CN108334059A - 基于粒子群算法优化bp神经网络模型故障诊断方法 - Google Patents

Abstract

根据本发明的基于粒子群算法优化BP神经网络模型故障诊断方法，包括以下步骤：S1,数据采集；S2，建立BP故障诊断器；S3，确定PSO粒子的维度；S4，初始化粒子的速度及位置；S5，将每一个粒子的每一个初始位置进行赋值，得到PSO‑BP故障诊断器；S6，PSO‑BP故障诊断器对S1中数据进行故障诊断，得到第一诊断结果；S7，计算粒子的适应度值；S8，更新最低适应度值粒子的速度及位置；S9，将更新位置按照顺序进行赋值，得到第三模型；S10，重复步骤S5‑S9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到S5；S11，得到最优粒子，将最优粒子的每个维度上的位置按顺序进行赋值，得到最终诊断模型；S12，使用最终诊断模型进行故障诊断，得到故障诊断结果。

Description

基于粒子群算法优化BP神经网络模型故障诊断方法

技术领域

本发明涉及一种故障诊断方法，具体涉及一种基于粒子群算法优化BP神经网络模型故障诊断方法。

背景技术

制冷系统在生产与生活各个领域中应用的越来越广泛,其结构较为复杂，自动化程度较高，在运行过程中难免会发生各种各样的故障，带障运行造成系统COP下降，引起不健康、不舒适的工作或居住环境，造成资源的浪费，产品的亏损，设备的损坏。研究表明故障造成的制冷系统的能耗增加可达30％。定期检修会造成过度维修或维修不足,大量的人力物力资源被应用于制冷系统的故障诊断，结果却不尽如人意。从“人工智能(ArtificialIntelligence)”最初在1956年Dartmouth学会上被提出，到20世纪60年代专家系统与人工神经网络的发展，专家系统、人工神经网络、支持向量机、模糊集理论等在机械工程的故障诊断中应用的越来越广泛。如电力行业，滚动轴承，转动机械，航天飞行器技术。

相较于这些领域，故障诊断在制冷空调领域的应用开发要晚一些。大数据的挖掘应用对空调领域故障诊断与检测及用户行为预测有很大的影响。各类神经网络及其优化方法在各个不同的领域均有应用的范例。如：将主元分析法与概率神经网络复合，提取制冷系统故障样本主要特征，对其进行故障诊断。将小波变换与BP神经网络相结合，剔除测量数据中的噪声，提高数据质量，监测冷水机组故障，提高冷水机组故障诊断效率。然而传统BP神经网络在离心式冷水机组故障诊断中具有收敛速度慢以及易陷入局部极小等缺陷。

发明内容

本发明是为了解决上述问题而进行的，针对冷水机组过程数据的非线性以及BP神经网络对权值及阈值寻优易陷入局部最优的问题，本发明一方面的目的在于提供一种基于粒子群算法优化BP神经网络模型故障诊断方法。在传统BP神经网络的基础上，引入粒子群算法(PSO)，改变了原误差迭代计算方式，通过找到粒子的最优位置确定一定网络结构下最优的网络参数，通过不同网络结构最佳性能的对比，找到结构、参数均达到最优的网络。用改进的PSO优化BP算法可有效减少过程诊断中漏报及误报的发生，从而提高故障诊断的准确性。

本发明提供了一种基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于，包括以下步骤：

S1,数据采集,得到训练组数据和测试组数据；

S2，建立BP(误差反向传播)神经网络模型的BP故障诊断器,即第一模型，确定BP神经网络的拓扑结构，该拓扑结构包括神经网络输入层数、权值以及阈值；

S3，确定PSO(粒子群算法)粒子的维度；

S4，初始化粒子群算法中的粒子的速度及位置,在一个区间内随机产生粒子的初始速度及初始位置；

S5，将上一步随机产生的每一个粒子的每一个初始位置赋值给第一模型中的权值与阈值，得到PSO-BP故障诊断器，即第二模型；

S6，第二模型对S1中训练组数据进行故障诊断，得到第一诊断结果；

S7，用第一诊断结果来计算粒子的适应度值，得到适应度值最低的粒子，即最低适应度值粒子；

S8，在最低适应度值粒子中得到最低适应度值粒子的个体极值与群体极值并更新最低适应度值粒子的速度及位置，得到更新位置，进入下一步；

S9，将更新位置按照顺序赋值给第二模型的权值及阈值，得到第三模型；

S10，重复步骤S5-S9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到S5；

S11，得到一个最优粒子，将最优粒子的每个维度上的位置按顺序赋予第三模型中的权值及阈值后，得到最终诊断模型；

S12，最终诊断模型对S1中测试组数据进行故障诊断，得到故障诊断结果。

在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，S1中还包括对数据的标准化处理。

另外，在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，标准化处理采用归一化处理。

另外，在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，PSO粒子的维度等于需要寻优参数的总个数，即为BP神经网络内部全部的权值与阈值的个数。计算方式为：

D＝hiddennum1×(inputnum+1)+hiddennum2×(hiddennum1+1)+outputnum×(hiddennum2+1)

D为粒子的维度，hiddennum1为BP神经网络第一层隐含层的层数，hiddennum2为BP神经网络第二层隐含层的层数，当BP神经网络只有一层隐含层时，hiddennum2＝0，inputnum为神经网络输入层节点数，outputnum为神经网络输出层节点数。

另外，在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，第一诊断结果为对应的标签集与神经网络输出结果的MSE(均方误差)。

另外，在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，S7中适应度函数为第一诊断结果与实际结果的均方根误差。

另外，在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，S8中更新粒子的速度及位置的表达式为：

v_id(t+1)＝v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中，i＝1,2,…N，N为粒子的数目；d＝1,2，…D，D为粒子的维数；v_id(t)，x_id(t)分别是t时刻，粒子i在维度d上速度与位置；v_id(t+1)，x_id(t+1)分别是(t+1)时刻，粒子i在维度d上速度与位置；pid是粒子i到目前为止出现的最优位置；pgd是所有粒子到目前为止出现的最优位置；c1，c2为学习因子，一般皆设为2；r1，r2是在[0,1]内的随机数。

另外，在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，结束条件为满足预定误差准则或达到预定迭代次数后终止。

另外，在本发明提供的一种基于粒子群算法优化BP神经网络模型故障诊断方法中，还可以具有这样的特征：其中，预定迭代次数为100。

发明的作用与效果

根据本发明所涉及的基于粒子群算法优化BP神经网络模型故障诊断方法，因为本发明所涉及的基于粒子群算法优化BP神经网络模型故障诊断方法在传统BP神经网络的基础上，引入粒子群算法(PSO)，改变了原误差迭代计算方式。可以将粒子群算法的全局搜索能力与BP神经网络的局部快速搜索能力相结合，避免结果陷入局部最优。从而建立通过PSO优化的BP神经网络模型，优化网络结构，并利用PSO对BP神经网络的权值与阈值进行寻优，提高了诊断性能。

附图说明

图1是本发明的实施例中PSO优化BP流程图；

图2是本发明的实施例中的神经网络拓扑图；

图3是本发明的实施例中不同节点数的诊断结果示意图；以及

图4是本发明的实施例中不同故障类别诊断准确率示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明的基于粒子群算法优化BP神经网络模型故障诊断方法作具体阐述。

采集数据

S1,数据采集,得到训练组数据和测试组数据。

本实施例所用的制冷系统故障模拟实验对象是一台离心式冷水机组。使用故障模拟实验台在不同工况下，模拟冷水机组不同种类、不同等级故障的实验。每隔一定时间采集一次数据，采集包括温度、压力在内的特征参数(共a个)，在采集到数据的基础上通过计算获得COP、水流量、散热量在内的特征参数(共b个)，把这些特征参数(个数为C＝a+b个)合并起来作为表征冷水机组故障的特征。在实验过程中共采集N组数据(每组数据的维度为C)。其中，每组数据还有一个对应的标签集，标签集是一个1xN的矩阵，矩阵里每一行数字分别代表了此组数据的状态(包括是否为故障状态及故障的种类)。

数据处理

为去除量纲对模型训练过程的影响，防止某一维或某几维对数据影响过大，对所有数据进行标准化处理，处理方式如下：

1)首先：计算N组数据每一特征(即维度)的均值及标准方差。第i个特征参数Xi的均值计算公式为：

其中:-第i个特征参数的均值；

Xi-第i个特征参数；

C-特征参数的个数；

N-采集数据的组数；

Xji-第j组数据第i个特征参数的值。

第i个特征参数的标准方差Si的计算公式为：

其中：Si-第i个特征参数的标准方差；

N-采集数据的组数；

Xji-第j组数据第i个特征参数的值；

-第i个特征参数的均值。

2)计算出均值及标准方差后对所有数据进行标准化处理，其中第j组第i个特征向量的标准化计算公式：

其中，-第j组第i个特征向量的标准化后的值；

Xji-第j组数据第i个特征参数的值；

-第i个特征参数的均值；

Si-第i个特征参数的标准方差。

归一化处理完成后，将所有N组数据随机划分为两组，一组为训练组(约占总数据的2/3)，用来训练建立起来的PSO-BP(粒子群优化BP神经网络)模型，另一组作为测试组(约占总数据的1/3)，用来对训练好的模型进行测试。

建立故障诊断模型

建立PSO-BP(粒子群优化BP神经网络)的冷水机组的故障诊断模型，针对冷水机组7种不易检测的渐变故障进行建模分析，如：制冷剂泄漏、润滑油过量、蒸发器及冷凝器水流量不足、冷凝器结垢、制冷剂含不凝性气体等。

S2，建立BP(误差反向传播)神经网络模型的BP故障诊断器,即第一模型，确定BP神经网络的拓扑结构，该拓扑结构包括神经网络输入层数、权值以及阈值。

首先确定BP网络的拓扑结构，初步建立BP神经网络的冷水机组的BP故障诊断模型，即第一模型。如图2所示，输入层X共C层1-C(代表了C个特征参数)，W_ij、W_il及W_jk为BP神经网络的权值，B_j、B_l及B_k为神经网络的阈值。其中，hl中，h是隐含层节点数hiddennum的缩写，hl表示第l个隐含层节点，同理hj代表第j个隐含层节点。Y为输出结果。本实施例针对单隐含层与双隐含层，(为方便起见，下文中BP单隐层简称为BP₁，BP双隐层简称为BP₂；PSO优化BP单隐层简称PSO-BP₁，PSO优化BP双隐层简称PSO-BP₂)对隐含层节点数进行研究，隐含层节点数对BP神经网络的诊断精度有着较大的影响，节点数太少，网络会发生欠学习，训练的精度就会受到影响；节点数太多，训练时间就会增加，网络容易发生过拟合。本实施例中隐含层节点的设置采用先经验公式法来确定节点数的大概范围，然后用试凑法来确定最佳的节点数。采用的经验公式如下：

l<n-1

l＝log₂ n

式中，n为输入层节点数(本实施例为特征参数的数量，即C)；m为输出层节点数(本实施例为1)；l为隐含层节点数；a为0～10之间的常数。计算出隐含层最佳的节点数的范围为8～18，为获得更准确的结果。将隐含层节点数拓宽到5至25，分别取5,8,10,12,15,18,20,22,25进行网络的训练。当BP神经网络为双隐含层时，默认两个隐含层的节点数相等。

S3，确定PSO(粒子群算法)粒子的维度。

确定PSO粒子的维度，粒子的规模(即粒子的数目)，粒子的更新次数(及粒子的进化次数，)这两个数是根据经验选取，对于大多数问题而言，30个粒子就能得到很好地结果，对于一些较难的问题，要取100或200个粒子；粒子的更新次数在这里选择100(是多次试验选取的结果)。PSO粒子的维度＝需要寻优参数的总个数，在这里为BP神经网络内部全部的权值与阈值的个数。计算方式为：

D＝hiddennum 1×(inputnum+1)+hiddennum 2×(hiddennum 1+1)+outputnum×(hiddennum 2+1)

式中，D为粒子的维度，hiddennum1为BP神经网络第一层隐含层的层数，hiddennum2为BP神经网络第二层隐含层的层数，当BP神经网络只有一层隐含层时，hiddennum2＝0，inputnum为神经网络输入层节点数，outputnum为神经网络输出层节点数。

S4，初始化粒子群算法中的粒子的速度及位置,在一个区间内随机产生粒子的初始速度及初始位置。

S5，将上一步随机产生的每一个粒子的每一个初始位置赋值给第一模型中的权值与阈值，得到PSO-BP故障诊断器，即第二模型；

S6，第二模型对S1中训练组数据进行故障诊断，得到第一诊断结果；第一诊断结果为对应的标签集与神经网络输出的MSE(均方误差)(神经网络输出即为如图2中所示的Y)。

用上一步得到的PSO-BP故障诊断模型，即第二模型，对前面所划分的数据训练集训练组进行故障诊断，计算训练组输入所对应的标签集与神经网络的输出的MSE(均方误差)。

S7，用第一诊断结果来计算粒子的适应度值，得到适应度值最低的粒子，即最低适应度值粒子，适应度函数为第一诊断结果与实际结果的均方根误差。

用上一步诊断的结果来计算粒子的适应度值，适应度函数为BP神经网络对训练数据的诊断结果与实际结果的均方根误差。

S8，在最低适应度值粒子中得到最低适应度值粒子的个体极值与群体极值并更新最低适应度值粒子的速度及位置，得到更新位置，进入下一步。

在适应度值最低的粒子中得到粒子的个体极值与群体极值，将个体极值及群体极值带入下列公式，用以下公式更新粒子的速度及位置，

v_id(t+1)＝v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中，i＝1,2,…N，N为粒子的数目；d＝1,2，…D，D为粒子的维数；v_id(t)，x_id(t)分别是t时刻，粒子i在维度d上速度与位置；v_id(t+1)，x_id(t+1)分别是(t+1)时刻，粒子i在维度d上速度与位置；pid是粒子i到目前为止出现的最优位置(个体极值)；pgd是所有粒子到目前为止出现的最优位置(群体极值)；c1，c2为学习因子，一般皆设为2；r1，r2是在[0,1]内的随机数。

S9，将更新位置按照顺序赋值给第二模型的权值及阈值，得到第三模型。

得到更新后的粒子速度及位置后，将粒子的位置继续按照顺序赋值给BP神经网络(第二模型)的权值及阈值，得到第三模型。

S10，重复步骤S5-S9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到S5。

重复上述步骤S5-S9的过程，看其是否满足训练结束条件，若满足的话就停止S8的位置及速度的更新，若不满足则训练结束条件，则继续更新。

结束条件为满足一定误差准则或达到最大迭代次数后终止，在这里设置的迭代次数为100。误差为神经网络默认的值，也可以自己调节，这两个条件无论先满足哪一个，训练都会结束。

S11，得到一个最优粒子，将最优粒子的每个维度上的位置按顺序赋予第三模型中的权值及阈值后，得到最终诊断模型。

结束训练后，得到的是一个最优粒子，将其每个维度上的位置按顺序赋予第三模型中的权值及阈值(此时的权值及阈值为最优权值及阈值，)就得到最终诊断模型，即第四模型。

S12，最终诊断模型对S1中测试组数据进行故障诊断，得到故障诊断结果。

用第四故障诊断模型对冷水机组的测试数据进行测试，用测试组的输入所对应的标签集与神经网络的输出作比较，若相等记做1，不相等记做0，相等的测试组的个数占测试组总个数的百分比为准确率，从而可以衡量此模型应用在此冷水机组故障诊断中的性能。

与现有技术相比，本实施例将PSO粒子群算法优化BP神经网络应用到冷水机组故障诊断中，改变了原误差迭代方式，这样可以将粒子群算法的全局搜索能力与BP神经网络的局部快速搜索能力相结合，避免结果陷入局部最优。用PSO粒子群算法优化BP神经网络对冷水机组制冷过程数据建模并进行故障诊断，提高模型的鲁棒性，降低诊断的漏报率及误报率。

为了更形象地对比传统BP神经网络方法与本发明方法应用于冷水机组制冷过程故障诊断的有效性，对上述7种故障数据的诊断效果列表对比如下。

表2和表3分别为PSO优化单层及双隐含层BP神经网络的诊断性能表，从表中我们可以看出不论是单隐层还是双隐层网络，PSO的优化都对制冷系统故障诊断性能有显著提高。

表2 PSO-BP₁最佳结构及诊断结果

表3 PSO-BP₂最佳结构及诊断结果

图3为不同节点数的诊断结果比较。

图4为不同故障类别诊断准确率比较，图中横坐标中1-8分别为正常情况、蒸发器水流量不足、冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体、制冷剂泄漏或不足、制冷剂过量和润滑油过量。

图4中，BP1 1x18代表：当BP神经网络隐含层层数为1层时，最好的诊断结果所对应的网络隐含层节点数18，即写为：1x18；PSO-BP1 1x10代表：当BP神经网络隐含层层数为1层时，用PSO对BP神经网络的权值及阈值进行寻优，最好的诊断结果所对应的网络隐含层节点数为10；同理可得，BP22x25代表2隐含层时，最佳诊断结果所对应的隐含层节点数为25，两个隐含层的隐含层节点数都为25；BP2-PSO 2x12代表2隐含层时，用PSO对BP神经网络的权值及阈值进行寻优时，最好的诊断结果对应的隐含层节点数为12。

如图3、图4所示，PSO粒子群优化对较难识别的系统故障(全局故障)提升比较明显。

PSO优化BP神经网络流程如图1所示：

A1，确定BP神经网络的拓扑结构；

A2，确定PSO(粒子群算法)粒子的维度；

A3，初始化粒子群算法中的粒子的速度及位置；

A4，更新第一模型中的权值与阈值；

A5，对训练组数据进行故障诊断；

A6，计算粒子的适应度值；

A7，寻找粒子的个体极值与群体极值；

A8，更新粒子的速度及位置；

A9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到A5；

A10，得到最优粒子的最优权值与阈值；

A11，得到训练好的网络，即最终诊断模型；

A12，对测试组数据进行故障诊断；

A13，结束。

实施例的作用与效果

根据本实施例所涉及的基于粒子群算法优化BP神经网络模型故障诊断方法，因为本发明所涉及的基于粒子群算法优化BP神经网络模型故障诊断方法在传统BP神经网络的基础上，引入粒子群算法(PSO)，改变了原误差迭代计算方式。可以将粒子群算法的全局搜索能力与BP神经网络的局部快速搜索能力相结合，避免结果陷入局部最优。从而建立通过PSO优化的BP神经网络模型，优化网络结构，并利用PSO对BP神经网络的权值与阈值进行寻优，提高了诊断性能。

将PSO(粒子群算法)优化BP(误差反向传播神经网络)应用于制冷系统的故障诊断，针对典型故障，建立PSO优化BP的诊断模型。结果表明，PSO优化后的BP神经网络(包括单隐层与双隐层)的故障诊断性能显著提高，神经网络本身结构简化，较少的隐含层节点即可获得较高的诊断正确率，降低了故障诊断虚警率(假报及漏报)，而且显著改善了系统故障特别是制冷剂泄漏故障的诊断性能，对正常情况的识别率亦有极大提高。PSO优化有助于BP网络跳出局部极小值，较大地改善故障诊断性能。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (9)

1.一种基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于，包括以下步骤：

S1,数据采集,得到训练组数据和测试组数据；

S2，建立BP(误差反向传播)神经网络模型的BP故障诊断器,即第一模型，确定BP神经网络的拓扑结构，该拓扑结构包括神经网络输入层数、权值以及阈值；

S3，确定PSO(粒子群算法)粒子的维度；

S4，初始化粒子群算法中的所述粒子的速度及位置,在一个区间内随机产生所述粒子的初始速度及初始位置；

S5，将上一步随机产生的每一个粒子的每一个所述初始位置赋值给所述第一模型中的所述权值与所述阈值，得到PSO-BP故障诊断器，即第二模型；

S6，所述第二模型对S1中所述训练组数据进行故障诊断，得到第一诊断结果；

S7，用所述第一诊断结果来计算所述粒子的适应度值，得到所述适应度值最低的所述粒子，即最低适应度值粒子；

S8，在所述最低适应度值粒子中得到所述最低适应度值粒子的个体极值与群体极值并更新所述最低适应度值粒子的所述速度及所述位置，得到更新位置，进入下一步；

S9，将所述更新位置按照顺序赋值给所述第二模型的所述权值及所述阈值，得到第三模型，

S10，重复步骤S5-S9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到S5；

S11，得到一个最优粒子，将所述最优粒子的每个维度上的所述位置按顺序赋予所述第三模型中的所述权值及所述阈值后，得到最终诊断模型；

S12，所述最终诊断模型对S1中所述测试组数据进行故障诊断，得到故障诊断结果。

2.根据权利要求1所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，S1中还包括对所述数据的标准化处理。

3.根据权利要求1所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，所述标准化处理采用归一化处理。

4.根据权利要求1所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，所述PSO粒子的维度等于需要寻优参数的总个数，即为所述BP神经网络内部全部的权值与阈值的个数。计算方式为：

D＝hiddennum1×(inputnum+1)+hiddennum2×(hiddennum1+1)+outputnum×(hiddennum2+1)

D为粒子的维度，hiddennum1为BP神经网络第一层隐含层的层数，hiddennum2为BP神经网络第二层隐含层的层数，当BP神经网络只有一层隐含层时，hiddennum2＝0，inputnum为神经网络输入层节点数，outputnum为神经网络输出层节点数。

5.根据权利要求1所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，所述第一诊断结果为对应的标签集与神经网络输出的MSE(均方误差)。

6.根据权利要求1所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，S7中的适应度函数为所述第一诊断结果与实际结果的均方根误差。

7.根据权利要求1所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，S8中更新所述粒子的所述速度及所述位置的表达式为：

v_id(t+1)＝v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中，i＝1,2,…N，N为粒子的数目；d＝1,2，…D，D为粒子的维数；v_id(t)，x_id(t)分别是t时刻，粒子i在维度d上速度与位置；v_id(t+1)，x_id(t+1)分别是(t+1)时刻，粒子i在维度d上速度与位置；pid是粒子i到目前为止出现的最优位置；pgd是所有粒子到目前为止出现的最优位置；c1，c2为学习因子，一般皆设为2；r1，r2是在[0,1]内的随机数。

8.根据权利要求1所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，所述结束条件为满足预定误差准则或达到预定迭代次数后终止。

9.根据权利要求8所述的基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于：

其中，所述预定迭代次数为100。