CN110119778A - 一种改进鸡群优化rbf神经网络的设备健康状态检测方法 - Google Patents
一种改进鸡群优化rbf神经网络的设备健康状态检测方法 Download PDFInfo
- Publication number
- CN110119778A CN110119778A CN201910388452.4A CN201910388452A CN110119778A CN 110119778 A CN110119778 A CN 110119778A CN 201910388452 A CN201910388452 A CN 201910388452A CN 110119778 A CN110119778 A CN 110119778A
- Authority
- CN
- China
- Prior art keywords
- chicken
- fitness
- particle
- formula
- chicken group
- 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.)
- Granted
Links
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000003862 health status Effects 0.000 title claims abstract description 21
- 230000001537 neural effect Effects 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000006872 improvement Effects 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000011946 reduction process Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract 2
- 230000002123 temporal effect Effects 0.000 claims description 10
- 235000013305 food Nutrition 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 240000001432 Calendula officinalis Species 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 235000013330 chicken meat Nutrition 0.000 description 84
- 238000012360 testing method Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种改进鸡群优化RBF神经网络的设备健康状态检测方法,基本步骤如下:(1)信号采样;(2)降噪处理;(3)特征提取;(4)数据归一化处理;(5)设备健康状态检测。本发明提出了一种改进鸡群优化RBF神经网络模型,使用智能寻优方法找到最优的中心向量,从而提高RBF网络的性能。针对鸡群算法在一定程度上易陷入局部最优的问题,采用改进鸡群结合混沌搜索策略优化初始种群,同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子,从而尽可能解决陷入局部最优的问题。
Description
技术领域
本发明涉及一种设备健康状态检测方法,尤其是一种改进鸡群优化RBF神经网络的设备健康状态检测方法。
背景技术
随着现代工业的发展,我国工业设备也逐渐与新兴科技相结合,变得更加智能化。大型工业设备经过长时间运作,零件间互相摩擦、设备间相互挤压碰撞、化学原料腐蚀设备零件等原因导致设备逐渐磨损、腐化和断裂,产生一系列设备故障问题,最终造成巨大的经济损失。如果可以随时掌握零件磨损情况,对其磨损位置、磨损程度进行准确定位检测,在零件崩裂前,对损耗的设备故障零件进行及时的修复调换,能有效降低因设备故障造成的经济损失。由于传统方法不能达到实际的需求,灵活运用人工智能技术已然成为各行各业里研究学者的一个重要研究方向。
发明内容
为了解决上述存在的问题,提供一种改进鸡群优化RBF神经网络的设备健康状态检测方法。
本发明创造采用的技术方案为:其步骤为:
1)信号采样:用加速度计收集轴承的振动数据,选取数字信号的采样频率为12000Hz的轴承数据;
2)降噪处理:采用小波变换技术,选取小波基函数为db9,分解层数为5层,对每层高频小波系数做阈值量化处理,阈值的计算方法使用Matlab里的库函数wnoisest提取第一层的细节系数来估算噪声的标准偏差;根据式(1)计算阈值sigma:
其中:th为标准偏差;
N为整个信号长度;
之后通过阈值函数选择硬阈值处理方法;
3)特征选择:选取均值、峰值、幅值平方和、标准差这四种时域特征参数做特征提取;四种时域特征公式如表1所示:
表2四种时域特征统计表
其中μx为均值,xi为输入的数据,xp为峰值,xc为幅值平方和,ω为标准差;
4)数据归一化处理:将时域特征向量通过归一化处理得到最终的数据作为模型的输入,利用小波变换降噪得到的数据经过特征选取得到特征向量转化为[0,1]区间范围的数据,所用的公式为式(2):
其中:Xt是归一化后的结果;
X是原始数据;
n是样本最小值;
m是样本最大值;
5)设备健康状态检测:
5.1)根据混沌搜索求最初种群:对于D维空间的n粒子,首先随机产生数值在[0,1]之间的向量X'i=(X'1,1,X'1,2,...X'1,D),根据公式(3)计算得到混沌向量X1,X2,...Xm。
Xn+1,d=μXn(1-Xn) n=0,1,...;X0∈(0,1) (3)
其中:μ为控制参数;
将这些向量按照公式(4)映射到原取值空间,其中M、N为区间的上界和下界;
X′i,d=0.5·((M-N)·Xi,d+M+N) d=(1,D) (4)
其中:xi,d为第i个种群个体的第d维码值;
计算目标函数初始变量的适应度,对适应度进行排序,选取适应度好的前n个初始变量赋值给初始种群;
5.2)改进鸡群:利用迭代k次的部分适应度高的小鸡粒子,继承公鸡特性并同时自我学习,最终得到小鸡粒子来代替与成长后小鸡粒子数量相同的部分公鸡粒子;对适应度低的小鸡粒子,让其与适应度高的小鸡粒子学习,同时向未知位置探索;改进后达到k次迭代时公鸡的位置更新公式为式(5):
xn+1,j(t+1)=α·xn,j(t)+(1+ω·rand)·xi.j(t) (5)
α表示继承公鸡特性权重,ω为成长系数。
把小鸡按照适应度大小为4:1的数量分为两类,第一部分高适应度小鸡粒子正常迭代,剩余的适应度低的小鸡粒子位置按照公式(6)进行更新:
xi,j(t+1)=xi.j(t)+F·(xm,j(t)-xi,j(t))+H·(xl,j(t)-xi,j(t)) (6)
其中:xl,j(t)为第一部分高适应度的小鸡粒子;
H为跟随系数,表示小鸡跟随适应度高的小鸡觅食;
5.3)用改进后鸡群来寻找RBF神经网络的中心向量和节点宽度,使中心向量和节点宽度映射为公鸡粒子的位置,求得最终RBF神经网络的中心向量和节点宽度,构成改进鸡群的RBF神经网络模型用于设备健康状态检测。
所述的步骤5.3)中,建立改进鸡群的RBF神经网络模型其步骤如下:
5.3.1)设置迭代次数、种群规模、同类型鸡的占比比例、最大迭代次数和常数G;
5.3.2)根据混沌搜索求得初始种群;
5.3.3)步骤5.3.2)中得到的初始种群带入鸡群,得到个体当前最好的位置temp_x和鸡群全局最好位置best_x,迭代次数t=1;
5.3.4)如果t%G=1,按照适应度fitness进行排序,将整个鸡群分为若干子群,重新建立新的鸡群等级制度;
5.3.5)更新公鸡母鸡和小鸡的位置并分别计算每个个体的适应度值;
5.3.6)如果t%G=2,则按照公式(5)、式(6)分别更新进行成长操作后的公鸡粒子与小鸡粒子;
5.3.7)更新鸡群的个体当前最优位置信息及鸡群全局最优位置信息;
5.3.8)迭代次数t=t+1,若符合终止条件则停止迭代并输出全局最优解,否则转到步骤(4);
5.3.9)最后得到寻优结果带入RBF神经网络进行训练。
本发明创造的有益效果为:发明采用上述方案,改进鸡群优化RBF神经网络模型,使用智能寻优方法找到最优的中心向量,从而提高RBF网络的性能。针对鸡群在一定程度上易陷入局部最优的问题,用改进鸡群结合混沌搜索策略优化初始种群,同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子,从而尽可能解决陷入局部最优的问题。用GCSO-RBFNN方法训练设备健康状态检测模型,本发明采用实测轴承数据作为训练设备健康状态检测模型的数据集。在设备健康状态检测模型构建模块中,训练中的样本集采用预处理后的特征向量并运用改进RBF神经网络方法训练设备健康状态检测模型。改进的设备健康状态检测模型提高了故障分类的准确率。
附图说明:
图1是去噪前振动信号图像。
图2是去噪后振动信号图像。
图3是改进鸡群的流程图。
图4是Ackley函数的图像。
图5是Sphere函数的图像。
图6是Griewank函数的图像。
图7是Rastrigin函数图像。
图8是Alpine函数图像。
图9是Scherfel函数图像。
图10是Ackley函数收敛曲线。
图11是Sphere函数收敛曲线。
图12是Griewank函数收敛曲线。
图13是Rastrigin函数收敛曲线。
图14是Alpine函数收敛曲线。
图15是Scherfel函数收敛曲线。
具体实施方式
一种改进鸡群优化RBF神经网络的设备健康状态检测方法,其步骤为:
1)信号采样:用加速度计收集轴承的振动数据,选取数字信号的采样频率为12000Hz的轴承数据;
2)降噪处理:采用小波变换技术,选取小波基函数为db9,分解层数为5层,对每层高频小波系数做阈值量化处理,阈值的计算方法使用Matlab里的库函数wnoisest提取第一层的细节系数来估算噪声的标准偏差;根据式(1)计算阈值sigma:
其中:th为标准偏差;
N为整个信号长度;
之后通过阈值函数选择硬阈值处理方法;
3)特征选择:选取均值、峰值、幅值平方和、标准差这四种时域特征参数做特征提取;四种时域特征公式如表1所示:
表3四种时域特征统计表
其中μx为均值,xi为输入的数据,xp为峰值,xc为幅值平方和,ω为标准差;
4)数据归一化处理:将时域特征向量通过归一化处理得到最终的数据作为模型的输入,利用小波变换降噪得到的数据经过特征选取得到特征向量转化为[0,1]区间范围的数据,所用的公式为式(2):
其中:Xt是归一化后的结果;
X是原始数据;
n是样本最小值;
m是样本最大值;
5)设备健康状态检测:
5.1)根据混沌搜索求最初种群:对于D维空间的N粒子,首先随机产生数值在[0,1]之间的向量X'i=(X'1,1,X'1,2,...X'1,D),根据公式(3)计算得到混沌向量X1,X2,...Xm。
Xn+1,d=μXn(1-Xn) n=0,1,...;X0∈(0,1) (3)
其中:μ为控制参数;
将这些向量按照公式(4)映射到原取值空间,其中M、N为区间的上界和下界;
X′i,d=0.5·((M-N)·Xi,d+M+N) d=(1,D) (4)
其中:xi,d为第i个种群个体的第d维码值;
计算目标函数初始变量的适应度,对适应度进行排序,选取适应度好的前n个初始变量赋值给初始种群;
5.2)改进鸡群:利用迭代k次的部分适应度高的小鸡粒子,继承公鸡特性并同时自我学习,最终得到小鸡粒子来代替与成长后小鸡粒子数量相同的部分公鸡粒子;对适应度低的小鸡粒子,让其与适应度高的小鸡粒子学习,同时向未知位置探索;改进后达到k次迭代时公鸡的位置更新公式为式(5):
xn+1,j(t+1)=α·xn,j(t)+(1+ω·rand)·xi.j(t) (5)
α表示继承公鸡特性权重,ω为成长系数。
把小鸡按照适应度大小为4:1的数量分为两类,第一部分高适应度小鸡粒子正常迭代,剩余的适应度低的小鸡粒子位置按照公式(6)进行更新:
xi,j(t+1)=xi.j(t)+F·(xm,j(t)-xi,j(t))+H·(xl,j(t)-xi,j(t)) (6)
其中:xl,j(t)为第一部分高适应度的小鸡粒子;
H为跟随系数,表示小鸡跟随适应度高的小鸡觅食;
5.3)用改进后鸡群来寻找RBF神经网络的中心向量和节点宽度,使中心向量和节点宽度映射为公鸡粒子的位置,求得最终RBF神经网络的中心向量和节点宽度,构成改进鸡群的RBF神经网络模型用于设备健康状态检测。
步骤5.3)中,建立改进鸡群的RBF神经网络模型其步骤如下:
5.3.1)设置迭代次数、种群规模、同类型鸡的占比比例、最大迭代次数和常数G(在实验里设置为10)相关参数;
5.3.2)根据混沌搜索求得初始种群;
5.3.3)步骤5.3.2)中得到的初始种群带入鸡群,得到个体当前最好的位置temp_x和鸡群全局最好位置best_x,迭代次数t=1;
5.3.4)如果t%G=1,按照适应度fitness进行排序,将整个鸡群分为若干子群,重新建立新的鸡群等级制度;
5.3.5)更新公鸡母鸡和小鸡的位置并分别计算每个个体的适应度值;
5.3.6)如果t%G=2,则按照公式(5)、式(6)分别更新进行成长操作后的公鸡粒子与小鸡粒子;
5.3.7)更新鸡群的个体当前最优位置信息及鸡群全局最优位置信息;
5.3.8)迭代次数t=t+1,若符合终止条件则停止迭代并输出全局最优解,否则转到步骤(4);
5.3.9)最后得到寻优结果带入RBF神经网络进行训练。
实施例1:
一、本发明方案的理论依据:
1、鸡群算法
我国学者孟献兵在2014年提出一种用于单目标优化的生物启发算法鸡群算法(Chicken Swarm Optimization,CSO)。在鸡群算法中,每只鸡粒子代表一种潜在的优化方法解决方案。每种类型的鸡都有属于自身的移动路径并按照相应移动规则进行运动。不同类型的鸡粒子具有不同的运动规律,在具体的等级制度下,不同的鸡群粒子间具有竞争关系。相较传统智能算法,鸡群算法具有较快收敛速度和较高收敛精度。
CSO使用以下规则理想化鸡的行为:
(1)在整个鸡群中,鸡的身份按照适应度分为:一只具有优势的公鸡(最佳适应度值),小鸡(较低适应度值)和母鸡(除公鸡小鸡外)组成一个子群,整个鸡群共有i个这样的子群。
(2)整体鸡群等级制度、支配关系和母子关系当达到迭代次数G时,更新等级顺序,支配关系和母子关系。
(3)每个子群中公鸡是这个子群的中心,每个个体都跟随公鸡觅食,公鸡在竞争食物方面具有优势,它们先于其他个体找到食物,同时公鸡会随机偷走其他鸡已经找到的好食物,小鸡在母亲身边寻找食物。假设Nc是公鸡的数量、Nd是母鸡的数量、Ne是小鸡的数量、Nf是妈妈母鸡的数量。N是整个鸡群总体数量,xi,j(t)表示迭代次数t次后第i个鸡粒子的位置。鸡群由公鸡、母鸡和小鸡三种类型的鸡组成,每个种类的鸡按照不同的位置更新公式更换其位置信息。相较于其他两种类型鸡,子群中公鸡适应度值最高,意味着它具有广泛的区域内最大限度的移动觅食,公鸡位置按照公式(7)进行更新。
xij(t+1)=xi,j(t)·(1+Randn(0,σ2))
k∈[1,Ne] k≠i (7)
式中:Randn(0,σ2)为均值为0,标准差为σ2的一个高斯分布;ε特定的小值常数;k是除m以外的任一个体。
母鸡的位置按照公式(8)进行更新:
xi,j(t+1)=xi,j(t)+C1·Rand·(xr1,j(t)-xi,j(t)+C2·Rand·(xr2,j(t)-xi,j(t))
C1=exp((fi-fr1)/(abs(fi)+ε))
C2=exp((fr2-fi)) (8)
式中:Rand为分布在[0,1]之间的随机数;r1为第i只母鸡自身所在群中的公鸡,r2为任意公鸡和母鸡,且r1≠r2。小鸡的位置按照公式(9)进行更新:
xi,j(t+1)=xi.j(t)+F·(xm,j(t)-xi,j(t)) (9)
式中:m为第i只小鸡所跟随的母鸡;F(F∈[0,2])为跟随系数,表示小鸡跟随母鸡觅食。
RBF神经网络
径向基函数神经网络(RBF-Radial Basis Function)是一种具有单隐层的三层前馈神经网络模型。第一层输入层是由信号源节点组成,中间层也就是隐含层,隐含层是RBF神经网络结构中最重要的一层,这一层需要确定节点数量、中心向量、节点宽度。隐含层节点数量越多其最终效果越好,但花费的时间就会越久。其余两个关键部分中心向量和节点宽度需要训练得出。经常使用的径向基函数有非常多种,比如高斯函数,其表达式为:
其中,Ci为中心向量,σ为宽度。
在输入层中输入到隐含层的数值经过计算将计算结果加权传送给输出层。最终对其输出数据进行处理得到人们想要的结果。表达式为:
其中wjk为隐含层对输出层的输出权值。
二、本发明技术方案的实现过程:
1.信号采样:用加速度计收集轴承的振动数据,选取数字信号的采样频率为12000Hz的轴承数据;
2.降噪处理:根据小波系数的大小来区分信号的状态筛选出噪声,可以最大程度的去除噪声;
3.特征选择:选取均值、峰值、幅值平方和、标准差这四种时域特征参数做特征提取;
4.归一化处理:将时域特征向量通过归一化处理得到最终的数据作为模型的输入。利用小波变换降噪得到的数据经过特征选取得到特征向量转化为[0,1]区间范围的数据;
5.设备健康状态检测:改进鸡群(GCSO)结合混沌搜索策略优化初始种群,同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子,从而尽可能解决陷入局部最优的问题。用改进鸡群优化RBF神经网络(GCSO-RBFNN)模型,使用智能寻优算法找到最优的中心向量,从而提高RBF网络的性能。
(1)GCSO和原始CSO、PSO、GA算法对比实验
本发明取常用的六类不同基准测试函数(Ackley、Sphere、Griewank、Rastrigin、Alpine和Scherfel)对算法进行性能测试,维度设置为30,各函数公式如表2所示。
附图4至附图9为六种函数图形。
上述六种函数中Ackley函数图像外部区域近乎平坦但有许多局部极小点,底层中心处是函数的最小值点。Sphere函数图像类似球状,底层也就是(0,0)点为函数最小值点。Griewank函数图像和Alpine函数图像中可以看到有许多波峰和波谷,算法在寻找最优解时易陷入局部最小解。Rastrigin函数图像具有极多的波峰和波谷,算法在寻优的过程中易陷入局部波谷,无法跳出。Scherfel函数图像经常用被用来评估超立方体,算法在测试Scherfel时易陷入局部最小解。为了能够更好的测试六种算法性能,本发明分别对Ackley、Sphere、Griewank、Rastrigin、Alpine和Scherfel测试函数进行测试,六种函数最小值都为0。利用函数迭代曲线来直观的显示各个算法的优劣性。各个算法在不同的测数函数收敛曲线如附图10至15。
表2测试函数公式
用GCSO和原始CSO、PSO、GA算法进行对比,测试维度为30,种群规模为1500,迭代次数设置为2000,六种函数的最小值都为0,算法寻优结果越小,则说明算法的收敛精度越高,综合分析CSO、PSO、GA、GCSO在不同函数下的适应度变化,在Sphere函数中,原始CSO算法和GCSO算法收敛速度都很快,差距不太明显,在Rastrigin函数中,PSO算法陷入局部最优,虽然在后续性能测试中,增加种群规模和迭代次数,PSO算法也可以达到较低的收敛精度,但是相同速度下GCSO收敛速度更快,精度高,在其他四种函数中GCSO算法均表现最优,无论是收敛速度还是最后结果都优于其它三种算法,表3是四种算法测试结果对比表。
表4四种算法测试结果对比表
从表3中可以看出,GCSO均表现出了较好的搜索性能。相比于PSO、GA算法,GCSO算法在六组测试函数上的寻优精度和稳定性均更好;相比原始的CSO算法,GCSO算法在六组测试函数均表现出了较好的搜索效果,搜索性能得到了明显的提高。综上所述,GCSO算法能够有效的提高原始CSO算法的全局搜索精度和跳出局部最优的能力。
GCSO-RBFNN与原始RBF神经网络模型对比实验
采用处理后的负载为1、负载为2、负载为3的轴承数据分别对GCSO-RBFNN模型和原始RBF神经网络模型进行性能测试,方法参数中迭代次数设置为300,种群规模设置为1000,选取80%的轴承数据作为训练集对GCSO-RBFNN模型进行训练,用剩余20%的轴承数据作为测试集对GCSO-RBFNN模型进行性能测试,同时用相同的训练集与测试集数据对传统RBF神经网络模型进行训练,重复10次得到平均分类准确率,两种模型的准确率对比结果如表4所示。对传统RBF神经网络模型、改进RBF神经网络模型和最新信息反馈BP神经网络模型进行对比。将各类负载情况下的正常故障数据混合在一起,选取80%作为训练集进行训练,剩余20%作为测试集用来测试3种模型检测性能,最终得到的准确率和时间对比如表5所示。
表4 3种负载准确率对比
表5准确率和时间对比
根据表4得出的结果可知,相比传统RBF神经网络模型,本发明提出的GCSO-RBFNN模型在各类负载情况下均能够较好的检测并给出数据对应的状态。根据表5得出的结果可知,在混合负载数据中,GCSO-RBFNN模型虽然比传统RBF神经网络模型虽然花费的时间稍多,但是对数据分类的准确率要高。同时对比近年提出方法相比,本方法对轴承设备健康状态类型能较准确的检测出健康状态。
Claims (2)
1.一种改进鸡群优化RBF神经网络的设备健康状态检测方法,其特征在于,其步骤为:
1)信号采样:用加速度计收集轴承的振动数据,选取数字信号的采样频率为12000Hz的轴承数据;
2)降噪处理:采用小波变换技术,选取小波基函数为db9,分解层数为5层,对每层高频小波系数做阈值量化处理,阈值的计算方法使用Matlab里的库函数wnoisest提取第一层的细节系数来估算噪声的标准偏差;根据式(1)计算阈值sigma:
其中:th为标准偏差;
N为整个信号长度;
之后通过阈值函数选择硬阈值处理方法;
3)特征选择:选取均值、峰值、幅值平方和、标准差这四种时域特征参数做特征提取;四种时域特征公式如表1所示:
表1四种时域特征统计表
其中μx为均值,xi为输入的数据,xp为峰值,xc为幅值平方和,ω为标准差;
4)数据归一化处理:将时域特征向量通过归一化处理得到最终的数据作为模型的输入,利用小波变换降噪得到的数据经过特征选取得到特征向量转化为[0,1]区间范围的数据,所用的公式为式(2):
其中:Xt是归一化后的结果;
X是原始数据;
n是样本最小值;
m是样本最大值;
5)设备健康状态检测:
5.1)根据混沌搜索求最初种群:对于D维空间的n粒子,首先随机产生数值在[0,1]之间的向量X'i=(X'1,1,X'1,2,...X'1,D),根据公式(3)计算得到混沌向量X1,X2,...Xm。;
Xn+1,d=μXn(1-Xn) n=0,1,...;X0∈(0,1) (3)
其中:μ为控制参数;
将这些向量按照公式(4)映射到原取值空间,其中M、N为区间的上界和下界;
X′i,d=0.5·((M-N)·Xi,d+M+N) d=(1,D) (4)
其中:xi,d为第i个种群个体的第d维码值;
计算目标函数初始变量的适应度,对适应度进行排序,选取适应度好的前n个初始变量赋值给初始种群;
5.2)改进鸡群:利用迭代k次的部分适应度高的小鸡粒子,继承公鸡特性并同时自我学习,最终得到小鸡粒子来代替与成长后小鸡粒子数量相同的部分公鸡粒子;对适应度低的小鸡粒子,让其与适应度高的小鸡粒子学习,同时向未知位置探索;改进后达到k次迭代时公鸡的位置更新公式为式(5):
xn+1,j(t+1)=α·xn,j(t)+(1+ω·rand)·xi.j(t) (5)
α表示继承公鸡特性权重,ω为成长系数。
把小鸡按照适应度大小为4:1的数量分为两类,第一部分高适应度小鸡粒子正常迭代,剩余的适应度低的小鸡粒子位置按照公式(6)进行更新:
xi,j(t+1)=xi.j(t)+F·(xm,j(t)-xi,j(t))+H·(xl,j(t)-xi,j(t)) (6)
其中:xl,j(t)为第一部分高适应度的小鸡粒子;
H为跟随系数,表示小鸡跟随适应度高的小鸡觅食;
5.3)用改进后鸡群来寻找RBF神经网络的中心向量和节点宽度,使中心向量和节点宽度映射为公鸡粒子的位置,求得最终RBF神经网络的中心向量和节点宽度,构成改进鸡群的RBF神经网络模型用于设备健康状态检测。
2.根据权利要求1所述的一种改进鸡群优化RBF神经网络的设备健康状态检测方法,其特征在于:所述的步骤5.3)中,建立改进鸡群的RBF神经网络模型其步骤如下:
5.3.1)设置迭代次数、种群规模、同类型鸡的占比比例、最大迭代次数和常数G相关参数;
5.3.2)根据混沌搜索求得初始种群;
5.3.3)步骤5.3.2)中得到的初始种群带入鸡群,得到个体当前最好的位置temp_x和鸡群全局最好位置best_x,迭代次数t=1;
5.3.4)如果t%G=1,按照适应度fitness进行排序,将整个鸡群分为若干子群,重新建立新的鸡群等级制度;
5.3.5)更新公鸡母鸡和小鸡的位置并分别计算每个个体的适应度值;
5.3.6)如果t%G=2,则按照公式(5)、式(6)分别更新进行成长操作后的公鸡粒子与小鸡粒子;
5.3.7)更新鸡群的个体当前最优位置信息及鸡群全局最优位置信息;
5.3.8)迭代次数t=t+1,若符合终止条件则停止迭代并输出全局最优解,否则转到步骤(4);
5.3.9)最后得到寻优结果带入RBF神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388452.4A CN110119778B (zh) | 2019-05-10 | 2019-05-10 | 一种改进鸡群优化rbf神经网络的设备健康状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388452.4A CN110119778B (zh) | 2019-05-10 | 2019-05-10 | 一种改进鸡群优化rbf神经网络的设备健康状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119778A true CN110119778A (zh) | 2019-08-13 |
CN110119778B CN110119778B (zh) | 2024-01-05 |
Family
ID=67522011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910388452.4A Active CN110119778B (zh) | 2019-05-10 | 2019-05-10 | 一种改进鸡群优化rbf神经网络的设备健康状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119778B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889228A (zh) * | 2019-11-28 | 2020-03-17 | 国网吉林省电力有限公司电力科学研究院 | 基于鸡群优化bp神经网络的变压器油纸绝缘老化预测方法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN114791571A (zh) * | 2022-04-18 | 2022-07-26 | 东北电力大学 | 一种基于改进cso-lstm网络的锂离子电池寿命预测方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196047A1 (en) * | 2004-02-03 | 2005-09-08 | Yuri Owechko | Object recognition system incorporating swarming domain classifiers |
CN102788696A (zh) * | 2012-07-21 | 2012-11-21 | 辽宁大学 | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 |
US20120330871A1 (en) * | 2011-06-27 | 2012-12-27 | Asiri Yahya Ahmed | Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment |
CN104880949A (zh) * | 2015-05-27 | 2015-09-02 | 江南大学 | 基于改进鸡群算法获得工件加工最优调度的方法 |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN106778809A (zh) * | 2016-11-23 | 2017-05-31 | 安徽理工大学 | 一种基于改进鸡群算法的盲源分离方法 |
CN107153800A (zh) * | 2017-05-04 | 2017-09-12 | 天津工业大学 | 一种基于改进鸡群算法的超高频射频识别定位系统的阅读器天线优化部署方案 |
CN107682117A (zh) * | 2017-09-11 | 2018-02-09 | 天津工业大学 | 一种基于改进鸡群优化算法的短码长lt码度分布的设计方法 |
CN107908688A (zh) * | 2017-10-31 | 2018-04-13 | 温州大学 | 一种基于改进灰狼优化算法的数据分类预测方法及系统 |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN108154097A (zh) * | 2017-12-20 | 2018-06-12 | 中北大学 | 一种笼养鸡健康状况自动化监测球体车轮小车及监测方法 |
CN109029975A (zh) * | 2018-06-26 | 2018-12-18 | 红河学院 | 一种风电齿轮箱的故障诊断方法 |
-
2019
- 2019-05-10 CN CN201910388452.4A patent/CN110119778B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196047A1 (en) * | 2004-02-03 | 2005-09-08 | Yuri Owechko | Object recognition system incorporating swarming domain classifiers |
US20120330871A1 (en) * | 2011-06-27 | 2012-12-27 | Asiri Yahya Ahmed | Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment |
CN102788696A (zh) * | 2012-07-21 | 2012-11-21 | 辽宁大学 | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 |
CN104880949A (zh) * | 2015-05-27 | 2015-09-02 | 江南大学 | 基于改进鸡群算法获得工件加工最优调度的方法 |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN106778809A (zh) * | 2016-11-23 | 2017-05-31 | 安徽理工大学 | 一种基于改进鸡群算法的盲源分离方法 |
CN107153800A (zh) * | 2017-05-04 | 2017-09-12 | 天津工业大学 | 一种基于改进鸡群算法的超高频射频识别定位系统的阅读器天线优化部署方案 |
CN107682117A (zh) * | 2017-09-11 | 2018-02-09 | 天津工业大学 | 一种基于改进鸡群优化算法的短码长lt码度分布的设计方法 |
CN107941537A (zh) * | 2017-10-25 | 2018-04-20 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN107908688A (zh) * | 2017-10-31 | 2018-04-13 | 温州大学 | 一种基于改进灰狼优化算法的数据分类预测方法及系统 |
CN108154097A (zh) * | 2017-12-20 | 2018-06-12 | 中北大学 | 一种笼养鸡健康状况自动化监测球体车轮小车及监测方法 |
CN109029975A (zh) * | 2018-06-26 | 2018-12-18 | 红河学院 | 一种风电齿轮箱的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张莹杰等: "改进约束鸡群算法在神经网络的应用", 《计算机工程与科学》, vol. 40, no. 12, pages 2252 - 2257 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889228A (zh) * | 2019-11-28 | 2020-03-17 | 国网吉林省电力有限公司电力科学研究院 | 基于鸡群优化bp神经网络的变压器油纸绝缘老化预测方法 |
CN110889228B (zh) * | 2019-11-28 | 2023-04-18 | 国网吉林省电力有限公司电力科学研究院 | 基于鸡群优化bp神经网络的变压器油纸绝缘老化预测方法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN114791571A (zh) * | 2022-04-18 | 2022-07-26 | 东北电力大学 | 一种基于改进cso-lstm网络的锂离子电池寿命预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110119778B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
Wang et al. | A Comparison of Mamdani and Sugeno Fuzzy Inference Systems for Traffic Flow Prediction. | |
CN110119778A (zh) | 一种改进鸡群优化rbf神经网络的设备健康状态检测方法 | |
CN108052968B (zh) | 一种qsfla-svm的感知入侵检测方法 | |
CN113269252A (zh) | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 | |
CN114964778A (zh) | 一种基于小波时频图与深度学习的轴承故障诊断方法 | |
CN110390358A (zh) | 一种基于特征聚类的深度学习方法 | |
CN111767273B (zh) | 基于改进som算法的数据智能检测方法及装置 | |
Teppola et al. | A combined approach of partial least squares and fuzzy c-means clustering for the monitoring of an activated-sludge waste-water treatment plant | |
Purnawansyah et al. | K-Means clustering implementation in network traffic activities | |
Zhu et al. | Swarm clustering algorithm: Let the particles fly for a while | |
Oprea et al. | Electricity load profile calculation using self-organizing maps | |
CN113341379A (zh) | 基于自适应阈值和迭代控制的雷达信号分选方法 | |
Luo et al. | An enhanced ART2 neural network for clustering analysis | |
CN114139033A (zh) | 一种基于动态核发育的时序数据聚类方法及系统 | |
Yan et al. | SOM integrated with CCA for the feature map and classification of complex chemical patterns | |
CN112184037A (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
Minai et al. | Predicting complex behavior in sparse asymmetric networks | |
Mehrmolaei et al. | Fuzzy-clustering time series: population-based an enhanced technique | |
Maksimović et al. | Applying Fuzzy Logic and Data Mining Techniques in Wireless Sensor Network for Determination Residential Fire Confidence. | |
Reljin et al. | Clustering and mapping spatial-temporal datasets using SOM neural networks | |
Gu et al. | Clustering algorithm combining CPSO with K-Means | |
Zhang et al. | Anomaly detection of target dynamics based on clustering | |
Yamada et al. | A Sequential Concept Drift Detection Method for On-Device Learning on Low-End Edge Devices | |
Li et al. | An attribute weighted fuzzy c-means algorithm for incomplete datasets based on statistical imputation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |