CN111753751A - 一种改进烟花算法的风机故障智能诊断方法 - Google Patents

Abstract

一种改进烟花算法的风机故障智能诊断方法，基本步骤如下：(1)信号采样；(2)数据预处理；(3)特征提取；(4)数据归一化处理；(5)风机故障智能诊断。针对现有风机故障诊断系统的局限性，本发明设计一种改进烟花算法优化BP神经网络的风机故障智能诊断方法。使用改进高斯密度函数优化增强型烟花算法计算出BP神经网络较优权值和阈值，从而提高BP神经网络的性能。通过采用相关峭度解卷积算法(MCKD)和时域特征处理后的风机轴承数据进行测试，本发明方法在诊断风机故障轴承数据方面，能够满足用户所设定功能和性能方面的需求。通过大量对比实验证明，改进烟花算法的风机故障智能诊断方法可以获得更高的准确率。

Description

一种改进烟花算法的风机故障智能诊断方法

技术领域

本发明涉及一种风机智能诊断方法，尤其是一种改进烟花算法的风机故障智能诊断方法。

背景技术

随着工业社会发展，工业设备越来越大型化，集成化，一旦爆发故障，不但会污染环境，造成重大经济损失，甚至还会危及工人们生命安全。与此同时人们对工作环境安全需求受到更加深刻的重视，这无疑也对设备安全及可靠性提出更高标准。大型机械设备中零件数量庞大种类繁多，每个细小零件都至关重要，一旦有某些零件出现故障，而维修人员没有及时发现，并进行更换，将导致整个设备危机，甚至是整个工厂的灾难。而如果频繁停机维修检查设备，无疑会影响生产，增加工人劳动成本。因此，对工业设备零件状态进行检测，运用人工智能技术判断零件是否发生故障，进而需要进行更换，不但能够使零件使用寿命最大化，还能够克服传统故障诊断的弊端，具有重要的社会意义。

发明内容

为了解决上述存在的问题，本发明提供一种改进烟花算法的风机故障智能诊断方法。

本发明的目的是通过以下技术方案实现的：一种生成式对抗网络估值的不完整数据聚类方法,其步骤为：

一种改进烟花算法的风机故障智能诊断方法，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的风机轴承数据；

2)降噪处理；

3)特征选择：选取均值μ_x、峰值x_p、幅值平方和x_c、标准差ω，这四种时域特征参数做特征提取；

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，利用最大相关峭度解卷积降噪得到的数据，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)风机故障智能诊断：

5.1)改进烟花算法：

5.1.1)火花分析：首先根据定义的爆炸半径R_i和爆炸火花个数S_i通过爆炸操作产生爆炸火花，然后在此刻火花种群中随机抽离出一朵火花x_i，并对抽离出的火花x_i执行d维度高斯变异行为，最后在两种火花分别产生爆炸和变异操作后，新生成的火花可能会发生越界，当烟花x_i在d维度上超出可行域φ的范围时，定义映射规则将这朵烟花映射到新的位置上面去；

5.1.2)选择策略：

产生爆炸和变异火花后执行选择策略，使得种群中优秀信息能够遗传到下一代火花中，从烟花，爆炸火花和变异火花的候选者集合γ中间选择一部分个体作为下一代的烟花种群，种群大小为Z；适应度最小的那朵烟花个体直接被选做下一代烟花，剩下的下一代烟花个体用轮盘赌算法从Z-1个当前个体中进行选择；在候选烟花集合中，若一朵烟花围绕着许多其他候选烟花个体时，这朵烟花被选择概率会下降，即烟花个体密度越大，则用轮盘赌算法被选出概率就越小；

候选烟花x_i被选中的概率为：

其中，R(x_i)为当前烟花个体x_i到候选烟花集合Z-1中所有烟花个体之间距离之和；

首先对爆炸半径作出限制，在维度k的火花爆炸半径限制如下：

其中，R_min,k是k维上烟花爆炸半径的最小值，t为当前迭代次数，t_max为最大迭代次数，R_first是初始火花爆炸半径，R_last是最终火花爆炸半径；

其次，改变烟花算法变异算子的变异规则

x'_ik＝x_ik+(x_Bk-x_ik)×g(R) (15)

其中g(R)为改进的高斯概率密度函数，o为阶段分布系数，N为设定的分布系数个数，在本文系统中设置为2，σ_i为第i个分布的比例系数，两个系数分别设置为0.7和0.3，τ_i为第i个分布的均值，

为第i个分布的标准差；

最后，修改映射规则：

x_ik＝x_l,k+U(0,1)·(x_u,k-x_l,k) (17)

其中U(0,1)是一个随机数，取值为0到1且均匀分布，x_u,k，x_l,k分别是维度k上的上、下边界；

5.2)ImFWA优化BP神经网络模型。

所述的步骤5.2)中，具体方法为：

5.2.1)设置迭代次数、种群规模Z初始值；

5.2.2)在求解空间随机初始化Z个烟花x_i；

5.2.3)设i＝1，最大迭代次数为T，评估当前这朵烟花x_i的适应度值f(x_i)，计算爆炸半径R_i和爆炸火花个数S_i；

5.2.4)生成爆炸火花；

5.2.5)生成变异火花；

5.2.6)对新生成越界的爆炸火花和变异火花执行映射规则；

5.2.7)在烟花x_i，爆炸以及变异火花中选择下一代火花，执行i＝i+1；

5.2.8)重复5.2.2)至5.2.6)步骤，若是i＝T，输出优化结果；

5.2.9)在第5.2.8)步骤得到的优化结果，即为提出模型的权值和阈值；

5.2.10)输入训练集的特征向量；

5.2.11)按照下列公式进行正向传播。输入信号为x_i，ω为权值，在输入层下一层(隐含层)的第j个神经元加权后净输入值为：

g(x)为隐含层激活函数，则隐含层输出为：

神经网络预测输出为：

其中，b为神经网络的阈值。计算预测与实际输出之间的误差v。

5.2.12)按照下列公式进行反向传播，

学习率为η，更新阈值a，b：

b_k＝b_k+v_k,(k＝1,2,···,n) (22)

更新权重ω：

ω_jk＝ω_jk+ηH_jv_k,(j＝1,2,···,n，k＝1,2,···,n) (24)

计算误差，更新权值和阈值；

5.2.13)反复执行5.2.11)至5.2.12)步骤，若误差达到目标值，停止训练。

步骤2)中，具体方法为：采用最大峭度解卷积技术，通过提取周期性故障信号中的冲击成分，以相关峭度为特征参数，通过反卷积使得降噪处理后故障信号的相关峭度最大，进而突出信号中被噪声淹没的连续脉冲序列，更有有效的显示轴承故障信息。

步骤3)中，均值μ_x、峰值x_p、幅值平方和x_c、标准差ω的提取公式为：

x_p＝max|x_i| (2)

其中：μ_x为均值，x_i为输入的数据，x_p为峰值，x_c为幅值平方和，ω为标准差，n为采样点；

步骤4)中，所用公式为：

其中：X_t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。

步骤5.1.1)中，爆炸半径R_i和爆炸火花个数S_i的极端公式为：

其中，a和b均为常数，a用来控制爆炸半径的大小，b控制爆炸火花个数的多少，c为一个机器最小值，f(x)为待求解问题，公式中此刻火花种群适应度最小值计算方式为y_min＝min(f(x_i),(i＝1,2,···N)，公式中此刻火花种群中的适应度最大值计算方式为y_max＝max(f(x_i),(i＝1,2,···N)；

对公式(7)添加限制条件：

其中，p和q均为常数，round(·)为取整函数，取整原则为四舍五入方式。

步骤5.1.1)中，对抽离出的火花x_i执行d维度高斯变异行为，

x'_id＝x_id×e (9)

其中，e为高斯分布，其中均值和方差均为1，即e～N(1,1)。

步骤5.1.1)中，朵烟花映射到新的位置上面具体公式为：

x'_id＝x_L,d+|x'_id|％(x_U,d-x_L,d) (10)

其中，x_U,d为维度d解集合的上边界、x_L,d为维度d解集合的下边界。

本发明创造的有益效果为：本发明针对传统BP神经网络其性能受权值和阈值影响较大，若选取数值不恰当会出现收敛速度慢的缺点等，提出一种ImFWA算法优化BP神经网络模型，使用智能寻优算法计算出较优的权值和阈值，提高BP神经网络的性能。针对烟花算法计算时易陷入局部最优，无法跳出当前求解过程的情况。通过改进高斯密度函数并用来优化增强型烟花算法，进而防止FWA容易造成迅速收敛的错觉。本发明提出改进烟花算法优化风机智能诊断方法，相较于传统风机故障诊断模型，能够更加准确识别故障类型减少设备故障所带来的损失。

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BP神经网络构造模型像。

图4是Rastrigin函数下四种算法收敛情况图像。

图5是Scherfel函数下四种算法收敛情况图像。

图6是Ackley函数下四种算法收敛情况图像。

图7是风机智能诊断测试结果图像。

具体实施方式

一种改进烟花算法的风机故障智能诊断方法，基本步骤如下：

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的风机轴承数据；

2)降噪处理：采用最大峭度解卷积技术，通过提取周期性故障信号中的冲击成分，以相关峭度为特征参数，通过反卷积使得降噪处理后故障信号的相关峭度最大，进而突出信号中被噪声淹没的连续脉冲序列，更有有效的显示轴承故障信息。

3)特征选择：选取均值μ_x、峰值x_p、幅值平方和x_c、标准差ω，这四种时域特征参数做特征提取：

x_p＝max|x_i| (2)

其中：μ_x为均值，x_i为输入的数据，x_p为峰值，x_c为幅值平方和，ω为标准差，n为采样点；

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，利用最大相关峭度解卷积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：

其中：X_t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)风机故障智能诊断：

5.1)改进烟花算法：

烟花算法可以大致分为火花分析和策略选择两个部分：

(1)火花分析

火花分为爆炸以及变异火花两种。首先根据定义的爆炸半径R_i和爆炸火花个数S_i通过爆炸操作产生爆炸火花。

其中，a和b均为常数，a用来控制爆炸半径的大小，b控制爆炸火花个数的多少。c为一个机器最小值，目的是防止分子或者分母为零进而导致公式无意义。f(x)为待求解问题，公式中此刻火花种群适应度最小值计算方式为y_min＝min(f(x_i),(i＝1,2,···N)，反之此刻火花种群中的适应度最大值计算方式为y_max＝max(f(x_i),(i＝1,2,···N)。

对公式(7)添加限制条件：

其中，p和q均为常数，round(·)为取整函数，取整原则为四舍五入方式。

然后，在此刻火花种群中随机抽离出一朵火花x_i，并对抽离出的火花x_i执行d维度高斯变异行为。

x'_id＝x_id×e (9)

其中，e为高斯分布，其中均值和方差均为1。即e～N(1,1)。

在两种火花分别产生爆炸和变异操作后，新生成的火花可能会发生越界，当烟花x_i在d维度上超出可行域φ的范围时，定义映射规则将这朵烟花映射到新的位置上面去：

x'_id＝x_L,d+|x'_id|％(x_U,d-x_L,d) (10)

其中，x_U,d为维度d解集合的上边界、x_L,d为维度d解集合的下边界。

(2)策略选择

在上述操作产生爆炸和变异火花后会执行选择策略，使得种群中优秀信息能够遗传到下一代火花中，，从烟花，爆炸火花和变异火花的候选者集合γ中间选择一部分个体作为下一代的烟花种群，种群大小为Z。适应度最小的那朵烟花个体直接被选做下一代烟花，剩下的下一代烟花个体用轮盘赌算法从Z-1个当前个体中进行选择。在候选烟花集合中，若一朵烟花围绕着许多其他候选烟花个体时，这朵烟花被选择概率会下降，即烟花个体密度越大，则用轮盘赌算法被选出概率就越小。

候选烟花x_i被选中的概率为：

其中，R(x_i)为当前烟花个体x_i到候选烟花集合Z-1中所有烟花个体之间距离之和(不包括x_i)。

由于传统的烟花算法存在一定局限性，那就是容易陷入局部最优，并且在计算下一代烟花时很容易越界加大计算量。根本原因与烟花算法的定义有关，在计算时解在原点位置或者离原点位置较近时极其容易陷入局部最优，无法跳出当前区域。根据烟花算法的介绍，提出两方面改进，第一点是修改变异算子变异的方式，使得变异火花具备较高的随机性和精度；第二点是修改算法的映射规则。

首先在公式(8)上对爆炸半径作出限制，因为爆炸半径过小，算法挖掘出的信息意义不大。在维度k的火花爆炸半径限制如下：

其中，R_min,k是k维上烟花爆炸半径的最小值，t为当前迭代次数，t_max为最大迭代次数，R_first是初始火花爆炸半径，R_last是最终火花爆炸半径。

其次，改变烟花算法变异算子的变异规则，对公式(9)进行改进：

x'_ik＝x_ik+(x_Bk-x_ik)×g(R) (15)

其中g(R)为改进的高斯概率密度函数，o为阶段分布系数，N为设定的分布系数个数，在本文系统中设置为2，σ_i为第i个分布的比例系数，两个系数分别设置为0.7和0.3，τ_i为第i个分布的均值，

为第i个分布的标准差。

最后，修改传统烟花算法的映射规则：

x_ik＝x_l,k+U(0,1)·(x_u,k-x_l,k) (17)

其中U(0,1)是一个随机数，取值为0到1且均匀分布，x_u,k，x_l,k分别是维度k上的上、下边界。

5.2)ImFWA优化BP神经网络模型：

传统BP神经网络其性能受权值和阈值影响很大，因此采用改进的烟花算法对其进行优化。ImFWA优化BP神经网络流程如下：

5.2.1)设置迭代次数、种群规模Z初始值。

5.2.2)在求解空间随机初始化Z个烟花x_i。

5.2.3)设i＝1，最大迭代次数为T，评估当前这朵烟花x_i的适应度值f(x_i)，计算爆炸半径R_i和爆炸火花个数S_i。

5.2.4)根据公式(6)，(7)，(8)，(9)，(10)生成爆炸火花。

5.2.5)根据公式(15)，(16)生成变异火花。

5.2.6)根据公式(17)对新生成越界的爆炸火花和变异火花执行映射规则。

5.2.7)根据公式(11)和(12)在烟花x_i，爆炸以及变异火花中选择下一代火花，执行i＝i+1。

5.2.8)重复5.2.2)至5.2.6)步骤，若是i＝T，输出优化结果。

5.2.9)在第5.2.8)步骤得到的优化结果，即为提出模型的权值和阈值。

5.2.10)输入训练集的特征向量。

5.2.11)按照下列公式进行正向传播。输入信号为x_i，ω为权值，在输入层下一层(隐含层)的第j个神经元加权后净输入值为：

g(x)为隐含层激活函数，则隐含层输出为：

神经网络预测输出为：

其中，b为神经网络的阈值。计算预测与实际输出之间的误差v。

5.2.12)按照下列公式进行反向传播，

学习率为η，更新阈值a，b：

b_k＝b_k+v_k,(k＝1,2,···,n) (22)

更新权重ω：

ω_jk＝ω_jk+ηH_jv_k,(j＝1,2,···,n，k＝1,2,···,n) (24)

计算误差，更新权值和阈值。

5.2.13)反复执行5.2.11)至5.2.12)步骤，若误差达到目标值，停止训练。

实施例1：

一、本发明方案的理论依据：

1、BP神经网络

BP(back propagation)神经网络是Rumelhart和McClelland等开创的，1986年科学家们利用反向传播学习算法结合单向逐级传播的前向网络，是使用最普遍的神经网络。

BP神经网络具备非线性映射能力超强的特征和网络结构复杂多变的特点，利用梯度下降法，使神经网络实际和期望输出值差值降低到最小。结构分为三种：输入层，隐含层和输出层。隐含层数以及每层的神经元个数可以自行设定，BP神经网络的计算分为前向传播和反向传播两个部分。按从前到后计算误差输出，从后向前调整权值和阈值。

现如今，BP神经网络已经普遍应用于模式辨认领域、数据紧缩领域、分类预测领域等。

1.1BP神经网络结构

BP神经网络是一种后向传播学习网络，结构简单，计算方便。BP神经网络由输入层、隐含层、以及输出层三个部分所构成。BP神经网络构造模型图如图3所示：

如图5所示，BP神经网络上下层之间两两彼此相通，而每层上的神经元之间并无相通，在进行正向传播时，输入信号经过加权运算输入到隐含层，在隐含层激活函数和阈值共同作用下传播至输出层，若此时实际与期望输出不相符，则以实际与期望的输出之差通过隐含层逐层向前传播，直至输入层进入反向传播过程。正向传播结合反向传播轮流执行，直至误差下降到可接受范围。具体步骤为：

(1)正向传播

将提取特征后的信号输入至输入层，信号进行加权运算后随即输入到下一层隐含层中进行下一步计算。输入信号为x_i，ω为权值，在输入层下一层(隐含层)的第j个神经元加权后净输入值为：

g(x)为隐含层激活函数，则隐含层输出为：

神经网络预测输出为：

其中，b为神经网络的阈值。计算预测与实际输出之间的误差v。

(2)反向传播

学习率为η，更新阈值a，b：

b_k＝b_k+v_k,(k＝1,2,···,n) (22)

更新权重ω：

ω_jk＝ω_jk+ηH_jv_k,(j＝1,2,···,n，k＝1,2,···,n) (24)

不断重复上述两步，直到误差下降到到设定值。BP神经网络中的两组参数，权值和阈值均为随机生成，造成不稳定性，不恰当的权值和阈值不但会影响神经网络的效率，还会对识别精度造成极大影响。本系统采用利用智能算法对其进行优化，可以弥补BP神经网络的弊端。

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：利用最大峭度解卷积MCKD对信号包含的周期性冲击比较敏感这一特性，对振动信号进行解卷积操作，放大信号中被噪声所覆盖的周期性脉冲，从中提取有效的信号特征；

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。利用最大峭度解卷积MCKD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.风机智能诊断：用改进后的烟花算法寻找BP神经网络最优的的权值和阈值，使用智能寻优算法计算出较优的权值和阈值，提高BP神经网络的性能。针对烟花算法计算时易陷入局部最优，无法跳出当前求解过程的情况。本文改进高斯密度函数并用来优化增强型烟花算法，进而防止FWA容易造成迅速收敛的错觉。本文提出改进烟花算法优化风机智能诊断系统模型，相较于传统风机故障诊断模型，能够更加准确识别故障类型减少设备故障所带来的损失。

三、可行性分析

(1)改进烟花算法性能分析

为了测试改进后烟花算法对比改进前的优越性，在不同适应度函数下，对比两算法，以及粒子群算法遗传算法适应度曲线。测试维度为30，种群大小为100，运算10次取平均值。下面是三种函数下算法收敛情况及分析。

图4为Rastrigin函数下四种算法收敛情况，能够较为明显发现提出ImFWA算法较早达到收敛，且收敛接近零值。表1为其标准差和平均值对比，表2为时间对比。

表1 Rastrigin函数下四种算法标准差和平均值对比

表2 Rastrigin函数下四种算法时间对比

图5为Scherfel函数下四种算法收敛情况，能够较为明显发现提出ImFWA算法较早达到收敛，且收敛接近零值。表3为其标准差和平均值对比，表4为时间对比。

表3 Scherfel函数下四种算法标准差和平均值对比

表4 Scherfel函数下四种算法时间对比

图6为Ackley函数下四种算法收敛情况，能够较为明显发现提出ImFWA算法较早达到收敛，且收敛接近零值。表5为其标准差和平均值对比，表6为时间对比。

表5 Ackley函数下四种算法标准差和平均值对比

表6 Ackley函数下四种算法时间对比

由上述结果可以看出，本文提出的改进烟花算法表现出良好性能。与FWA、PSO、GA算法相比，ImFWA算法搜索精度较高，在一定范围内防止计算陷入局部最优。从实验中亦可发现ImFWA算法所需时间较长，但到达收敛时迭代次数较少，即从开始运算到达到收敛所需时间并不长，因而ImFWA算法可以被采用。

(2)ImFWA优化BP神经网络性能测试

针对提出的ImFWA优化BP神经网络模型，采用处理后的负载为0、负载为1、负载为2、负载为3的风机轴承数据对其进行性能分析，算法参数中火花种群数目为1000，设置迭代次数为100，选取训练集和测试集比例为4：1，同时用相同数据同时对BP神经网络和RBF网络模型进行训练，并重复10次实验得到平均分类准确率。三种模型在四种负载下的准确率如表7所示，在各个负载下平均准确率和时间如表8所示：

表7 4种负载状态下准确率

表8准确率和时间

根据表7和8可知，本文提出的ImFWA神经网络模型虽然比传统BP神经网络模型和传统RBF神经网络模型虽然花费的时间稍多，但准确率有较大程度的提高，实验表明本发明提出的改进烟花算法优化风机智能故障诊断系统模型能够较为准确将风机轴承故障分类。

Claims (8)

1.一种改进烟花算法的风机故障智能诊断方法，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的风机轴承数据；

2)降噪处理；

3)特征选择：选取均值μ_x、峰值x_p、幅值平方和x_c、标准差ω，这四种时域特征参数做特征提取；

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，利用最大相关峭度解卷积降噪得到的数据，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)风机故障智能诊断：

5.1)改进烟花算法：

5.1.1)火花分析：首先根据定义的爆炸半径R_i和爆炸火花个数S_i通过爆炸操作产生爆炸火花，然后在此刻火花种群中随机抽离出一朵火花x_i，并对抽离出的火花x_i执行d维度高斯变异行为，最后在两种火花分别产生爆炸和变异操作后，新生成的火花可能会发生越界，当烟花x_i在d维度上超出可行域φ的范围时，定义映射规则将这朵烟花映射到新的位置上面去；

5.1.2)选择策略：

产生爆炸和变异火花后执行选择策略，使得种群中优秀信息能够遗传到下一代火花中，从烟花，爆炸火花和变异火花的候选者集合γ中间选择一部分个体作为下一代的烟花种群，种群大小为Z；适应度最小的那朵烟花个体直接被选做下一代烟花，剩下的下一代烟花个体用轮盘赌算法从Z-1个当前个体中进行选择；在候选烟花集合中，若一朵烟花围绕着许多其他候选烟花个体时，这朵烟花被选择概率会下降，即烟花个体密度越大，则用轮盘赌算法被选出概率就越小；

候选烟花x_i被选中的概率为：

其中，R(x_i)为当前烟花个体x_i到候选烟花集合Z-1中所有烟花个体之间距离之和；

首先对爆炸半径作出限制，在维度k的火花爆炸半径限制如下：

其中，R_min,k是k维上烟花爆炸半径的最小值，t为当前迭代次数，t_max为最大迭代次数，R_first是初始火花爆炸半径，R_last是最终火花爆炸半径；

其次，改变烟花算法变异算子的变异规则

x′_ik＝x_ik+(x_Bk-x_ik)×g(R) (15)

其中g(R)为改进的高斯概率密度函数，o为阶段分布系数，N为设定的分布系数个数，在本文系统中设置为2，σ_i为第i个分布的比例系数，两个系数分别设置为0.7和0.3，τ_i为第i个分布的均值，

为第i个分布的标准差；

最后，修改映射规则：

x_ik＝x_l,k+U(0,1)·(x_u,k-x_l,k) (17)

其中U(0,1)是一个随机数，取值为0到1且均匀分布，x_u,k，x_l,k分别是维度k上的上、下边界；

5.2)ImFWA优化BP神经网络模型。

2.根据权利要求1所述的一种改进烟花算法的风机故障智能诊断方法，其特征在于：所述的步骤5.2)中，具体方法为：

5.2.1)设置迭代次数、种群规模Z初始值；

5.2.2)在求解空间随机初始化Z个烟花x_i；

5.2.3)设i＝1，最大迭代次数为T，评估当前这朵烟花x_i的适应度值f(x_i)，计算爆炸半径R_i和爆炸火花个数S_i；

5.2.4)生成爆炸火花；

5.2.5)生成变异火花；

5.2.6)对新生成越界的爆炸火花和变异火花执行映射规则；

5.2.7)在烟花x_i，爆炸以及变异火花中选择下一代火花，执行i＝i+1；

5.2.8)重复5.2.2)至5.2.6)步骤，若是i＝T，输出优化结果；

5.2.9)在第5.2.8)步骤得到的优化结果，即为提出模型的权值和阈值；

5.2.10)输入训练集的特征向量；

5.2.11)按照下列公式进行正向传播。输入信号为x_i，ω为权值，在输入层下一层(隐含层)的第j个神经元加权后净输入值为：

g(x)为隐含层激活函数，则隐含层输出为：

神经网络预测输出为：

其中，b为神经网络的阈值。计算预测与实际输出之间的误差v。

5.2.12)按照下列公式进行反向传播，

学习率为η，更新阈值a，b：

b_k＝b_k+v_k,(k＝1,2,···,n) (22)

更新权重ω：

ω_jk＝ω_jk+ηH_jv_k,(j＝1,2,···,n，k＝1,2,···,n) (24)

计算误差，更新权值和阈值；

5.2.13)反复执行5.2.11)至5.2.12)步骤，若误差达到目标值，停止训练。

3.根据权利要求1所述的一种改进烟花算法的风机故障智能诊断方法，其特征在于：所述的步骤2)中，具体方法为：采用最大峭度解卷积技术，通过提取周期性故障信号中的冲击成分，以相关峭度为特征参数，通过反卷积使得降噪处理后故障信号的相关峭度最大，进而突出信号中被噪声淹没的连续脉冲序列，更有有效的显示轴承故障信息。

4.根据权利要求1所述的一种改进烟花算法的风机故障智能诊断方法，其特征在于：所述的步骤3)中，均值μ_x、峰值x_p、幅值平方和x_c、标准差ω的提取公式为：

x_p＝max|x_i| (2)

其中：μ_x为均值，x_i为输入的数据，x_p为峰值，x_c为幅值平方和，ω为标准差，n为采样点。

5.根据权利要求1所述的一种改进烟花算法的风机故障智能诊断方法，其特征在于：所述的步骤4)中，所用公式为：

其中：X_t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。

6.根据权利要求1所述的一种改进烟花算法的风机故障智能诊断方法，其特征在于：所述的步骤5.1.1)中，爆炸半径R_i和爆炸火花个数S_i的极端公式为：

其中，a和b均为常数，a用来控制爆炸半径的大小，b控制爆炸火花个数的多少，c为一个机器最小值，f(x)为待求解问题，公式中此刻火花种群适应度最小值计算方式为y_min＝min(f(x_i),(i＝1,2,···N)，公式中此刻火花种群中的适应度最大值计算方式为y_max＝max(f(x_i),(i＝1,2,···N)；

对公式(7)添加限制条件：

其中，p和q均为常数，round(·)为取整函数，取整原则为四舍五入方式。

7.根据权利要求1所述的一种改进烟花算法的风机故障智能诊断方法，其特征在于：所述的步骤5.1.1)中，对抽离出的火花x_i执行d维度高斯变异行为，

x′_id＝x_id×e (9)

其中，e为高斯分布，其中均值和方差均为1，即e～N(1,1)。

8.根据权利要求1所述的一种改进烟花算法的风机故障智能诊断方法，其特征在于：所述的步骤5.1.1)中，朵烟花映射到新的位置上面具体公式为：

x'_id＝x_L,d+|x'_id|％(x_U,d-x_L,d) (10)

其中，x_U,d为维度d解集合的上边界、x_L,d为维度d解集合的下边界。

Images