚂蚁回溯搜索另一条行走路径,直至搜索完所有行走路径;所有行走路径的底事件的集合构成诊断结果;
(7)选择性的更新信息素;
所述步骤(4)中的规则匹配是指根据电力推进系统当前参数判断是否满足子节点的事件发生必要条件;步骤(4)中匹配子节点的过程由堆栈实现,将规则匹配成功的子节点对应的子事件根据选择概率由小到大依次压入待诊断事件堆栈,后续从该堆栈栈顶弹出后依次处理。
2.根据权利要求1所述的基于蚁群算法的电力推进系统故障诊断方法,其特征在于,所述步骤(2)中的参数包括信息素、可见度、信息素权重、可见度权重、信息素挥发系数、信息强度Q,除可见度初始化为节点i到邻接的子节点j距离的倒数外,其它参数均初始化为常数,其中,蚂蚁个数初始化为1,表示每次诊断派出一只蚂蚁。
3.根据权利要求1所述的基于蚁群算法的电力推进系统故障诊断方法,其特征在于,所述步骤(7)选择性的更新信息素是指在诊断结果不为空时,选择n个底事件,,选中底事件所属的行走路径中的节点依据以下公式更新信息素:
式中为蚂蚁t+n时刻行走路径上的信息素,为信息素挥发系数,为t时刻行走路径上的信息素,为t时刻行走路径上的信息素增量,Q为常量,表示信息强度,l为行走路径的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410617592.1A CN104484547B (zh) | 2014-11-03 | 2014-11-03 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410617592.1A CN104484547B (zh) | 2014-11-03 | 2014-11-03 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484547A CN104484547A (zh) | 2015-04-01 |
CN104484547B true CN104484547B (zh) | 2017-07-18 |
Family
ID=52759088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410617592.1A Active CN104484547B (zh) | 2014-11-03 | 2014-11-03 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484547B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915715A (zh) * | 2015-06-24 | 2015-09-16 | 南京航空航天大学 | 多方法联合的航电系统故障诊断方法 |
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 |
CN111123324B (zh) * | 2019-12-31 | 2022-03-29 | 杭州电子科技大学 | 一种基于改进蚁群算法的dgps整周模糊度搜索方法 |
CN114326652A (zh) * | 2021-11-23 | 2022-04-12 | 中国船舶工业集团公司第七0八研究所 | 一种船用喷水推进器故障诊断系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163300A (zh) * | 2011-04-20 | 2011-08-24 | 南京航空航天大学 | 基于蚁群优化算法的故障诊断规则优化方法 |
CN103440527A (zh) * | 2013-07-29 | 2013-12-11 | 辽宁大学 | 一种改进蚁群算法优化支持向量机参数的方法 |
-
2014
- 2014-11-03 CN CN201410617592.1A patent/CN104484547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163300A (zh) * | 2011-04-20 | 2011-08-24 | 南京航空航天大学 | 基于蚁群优化算法的故障诊断规则优化方法 |
CN103440527A (zh) * | 2013-07-29 | 2013-12-11 | 辽宁大学 | 一种改进蚁群算法优化支持向量机参数的方法 |
Non-Patent Citations (2)
Title |
---|
基于多蚁群算法的电力变压器故障定位方法研究;魏鲁原.;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20120515(第05期);第C042-16页 * |
基于改进蚁群算法的故障树最优检测次序研究;付云朋,等.;《战术导弹技术》;20090630;第23-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104484547A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484547B (zh) | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 | |
Zhang et al. | Random-forests-based network intrusion detection systems | |
Om et al. | A hybrid system for reducing the false alarm rate of anomaly intrusion detection system | |
Goh et al. | Sexual selection for genetic algorithms | |
US20020184181A1 (en) | Method for building classifier models for event classes via phased rule induction | |
CN106291445A (zh) | 一种电力采集系统异常的智能化诊断方法 | |
Soltan et al. | Line failure detection after a cyber-physical attack on the grid using Bayesian regression | |
CN110727257A (zh) | 基于k均值聚类算法的设备运行诊断方法和装置 | |
CN102474431A (zh) | 未充分利用的网络装置的识别 | |
CN109813542A (zh) | 基于生成式对抗网络的空气处理机组的故障诊断方法 | |
Chen et al. | Battery aging mode identification across NMC compositions and designs using machine learning | |
CN106357470A (zh) | 一种基于sdn控制器网络威胁快速感知方法 | |
Bhattacharya et al. | Multi-measure multi-weight ranking approach for the identification of the network features for the detection of DoS and Probe attacks | |
CN109936113A (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
CN108805295A (zh) | 一种基于决策树算法的故障诊断方法 | |
Zaman et al. | Lightweight IDS based on features selection and IDS classification scheme | |
CN115201678A (zh) | 一种基于灰色预测模型对bldc控制和故障诊断的方法 | |
AU680144B2 (en) | Cause inferring device | |
CN109474476A (zh) | 基于最小生成树的无线传感器网络故障恢复系统 | |
CN113591989A (zh) | 一种永磁同步电机剩余寿命预测方法、装置及存储介质 | |
Ioulianou et al. | Ml-based detection of rank and blackhole attacks in RPL networks | |
CN116207867B (zh) | 一种家庭储能系统的管理方法、装置、设备及存储介质 | |
Ramani et al. | SDN framework for mitigating time-based delay attack | |
Arivudainambi et al. | Energy efficient sensor scheduling for Q-coverage problem | |
Chkirbene et al. | Cooperative machine learning techniques for cloud intrusion detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |