CN111351668B - 基于优化粒子群算法和神经网络的柴油机故障诊断方法 - Google Patents

基于优化粒子群算法和神经网络的柴油机故障诊断方法 Download PDF

Info

Publication number
CN111351668B
CN111351668B CN202010037363.8A CN202010037363A CN111351668B CN 111351668 B CN111351668 B CN 111351668B CN 202010037363 A CN202010037363 A CN 202010037363A CN 111351668 B CN111351668 B CN 111351668B
Authority
CN
China
Prior art keywords
neural network
particle
radial basis
basis function
optimal
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
Application number
CN202010037363.8A
Other languages
English (en)
Other versions
CN111351668A (zh
Inventor
张恺
陈宁
陆帅博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202010037363.8A priority Critical patent/CN111351668B/zh
Publication of CN111351668A publication Critical patent/CN111351668A/zh
Application granted granted Critical
Publication of CN111351668B publication Critical patent/CN111351668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了基于优化粒子群算法和神经网络的柴油机故障诊断方法，它涉及柴油机故障诊断技术领域。它包括对粒子群算法的寻优过程进行改进、用优化过的粒子群算法对径向基函数神经网络的参数进行寻优、构建出最优径向基函数神经网络以及用得出的最佳径向基函数神经网络进行数据测试，利用优化的粒子群算法选取出径向基函数神经网络参数进行训练，得到最优径向基函数神经网络，运用最优径向基函数神经网络进行柴油机的故障诊断，相较于常用的粒子群算法，改进的粒子群算法能够更快地收敛，且不易陷入局部极值，能更快、更好地构建出最优径向基函数神经网，改进的粒子群和径向基函数神经网络能够在柴油机故障诊断中达到更高的准确率。

Description

基于优化粒子群算法和神经网络的柴油机故障诊断方法
技术领域
本发明涉及柴油机故障诊断技术领域，具体涉及基于优化粒子群算法和神经网络的柴油机故障诊断方法。
背景技术
由于柴油机的结构复杂，并且在一些领域的工作状况复杂，使得其比一般生产设备发生故障的概率更高。因此对柴油机故障进行快速准确的诊断，对于保证柴油机正常工作意义重大。柴油机结构的复杂性，使某些传统故障诊断方法耗时长、准确率低。近年来，随着人工智能技术的发展，将人工智能引入故障诊断的研究正逐步展开。如：支持向量机、模糊理论、BP、径向基函数神经网络等，凭借着大规模并行协同处理、容错与联想、以及学习能力强的特点，正日益成为人工智能重要的理论方法，得到广泛应用。但神经网络算法存在收敛时间长、陷入局部极小值导致算法无法收敛的局限性，因此需要改善神经网络性能，加速网络收敛，避免局部极小值出现，以一种优化的神经网络进行柴油机故障诊断。
发明内容
本发明要解决的技术问题是提供基于优化粒子群算法和神经网络的柴油机故障诊断方法，能够优化神经网络性能，加速网络收敛，避免局部极小值出现，提高使用径向基函数神经网络进行柴油机故障诊断的准确率。
为解决上述技术问题，本发明的技术方案为：包括粒子群算法迭代过程的优化、通过优化粒子群算法得到建立最优径向基函数神经网络的参数、构建出最优径向基函数神经网络以及用得出的最佳径向基函数神经网络进行数据测试，利用优化的粒子群算法选取出径向基函数神经网络参数进行训练，得到最优径向基函数神经网络，运用最优径向基函数神经网络进行柴油机的故障诊断，具体包括如下步骤：
S1、对标准粒子群算法进行优化，加快算法寻优的速度，避免算法陷入局部极值：
S101、对粒子群算法的权重参数按照构建的非线性函数进行更新优化，以此加快收敛的速度，并且保证较高的精度；
S102、对粒子群算法的两个学习因子更新公式进行改进，保证粒子在运算前期具有较好的全局搜索能力，同时保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快；
S103、对粒子群算法的速度更新公式进行改进，使得如果粒子在上一次迭代中朝着全局最优方向飞行，那么在下一次迭代中的粒子飞行速度不变，否则按照公式进行更新速度；
S2、通过优化后的粒子群算法中粒子个体之间的协作，最终达到群体最优，通过个体与群体最佳位置的多次迭代，得到建立最优径向基函数神经网络的参数：
S201、用构成径向基函数神经网络所需要的参数构成改进粒子群算法中的粒子；
S202、将构成的粒子代入目标函数中，得到初始适应度值；
S203、通过优化后的粒子群算法进行粒子位置及速度的更新，并计算更新之后的适应度值；
S204、判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，满足其中一项条件即可停止迭代，取当前迭代出来的粒子作为最佳粒子，用构成粒子的参数作为最佳径向基函数神经网络的参数；若不满足条件，则继续执行S203，直到满足结束迭代条件得出最佳径向基函数神经网络参数；
S3、将训练结束的最佳粒子，赋予径向基函数神经网络，构成最优径向基函数神经网络，用得出的最佳径向基函数神经网络进行数据测试，通过测试数据输入后神经网络所得到的输出对柴油机的故障情况进行诊断。
进一步的，所述步骤S101中，非线性函数的惯性权重能够在算法中实现快速收敛，并且能够保证较高的精度，标准粒子群算法粒子速度位置迭代公式：
Figure RE-GDA0002501380730000031
Figure RE-GDA0002501380730000032
式中：i＝(1，2，3...n)，d＝(1，2，3...D)，
Figure RE-GDA0002501380730000033
表示粒子i在维度d 中的t+1次迭代时的速度；ω表示常数的惯性因子；c1，c2表示为常数的学习因子；r1，r2表示(0，1)之间的随机常数；
Figure RE-GDA0002501380730000034
表示粒子i在维度d中的t次迭代时的位置；
Figure RE-GDA0002501380730000035
表示粒子i在d维度中t+1次迭代的个体最佳位置i；
Figure RE-GDA0002501380730000036
表示粒子在d维度中t+1次迭代时的全局最佳位置；
标准粒子群算法通常取ω为常数0.8，c1＝c2＝2；
非线性函数的惯性权重能够在算法中实现快速收敛，并且能够保证较高的精度，对惯性权重的优化策略如下：
Figure RE-GDA0002501380730000041
式中：ωmin，ωmax分别代表惯性权重最小、最大值，分别取0.4、 0.9；t表示当前迭代次数；T代表迭代最大次数。
进一步的，所述步骤S102中，标准粒子群算法粒子速度位置迭代公式为
Figure RE-GDA0002501380730000042
c1在运算开始取较大值，能够让粒子在运算前期具有较好的全局搜索能力，c2在运算后期取较大值，能保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快，学习因子的优化策略如下：
Figure RE-GDA0002501380730000043
Figure RE-GDA0002501380730000044
式中按照经验取值：c1b＝1.5，c1s＝0.7，c2s＝0.5，c2b＝2.5。
进一步的，所述步骤S103中，粒子速度更新按照其更新公式，每一次迭代都会有新的速度，这会增加算法的复杂程度，并使得收敛速度变慢，对粒子速度更新采用一种新的优化策略：
Figure RE-GDA0002501380730000045
式中：
Figure RE-GDA0002501380730000046
为t次迭代中全局最佳适应度值，
Figure RE-GDA0002501380730000047
为t-1次迭代中全局最佳适应度值，式子表示一个粒子在当前迭代中适应度值比上一次小，说明粒子正在向着最佳位置飞行，那么下一次迭代中粒子的速度不变，如果当前迭代适应度值不小于上一次迭代值，则表示粒子并未朝着最佳位置飞行，那么速度按照公式进行更新，
优化过后的粒子速度位置更新公式如下：
Figure RE-GDA0002501380730000051
Figure RE-GDA0002501380730000052
进一步的，所述步骤S1中的粒子群算法对算法的粒子位置和速度迭代方式进行改进；所述步骤S2中的径向基函数神经网络参数为宽度、中心向量、连接权值。
进一步的，所述步骤S202中目标函数为：
Figure RE-GDA0002501380730000053
Figure RE-GDA0002501380730000054
Figure RE-GDA0002501380730000055
式中：x表示输入向量；cj表示隐含层第j个神经元的中心向量；σj为第j个神经元的宽度向量，σj越大，隐含层对输入向量的影响范围就越大；||x-cj||为欧式范数。y为网络的输出；m为隐含层节点个数；ωj为输出层神经元与第j个隐含层神经元的连接权重，n表示样本容量，yi是网络训练后的实际输出，
Figure RE-GDA0002501380730000056
是网络期望输出。
目标函数值越小，代表粒子所处位置越好，构建出的径向基函数神经网络越优。
本发明的优点在于：径向基函数神经网络参数选取通常使用随机梯度法来调整一组权值、中心值和宽度值，但此算法容易陷入局部最小值，错过最优解，本发明使用改进的粒子群算法，对径向基函数神经网络进行参数训练，找出最优参数，以获得最佳径向基函数神经网络，改进的粒子群算法能够更快地收敛，且不易陷入局部极值，能更快、更好地构建出最优径向基函数神经网络，从而提高使用径向基函数神经网络进行柴油机故障诊断的准确率。
附图说明
图1为标准粒子群算法构建径向基函数神经网络流程；
图2为本发明优化粒子群算法的径向基函数神经网络的建立流程；
图3为本发明优化粒子群算法和径向基函数神经网络学习算法的柴油机故障诊断模型；
图4为本发明中优化粒子群算法进行径向基函数神经网络构建及其它两种粒子群算法构建径向基函数神经网络时的误差精度曲线图；
图5为综合了5组测试数据在三种算法下所得到的实际输出与期望输出的平均误差统计图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。下面的实施例可以使本专业的技术人员更全面地理解本发明，但并不因此将本发明限制在所述的实施例范围之中。
本具体实施方式采用如下技术方案：包括粒子群算法迭代过程的优化、通过优化粒子群算法得到建立最优径向基函数神经网络的参数、构建出最优径向基函数神经网络以及用得出的最佳径向基函数神经网络进行数据测试，利用优化的粒子群算法选取出径向基函数神经网络参数进行训练，得到最优径向基函数神经网络，运用最优径向基函数神经网络进行柴油机的故障诊断。
对标准粒子群算法进行优化，加快算法寻优的速度，避免算法陷入局部极值：
如图1所示为优化粒子群算法的径向基函数神经网络的建立流程，标准粒子群算法粒子速度位置迭代公式：
Figure RE-GDA0002501380730000071
Figure RE-GDA0002501380730000072
式中：i＝(1，2，3...n)，d＝(1，2，3...D)，
Figure RE-GDA0002501380730000073
表示粒子i在维度d 中的t+1次迭代时的速度；ω表示常数的惯性因子；c1，c2表示为常数的学习因子；r1，r2表示(0，1)之间的随机常数；
Figure RE-GDA0002501380730000074
表示粒子i在维度d中的t次迭代时的位置；
Figure RE-GDA0002501380730000075
表示粒子i在d维度中t+1次迭代的个体最佳位置i；
Figure RE-GDA0002501380730000076
表示粒子在d维度中t+1次迭代时的全局最佳位置；
标准粒子群算法通常取ω为常数0.8，c1＝c2＝2；
如图2所示，为本发明优化粒子群算法的径向基函数神经网络的建立流程，
对惯性权重的优化策略如下：
Figure RE-GDA0002501380730000081
式中：ωmin，ωmax分别代表惯性权重最小、最大值，分别取0.4、 0.9；t表示当前迭代次数；T代表迭代最大次数。
c1在运算开始取较大值，能够让粒子在运算前期具有较好的全局搜索能力，c2在运算后期取较大值，能保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快，学习因子的优化策略如下：
Figure RE-GDA0002501380730000082
Figure RE-GDA0002501380730000083
式中按照经验取值：c1b＝1.5，c1s＝0.7，c2s＝0.5，c2b＝2.5。
粒子速度更新按照其更新公式，每一次迭代都会有新的速度，这会增加算法的复杂程度，并使得收敛速度变慢，对粒子速度更新采用一种新的优化策略：
Figure RE-GDA0002501380730000084
式中：
Figure RE-GDA0002501380730000085
为t次迭代中全局最佳适应度值，
Figure RE-GDA0002501380730000086
为t-1次迭代中全局最佳适应度值，式子表示一个粒子在当前迭代中适应度值比上一次小，说明粒子正在向着最佳位置飞行，那么下一次迭代中粒子的速度不变，如果当前迭代适应度值不小于上一次迭代值，则表示粒子并未朝着最佳位置飞行，那么速度按照公式进行更新，
优化过后的粒子速度位置更新公式如下：
Figure RE-GDA0002501380730000087
Figure RE-GDA0002501380730000091
目标函数为：
Figure RE-GDA0002501380730000092
Figure RE-GDA0002501380730000093
Figure RE-GDA0002501380730000094
式中：x表示输入向量；cj表示隐含层第j个神经元的中心向量；σj为第j个神经元的宽度向量，σj越大，隐含层对输入向量的影响范围就越大；||x-cj||为欧式范数。y为网络的输出；m为隐含层节点个数；ωj为输出层神经元与第j个隐含层神经元的连接权重，n表示样本容量，yi是网络训练后的实际输出，
Figure RE-GDA0002501380730000095
是网络期望输出。
目标函数值越小，代表粒子所处位置越好，构建出的径向基函数神经网络越优。
优化粒子群径向基函数神经网络建立步骤如下：
步骤1：将径向基函数神经网络中的宽度σj、网络中心向量cj，连接权值ωj，构成粒子群算法中的粒子，记为：Xk＝(cj,σj，ωj)；
步骤2：设置粒子群算法的维度D，粒子个数n，粒子初始位置x，速度v，迭代最大次数T，期望均方差M，进行种群初始化；
步骤3：计算初始粒子适应度值，得出初始粒子个体极值pbest与全局极值gbest；
步骤4：通过优化后的算法对粒子进行更新，计算更新后的粒子适应度值，与上一次的pbest和gbest比较，如果更新后的pbest和gbest适应度值更小，则选择更小的值做为新的个体以及全局最佳值；
步骤5：判断M的值是否小于设定值或迭代到达最大迭代次数T，如果满足条件，则迭代终止；否则回到步骤4，进行新一次迭代；
步骤6：将训练结束的最优粒子，赋予径向基函数神经网络网络，构成最优径向基函数神经网络网络，导入测试数据，进行测试。
柴油机工作过程中，其热力参数有着大量故障信息，能够很好反映柴油机的运行状况，对故障诊断有着很大的价值，因此，通过热力参数进行故障诊断是常用的方法。针对柴油机的工作特点，选取柴油机燃油系统与进排气系统作为故障分析研究的对象，其典型故障如表所示：
Figure RE-GDA0002501380730000101
本发明从柴油机故障诊断研究入手，选择6L23/30H柴油机在三种不同工况下的第一缸具体参数作为径向基函数神经网络神经网络的输入向量，其表征参数为：柴油机输出功率、一缸爆发压力、一缸排气温度、中冷器出口温度、中冷器进口温度等5个输入值，因此，网络输入层节点为5个，输出层为能通过网络输入进行判断的几个典型故障：气缸供油不均、喷油正时故障、中冷器故障、排气阀关闭相位故障，同时，加入正常工作时的状态作为比较，所以网络有5种输出，柴油机所需要提取的热力参数特征信号和确定的故障类型如表所示：
Figure RE-GDA0002501380730000111
采用优化的粒子群与径向基函数神经网络结合算法网络进行柴油机故障诊断模型如图3所示。首先进行传感器的安装以及数据的采集，将数据进行归一化处理后放入经过粒子群算法优化过后的径向基函数神经网络中，径向基函数神经网络诊断模型第一层是输入层，5 种柴油机的热力参数作为输入信号；第二层为隐含层，将输入信号进行调整，采取非线性优化策略，将输入信号调整为格林函数的参数；第三层是输出层，根据输出的数据判断柴油机的具体故障类型。
为体现经过优化的粒子群与径向基函数神经网络结合算法性能，选取ω＝0.8，c1＝c2＝2的标准粒子群算法，ω＝1并随迭代线性递减的粒子群算法，以及本文所讨论的粒子群算法对径向基函数神经网络网络的参数进行优化，在粒子群初始化中统一使用粒子n＝30，空间维度 D＝12，迭代最大次数T＝300，期望均方差M＝0.001。
从图4中可见，本文所讨论的改进粒子群算法相较于其他两种常规算法有着更好的收敛性，且收敛速度得到显著提升。因此，训练得出的径向基函数神经网络网络参数更加精确，有助于提高径向基函数神经网络的诊断能力。由此可见，改进粒子群与径向基函数神经网络结合算法网络在收敛性方面明显占优，从而能够使柴油机故障诊断更加迅速。
发明需要大量的数据进行训练，采用5种不同故障的300组数据，供上述三种粒子群算法训练，其寻优的参数随后进行径向基函数神经网络的构建。
为进一步验证本发明中的优化粒子群与径向基函数神经网络结合算法网络的有效性，在经过训练后，将5组测试数据进行归一化后输入进行训练，在完成的三种径向基函数神经网络中进行测试，以此查看三种径向基函数神经网络网络训练完毕后用于实际诊断的准确性和可靠性。优化粒子群与径向基函数神经网络结合算法实际输出记为Y1，权重线性递减粒子群与径向基函数神经网络结合算法实际输出记为Y2，权重为定值粒子群与径向基函数神经网络结合算法实际输出记为Y3，其部分测试数据及结果值如表所示。
Figure RE-GDA0002501380730000121
可见，本发明的优化粒子群与径向基函数神经网络结合算法网络诊断结果更加接近期望输出值。
如图5所示，通过平均误差直方图，可以直观地展示三种算法在故障诊断中的可靠性与误差大小，图中综合了5组测试数据在三种算法下所得到的实际输出与期望输出的平均误差。
算法改进后，迭代所需要的次数减少，在搜索精度上也有显著提高，使得以此改进的粒子群算法求取的径向基函数神经网络参数具有更高的可靠性，在实测故障诊断过程中，本发明中的优化粒子群与径向基函数神经网络结合算法诊断结果平均误差为5.23％，权重线性递减粒子群与径向基函数神经网络结合算法结果平均误差为9.89％，权重为定值粒子群与径向基函数神经网络结合算法结果平均误差为 13.8％。证明改进粒子群算法进行优化的径向基函数神经网络在柴油机故障检测、故障特征搜索中有着更为可靠的诊断效果。
图中RBF网络为径向基函数神经网络，PSO算法为粒子群算法。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.基于优化粒子群算法和神经网络的柴油机故障诊断方法，其特征在于：包括粒子群算法迭代过程的优化、通过优化粒子群算法得到建立最优径向基函数神经网络的参数、构建出最优径向基函数神经网络以及用得出的最优径向基函数神经网络进行数据测试，利用优化的粒子群算法选取出径向基函数神经网络参数进行训练，得到最优径向基函数神经网络，运用最优径向基函数神经网络进行柴油机的故障诊断，具体包括如下步骤：
S1、对标准粒子群算法进行优化，加快算法寻优的速度，避免算法陷入局部极值：
S101、对粒子群算法的权重参数按照构建的非线性函数进行更新优化，以此加快收敛的速度，并且保证较高的精度；
S102、对粒子群算法的两个学习因子更新公式进行改进，保证粒子在运算前期具有较好的全局搜索能力，同时保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快；
S103、对粒子群算法的速度更新公式进行改进，使得如果粒子在上一次迭代中朝着全局最优方向飞行，那么在下一次迭代中的粒子飞行速度不变，否则按照速度更新公式进行更新速度；
S2、通过优化后的粒子群算法中粒子个体之间的协作，最终达到群体最优，通过个体与群体最佳位置的多次迭代，得到建立最优径向基函数神经网络的参数：
S201、用构成径向基函数神经网络所需要的参数构成改进粒子群算法中的粒子；
S202、将构成的粒子代入目标函数中，得到初始适应度值；
S203、通过优化后的粒子群算法进行粒子位置及速度的更新，并计算更新之后的适应度值；
S204、判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，满足其中一项条件即可停止迭代，取当前迭代出来的粒子作为最佳粒子，用构成最佳粒子的参数作为最优径向基函数神经网络的参数；若不满足条件，则继续执行S203，直到满足结束迭代条件得出最优径向基函数神经网络参数；
S3、将训练结束的最佳粒子，赋予径向基函数神经网络，构成最优径向基函数神经网络，用得出的最优径向基函数神经网络进行数据测试，通过测试数据输入后神经网络所得到的输出对柴油机的故障情况进行诊断；
所述步骤S101中，非线性函数的惯性权重能够在算法中实现快速收敛，并且能够保证较高的精度，标准粒子群算法粒子速度位置迭代公式为：
Figure FDA0003476978690000021
Figure FDA0003476978690000022
式中：i＝(1，2，3...n)，d＝(1，2，3...D)；
Figure FDA0003476978690000023
表示粒子i在维度d中的t+1次迭代时的速度；
Figure FDA0003476978690000024
表示粒子i在维度d中的t次迭代时的速度；ω表示常数的惯性因子，对惯性权重的优化策略为：
Figure FDA0003476978690000031
式中ωmin，ωmax分别代表惯性权重最小、最大值，分别取0.4、0.9；t表示当前迭代次数；T代表迭代最大次数；c1，c2表示为常数的学习因子；r1，r2表示(0，1)之间的随机常数；
Figure FDA0003476978690000032
表示粒子i在维度d中的t次迭代时的位置；
Figure FDA0003476978690000033
表示粒子i在维度d中的t+1次迭代时的位置；
Figure FDA0003476978690000034
表示粒子i在d维度中t+1次迭代的个体最佳位置i；
Figure FDA0003476978690000035
表示粒子在d维度中t+1次迭代时的全局最佳位置；
所述步骤S102中，标准粒子群算法粒子速度位置迭代公式为
Figure FDA0003476978690000036
c1，c2表示为常数的学习因子，c1在运算开始取较大值，能够让粒子在运算前期具有较好的全局搜索能力，c2在运算后期取较大值，能保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快，学习因子的优化策略如下：
Figure FDA0003476978690000037
Figure FDA0003476978690000038
式中取值：c1b＝1.5，c1s＝0.7，c2s＝0.5，c2b＝2.5，均为经验取值；
所述步骤S103中，对粒子速度更新采用一种新的优化策略：
Figure FDA0003476978690000039
式中：
Figure FDA00034769786900000310
为t次迭代中全局最佳适应度值，
Figure FDA00034769786900000311
为t-1次迭代中全局最佳适应度值，
该式表示一个粒子在当前迭代中适应度值比上一次小，说明粒子正在向着最佳位置飞行，那么下一次迭代中粒子的速度不变，如果当前迭代适应度值不小于上一次迭代值，则表示粒子并未朝着最佳位置飞行，那么速度按照公式进行更新，
优化过后的粒子速度位置更新公式如下：
Figure FDA0003476978690000041
Figure FDA0003476978690000042
所述步骤S1中的粒子群算法对算法的粒子位置和速度迭代方式进行改进；所述步骤S2中的径向基函数神经网络参数为宽度、中心向量、连接权值；
所述步骤S202中目标函数为：
Figure FDA0003476978690000043
Figure FDA0003476978690000044
Figure FDA0003476978690000045
式中：M表示期望均方差；x表示输入向量；cj表示隐含层第j个神经元的中心向量；σj为第j个神经元的宽度向量，σj越大，隐含层对输入向量的影响范围就越大；||x-cj||为欧式范数；y为网络的输出；m为隐含层节点个数；ωj为输出层神经元与第j个隐含层神经元的连接权重；n表示样本容量；yi是网络训练后的实际输出；
Figure FDA0003476978690000046
是网络期望输出，gj(x)表示径向基函数神经网络隐含层第j个神经元的输出值，即目标函数值；目标函数值越小，代表粒子所处位置越好，构建出的径向基函数神经网络越优。
CN202010037363.8A 2020-01-14 2020-01-14 基于优化粒子群算法和神经网络的柴油机故障诊断方法 Active CN111351668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010037363.8A CN111351668B (zh) 2020-01-14 2020-01-14 基于优化粒子群算法和神经网络的柴油机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010037363.8A CN111351668B (zh) 2020-01-14 2020-01-14 基于优化粒子群算法和神经网络的柴油机故障诊断方法

Publications (2)

Publication Number Publication Date
CN111351668A CN111351668A (zh) 2020-06-30
CN111351668B true CN111351668B (zh) 2022-03-25

Family

ID=71192246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010037363.8A Active CN111351668B (zh) 2020-01-14 2020-01-14 基于优化粒子群算法和神经网络的柴油机故障诊断方法

Country Status (1)

Country Link
CN (1) CN111351668B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914481B (zh) * 2020-07-27 2022-03-18 山西大学 基于改进的pso-rbf算法的边坡稳定性预测方法
CN111899905B (zh) * 2020-08-05 2022-11-01 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统
CN112504682A (zh) * 2020-12-21 2021-03-16 中国人民解放军63963部队 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN112800682B (zh) * 2021-02-04 2022-10-04 中国长江三峡集团有限公司 一种反馈寻优的风机叶片故障监测方法
CN112947374A (zh) * 2021-02-09 2021-06-11 上海海事大学 一种区域配电船舶电力推进智能自愈控制方法
CN113139606A (zh) * 2021-04-27 2021-07-20 上海联创设计集团股份有限公司 基于人工智能算法的暖通风机故障检测方法及系统
CN113935124B (zh) * 2021-09-09 2022-05-31 西华大学 柴油机燃用生物柴油多目标性能优化方法
CN113884305B (zh) * 2021-09-29 2022-06-28 山东大学 基于svm的柴油机装配冷试检测方法及系统
CN116070151B (zh) * 2023-03-17 2023-06-20 国网安徽省电力有限公司超高压分公司 基于广义回归神经网络特高压直流输电线路故障检测方法
CN116205164B (zh) * 2023-04-27 2023-07-28 中国石油大学(华东) 一种基于自适应基函数选择的多代理注采优化方法
CN117879412B (zh) * 2024-03-12 2024-06-04 宝士达新能源科技(苏州)有限公司 基于负载功率变化的柴油发电机转速自适应升降控制方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102095588A (zh) * 2010-12-28 2011-06-15 中国人民解放军军事交通学院 柴油机故障智能诊断方法
CN105319071B (zh) * 2015-09-21 2017-11-07 天津大学 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法
CN106547967B (zh) * 2016-11-01 2020-07-28 哈尔滨工程大学 基于代价分析的柴油机燃油系统维修决策方法
CN107547457A (zh) * 2017-09-15 2018-01-05 重庆大学 一种基于改进粒子群优化bp神经网络的盲信道均衡方法
CN109447236A (zh) * 2018-09-28 2019-03-08 重庆邮电大学 一种混合动力汽车热管理系统的故障诊断方法
CN109344517A (zh) * 2018-10-14 2019-02-15 毛述春 一种新能源汽车的高压绝缘故障诊断方法
CN109998495A (zh) * 2019-05-23 2019-07-12 河南工业大学 一种基于粒子群优化bp神经网络的心电信号分类方法

Also Published As

Publication number Publication date
CN111351668A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111351668B (zh) 基于优化粒子群算法和神经网络的柴油机故障诊断方法
CN111175054B (zh) 一种基于数据驱动的航空发动机故障诊断方法
CN109190270B (zh) 一种基于apso-bp的双配重盘自动平衡控制方法
CN101887479B (zh) 基于确定学习理论的轴流压气机旋转失速的快速诊断方法
CN110352297B (zh) 机器学习装置
CN112446091A (zh) 一种基于人工神经网络的脉动压力预测方法
CN111832617B (zh) 发动机冷态测试故障诊断方法
CN109800449B (zh) 一种基于神经网络的航空发动机压缩部件特性修正方法
CN114969995A (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN111546854A (zh) 一种智能列车空调机组在途识别与诊断方法
CN115510926B (zh) 跨机型的柴油机燃烧室故障诊断方法及系统
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN113392574A (zh) 一种基于神经网络模型的汽油机次充模型进气量估算方法
CN112215281A (zh) 一种风机叶片结冰故障检测方法
CN116702380A (zh) 基于数字孪生的航空发动机性能退化监测和模型修正方法
CN114934848B (zh) 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法
CN115618506A (zh) 一种单轴联合循环燃气轮机功率的预测方法
CN115688609A (zh) 一种用于航空发动机的智能推力预测及实时预警方法
Zhou et al. Fault diagnosis of gas turbine actuator based on improved convolutional neural network
Zhong et al. Research on fusion diagnosis method of thermal fault of marine diesel engine
CN114237043A (zh) 基于深度学习的燃气轮机设备传递函数闭环辨识方法
CN112749789A (zh) 基于自联想型神经网络的航空发动机多重故障诊断器
CN111159820A (zh) 一种基于差分模糊自适应共振网络的发动机喘振诊断方法
Zhao et al. An Aero-engine Gas Path Fault Diagnosis Method Based on OPABC-BP
CN113833567B (zh) 一种机理数据融合的柴油机涡轮增压器故障检测方法

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