CN113344169B - 一种新型拖拉机故障诊断系统及故障诊断方法 - Google Patents

一种新型拖拉机故障诊断系统及故障诊断方法 Download PDF

Info

Publication number
CN113344169B
CN113344169B CN202110892020.4A CN202110892020A CN113344169B CN 113344169 B CN113344169 B CN 113344169B CN 202110892020 A CN202110892020 A CN 202110892020A CN 113344169 B CN113344169 B CN 113344169B
Authority
CN
China
Prior art keywords
particle
fault diagnosis
particles
tractor
algorithm
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
CN202110892020.4A
Other languages
English (en)
Other versions
CN113344169A (zh
Inventor
肖茂华
周俊博
王伟臣
王鸿翔
张天鹏
耿国盛
鲁植雄
赵远方
张权
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.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
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 Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202110892020.4A priority Critical patent/CN113344169B/zh
Publication of CN113344169A publication Critical patent/CN113344169A/zh
Application granted granted Critical
Publication of CN113344169B publication Critical patent/CN113344169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种新型拖拉机故障诊断系统及故障诊断方法，采用IAV‑NIWD‑QMPCPSO算法对BP神经网络的结构进行优化；利用NIWD算法改变传统PSO算法在不同时期的搜索能力，提高粒子寻优的精度；针对粒子迭代过程中搜索空间有限的问题，提出QMPCPSO算法，利用MPCPSO将粒子群分为主群和从群，据此改进标准粒子群的速度更新公式，加强粒子群中粒子之间的信息交流，获取更大寻优空间；利用QPSO算法克服粒子每一代的位置量子化，据此改进标准粒子群的位置更新公式，克服连续变化引起的粒子搜索范围有限的缺陷。本发明引入随着迭代次数增加变异几率增加的改进自适应变异算法，进一步提升粒子的寻优空间。

Description

一种新型拖拉机故障诊断系统及故障诊断方法
技术领域
本发明本发明属于故障诊断技术领域，尤其涉及一种基于IAV-NIWD-QMPCPSO算法的新型拖拉机故障诊断系统及故障诊断方法。
背景技术
随着现代农业机械化技术的不断发展，农场中随处可见各式各样的大型农业器械，其中应用最多的就是拖拉机。柴油机作为拖拉机的动力源，其健康状况将直接影响到拖拉机的性能及安全性，柴油机故障具有机理复杂性、故障多样性以及多故障并发性等诸多特点，针对柴油机的故障诊断已成为目前的研究热点之一。
伴随着近年来人工智能的飞速发展，基于深度学习的神经网络故障诊断方法已经成为柴油机故障诊断的重要方式，BP（Back Propagation）神经网络具有良好的非线性映射能力，因而被广泛应用于柴油机故障诊断中。但是目前的柴油机故障诊断中大多基于单BP神经网络建立诊断模型，局限性较大，当网络的训练数据少或者不具有代表性时，会严重影响网络的泛化能力及预测能力，而且BP神经网络还缺乏跳出局部最优解的能力，由此导致故障诊断精度不够。
现有技术中也有采用粒子群优化算法（Particle Swarm Optimization，PSO）来优化BP神经网络，进而建立故障诊断模型的方式。 PSO算法虽然具有收敛速度快的优点，但是同时也存在容易过早收敛、容易陷入局部最优等缺点。因此，亟需设计一种新型的故障模型来更精确地获取柴油机故障信息。
发明内容
针对现有技术中存在不足，本发明提供了一种新型拖拉机故障诊断系统及故障诊断方法，采用IAV-NIWD- QMPCPSO算法对BP神经网络的结构进行优化，大大提高了故障诊断效率和诊断精度。
本发明是通过以下技术手段实现上述技术目的的。
一种新型拖拉机故障诊断方法，包括如下步骤：
步骤1：数据采集单元通过拖拉机CAN总线采集拖拉机相关参数数据，并对采集到的参数数据进行筛选解析，获取与拖拉机故障相关性较大的参数数据；
步骤2：故障诊断单元对解析后得到的参数数据进行预处理；
步骤3：建立基于IAV-NIWD- QMPCPSO算法的故障诊断模型，进行故障诊断：
步骤3.1：建立8-8-5-5的4层BP神经网络拓扑结构，包括输入层、第一隐含层、第二隐含层和输出层，向输入层中输入学习样本，最终对应有相应的期望输出和实际输出；初始化BP神经网络的各层节点数、权值、阈值；
步骤3.2：利用IAV-NIWD- QMPCPSO算法对BP神经网络进行优化；
步骤3.2.1：确定IAV-NIWD- QMPCPSO算法中的粒子维度；
步骤3.2.2：划分IAV-NIWD- QMPCPSO主群和从群；
步骤3.2.3：确定粒子适应度函数；
步骤3.2.4：对主群、从群中的粒子进行速度及位置更新：
对PSO算法惯性权重进行优化，惯性权重
Figure DEST_PATH_IMAGE001
的更新公式如下：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示最大惯性权重；
Figure DEST_PATH_IMAGE004
表示最小惯性权重；
Figure DEST_PATH_IMAGE005
表示迭代次数；
Figure DEST_PATH_IMAGE006
表示 第
Figure 576077DEST_PATH_IMAGE006
次迭代；
在从群粒子速度更新公式、主群粒子速度更新公式、从群粒子位置更新公式、主群粒子位置更新公式中均引入惯性权重来对粒子进行迭代更新；
当区间
Figure DEST_PATH_IMAGE007
内产生的随机数
Figure DEST_PATH_IMAGE008
满足变异条件，即满足
Figure DEST_PATH_IMAGE009
时，基于IAV算法， 对主群中的粒子位置进行再次更新，更新公式如下：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
表示在区间
Figure DEST_PATH_IMAGE012
内产生的随机数；
Figure 911506DEST_PATH_IMAGE008
表示在区间
Figure 49095DEST_PATH_IMAGE007
内产生的随机 数；
Figure DEST_PATH_IMAGE013
表示更新后主群中粒子的位置；
步骤3.2.5：粒子群每更新一次速度和位置，则对BP神经网络的权值和阈值进行一次更新；当前粒子群迭代更新产生的粒子适应度值小于上一代粒子群迭代更新产生的粒子适应度值时，继续进行个体极值更新与群体极值更新，反之则进入终止条件的判断过程；
粒子群更新迭代数满足终止条件则停止更新，BP神经网络获取到最优的权值和阈值；反之则返回步骤3.2继续对BP神经网络的权值和阈值进行更新；
步骤4：将处理得到的拖拉机运行参数数据输入步骤3建立的故障诊断模型中，获取实际输出；建立故障诊断类型与期望输出对应表，将实际输出与期望输出进行对比，获取故障类型。
进一步地，所述步骤3.2.4中，从群中粒子速度更新公式如下：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
表示更新后从群中粒子的速度；
Figure DEST_PATH_IMAGE016
表示从群中当前粒子的速度；
Figure DEST_PATH_IMAGE017
、
Figure DEST_PATH_IMAGE018
均表示粒子的加速度常数；
Figure DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
均表示区间
Figure 682333DEST_PATH_IMAGE012
内的随机数；
Figure DEST_PATH_IMAGE021
表示从群中 当前粒子的位置；
Figure DEST_PATH_IMAGE022
表示从群中当前粒子到目前为止出现的最优位置；
Figure DEST_PATH_IMAGE023
表示从 群中所有粒子到目前为止出现的最优位置。
进一步地，所述主群中粒子速度更新公式如下：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示主群中当前粒子的速度；
Figure DEST_PATH_IMAGE026
表示学习因子；
Figure DEST_PATH_IMAGE027
表示区间
Figure 785549DEST_PATH_IMAGE012
内 的随机数；
Figure DEST_PATH_IMAGE028
表示主群中当前粒子的位置；
Figure DEST_PATH_IMAGE029
表示主群中当前粒子所经历的最优位 置；
Figure DEST_PATH_IMAGE030
表示从群中的最优粒子；
Figure DEST_PATH_IMAGE031
表示从群；
Figure DEST_PATH_IMAGE032
表示主群中的最优粒子；
Figure DEST_PATH_IMAGE033
表示主 群；
Figure DEST_PATH_IMAGE034
表示各种群的参与度。
进一步地，所述各种群的参与度
Figure DEST_PATH_IMAGE035
的值计算如下：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
表示由
Figure 410653DEST_PATH_IMAGE032
确定的适应度值；
Figure DEST_PATH_IMAGE038
表示由
Figure 537003DEST_PATH_IMAGE030
确定的适应 度值。
进一步地，所述步骤3.2.4中，从群中粒子位置更新公式如下：
Figure DEST_PATH_IMAGE039
其中，
Figure DEST_PATH_IMAGE040
表示更新后从群中粒子的位置；
Figure DEST_PATH_IMAGE041
表示从群中第
Figure DEST_PATH_IMAGE042
个粒子的个 体最优位置；
Figure DEST_PATH_IMAGE043
表示粒子总数；
Figure DEST_PATH_IMAGE044
表示区间
Figure 19937DEST_PATH_IMAGE012
内的随机数；
Figure 180922DEST_PATH_IMAGE027
表示区间
Figure 232055DEST_PATH_IMAGE012
内的随机 数；
Figure 157286DEST_PATH_IMAGE021
表示从群中当前粒子的位置；
Figure 381594DEST_PATH_IMAGE022
表示从群中当前粒子到目前为止出现的最优 位置；
Figure 630041DEST_PATH_IMAGE023
表示从群中所有粒子到目前为止出现的最优位置。
进一步地，所述主群中粒子的位置更新公式如下：
Figure DEST_PATH_IMAGE045
其中，
Figure DEST_PATH_IMAGE046
表示更新后主群中粒子的位置；
Figure DEST_PATH_IMAGE047
、
Figure DEST_PATH_IMAGE048
分别表示区间
Figure 540491DEST_PATH_IMAGE012
内产 生的两个互不相同的随机数；
Figure DEST_PATH_IMAGE049
表示主群中当前粒子的位置；
Figure DEST_PATH_IMAGE050
表示主群中第
Figure 77651DEST_PATH_IMAGE042
个 粒子的个体最优位置；
Figure 105650DEST_PATH_IMAGE029
表示主群中当前粒子所经历的最优位置；
Figure 224916DEST_PATH_IMAGE032
表示主群中 的最优粒子。
进一步地，所述步骤2中的预处理为非线性归一化预处理，预处理公式如下：
Figure DEST_PATH_IMAGE051
其中，
Figure DEST_PATH_IMAGE052
表示归一化处理后的参数数据；
Figure DEST_PATH_IMAGE053
表示归一化预期范围最大值；
Figure DEST_PATH_IMAGE054
表示归一化预期范围最小值；
Figure DEST_PATH_IMAGE055
表示每一行参数数据中的最大值；
Figure DEST_PATH_IMAGE056
表示每一行参数 数据中的最小值；
Figure DEST_PATH_IMAGE057
表示实际参数值。
进一步地，所述步骤1中，对参数数据进行解析的公式如下：
Figure DEST_PATH_IMAGE058
其中，
Figure 159462DEST_PATH_IMAGE057
表示实际参数值；
Figure DEST_PATH_IMAGE059
表示参数分辨率；
Figure DEST_PATH_IMAGE060
表示输入参数值；
Figure DEST_PATH_IMAGE061
表示 偏移量；
所述步骤3.2.1中，粒子维度的计算公式如下：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE063
表示粒子维度，
Figure DEST_PATH_IMAGE064
表示输入层节点数；
Figure DEST_PATH_IMAGE065
表示输出层节点数；
Figure DEST_PATH_IMAGE066
表示第 一隐含层节点数；
Figure DEST_PATH_IMAGE067
表示第二隐含层节点数；
所述步骤3.2.3中，粒子适应度函数
Figure DEST_PATH_IMAGE068
的计算公式如下：
Figure DEST_PATH_IMAGE069
其中，
Figure DEST_PATH_IMAGE070
表示第
Figure DEST_PATH_IMAGE071
个粒子的期望输出；
Figure DEST_PATH_IMAGE072
表示第
Figure 623066DEST_PATH_IMAGE071
个粒子的实际输出；
Figure 189177DEST_PATH_IMAGE043
表示粒 子总数。
进一步地，所述步骤1的具体过程如下：
数据采集单元将获取到的CAN报文数据转化为字符串，通过正则表达式提取8位十六进制CAN-ID数据和16位十六进制CAN报文数据；通过字符串的字符顺序筛选出所需要的8位十六进制CAN-ID数据的中间4位有效标识符以及16位十六进制CAN报文数据；
数据采集单元通过通信单元将筛选后的数据传递至云端服务器，云端服务器通过通信单元将数据进一步传递至故障诊断单元；故障诊断单元读取4位有效标识符，将4位有效标识符与车辆不同参数的标识符进行对比，据此识别不同参数类型；将符合车辆不同参数标识符的报文数据筛选出，解析报文数据，获得与拖拉机故障相关性较大的参数数据流。
一种基于上述新型拖拉机故障诊断方法的故障诊断系统，包括数据采集单元、通信单元、云端服务器、故障诊断单元；数据采集单元通过CAN总线获取拖拉机内各传感器检测到的拖拉机运行参数数据，数据采集单元通过通信单元与云端服务器信号连接，云端服务器通过通信单元与故障诊断单元信号连接；
数据采集单元包括人工智能开发板、双通道隔离型CAN总线扩展板，双通道隔离型CAN总线扩展板为人工智能开发板提供CAN总线接口，二者共同组成CAN网络节点；通信单元采用5G网络实现数据传输；故障诊断单元中建立有基于IAV-NIWD- QMPCPSO算法的故障诊断模型。
本发明具有如下有益效果：
本发明所提供的故障诊断方法，主要以BP神经网络为主体，针对BP神经网络存在的各种问题，采用了IAV-NIWD- QMPCPSO算法对BP神经网络的结构进行优化，主要针对BP神经网络的权值与阈值进行优化，大大提高了故障诊断效率、诊断精度。
在传统故障诊断模型中，标准粒子群算法中的惯性权重是固定不变的，导致了粒子群中粒子的寻优精度不高；其次，标准粒子群算法中粒子位置的更新是连续的，每次更新位置受到上次更新位置的影响较大；同时，标准粒子群算法后期的种群多样性会大幅度丧失，后期粒子群中的粒子趋同现象会加剧，寻优空间收到极大的限制；而且标准粒子群算法中只存在一个种群，种群间的分工、协作、多层次、多样性的进化特点得不到体现，且种群中的信息交流比较单一，这会造成最优解位置信息的误判，导致整个种群进化停滞，极易陷入局部最优解，影响诊断精度。基于以上问题，本发明采用了基于改进自适应变异和非线性惯性权重递减的多种群协同进化量子粒子群算法对标准粒子群算法进行进一步优化，增强了粒子群算法的全局搜索能力和寻优空间，从而有效提高了故障诊断模型的诊断精度。
附图说明
图1为本发明所述BP神经网络拓扑结构示意图；
图2为本发明所述基于IAV-NIWD- QMPCPSO算法的故障诊断示意图；
图3为基于PSO算法的故障诊断模型收敛特性曲线；
图4为基于IAV-NIWD- QMPCPSO算法的故障诊断模型收敛特性曲线；
图5为基于PSO算法的粒子适应度曲线；
图6为基于IAV-NIWD- QMPCPSO算法的粒子适应度曲线。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
本发明所述的新型拖拉机故障诊断系统及故障诊断方法能够用于各种大型机械的故障诊断，本实施例优选以拖拉机为故障诊断对象进行说明。故障诊断系统包括数据采集单元、通信单元、云端服务器、故障诊断单元。
数据采集单元包括人工智能开发板、双通道隔离型CAN总线扩展板；本实施例中的人工智能开发板优选采用英伟达的Jetson Nano B01，作为数据采集模块的微处理器，双通道隔离型CAN总线扩展板为Jetson Nano B01提供CAN总线接口，二者共同组成CAN网络节点。数据采集单元通过两条杜邦线与拖拉机的OBD接口中的CAN-L和CAN-H两条线连接形成CAN总线通路，双通道隔离型CAN总线扩展板能够获取拖拉机内各传感器检测到的拖拉机运行参数数据，并转换为CAN报文数据。
通信单元采用5G网络实现数据传输，本实施例中的通信单元优选采用JetsonNano 5G/4G/3G扩展板加上SIM8202G-M2无线模块。数据采集单元通过通信单元与云端服务器信号连接，将CAN报文数据传递至云端服务器的MySQL数据库。
云端服务器通过通信单元与故障诊断单元信号连接，故障诊断单元将CAN报文数据进行筛选、解析处理后，将其输入故障诊断模型中，获取故障诊断结果，判断故障类型。
本发明所述的新型故障诊断方法是基于IAV-NIWD- QMPCPSO算法的，其中，IAV（Improve Adaptive Variation）为一种随着迭代次数增加变异几率增加的改进自适应变异算法，NIWD（Nonlinear Inertial Weight Decrease）为非线性权重递减算法，QMPCPSO（Quantum Multi-Population Coevolution Particle Swarm Optimization）为多种群协同进化量子粒子群算法。
故障诊断的具体过程如下：
步骤1：通过拖拉机CAN总线采集拖拉机相关参数数据，并对采集到的参数数据进行筛选，以获取与拖拉机故障相关性较大的参数，具体筛选过程如下：
步骤1.1：数据采集单元通过CAN-H和CAN-L两条线将拖拉机CAN报文数据传输至Jetson Nano B01，获取到的报文数据组成如下表1所示：
表1
Figure DEST_PATH_IMAGE074
其中，Timestamp表示时间标识，ID表示CAN模块的ID，S表示一个标识已连接套接口的描述，DLC表示数据长度代码，DLC中对应的数字8表示ID数据长度为8， Channel表示CAN的通道标识。
步骤1.2：将获取到的报文数据转化为字符串，通过正则表达式提取8位十六进制CAN-ID数据和16位十六进制CAN报文数据。
步骤1.3：通过字符串的字符顺序筛选出所需要的8位十六进制CAN-ID数据的中间4位有效标识符以及16位十六进制CAN报文数据。
步骤1.4：数据采集单元通过通信单元将筛选后的数据传递至云端服务器，云端服务器通过通信单元将数据进一步传递至故障诊断单元；
故障诊断单元读取4位有效标识符，将4位有效标识符与车辆不同参数的标识符进行对比，据此实现不同参数类型的识别；
步骤1.5：将符合步骤1.4中车辆不同参数标识符的报文数据筛选出，依据公式解析报文数据，获得拖拉机运行参数数据流，具体公式如下：
Figure 428528DEST_PATH_IMAGE058
其中，
Figure 789103DEST_PATH_IMAGE057
表示实际参数值；
Figure 864637DEST_PATH_IMAGE059
表示参数分辨率；
Figure 234439DEST_PATH_IMAGE060
表示输入参数值；
Figure 62717DEST_PATH_IMAGE061
表示 偏移量。
步骤2：故障诊断单元对解析后得到的参数数据进行非线性归一化预处理，预处理公式如下：
Figure 859772DEST_PATH_IMAGE051
其中，
Figure 655559DEST_PATH_IMAGE052
表示归一化处理后的参数数据；
Figure 829051DEST_PATH_IMAGE053
表示归一化预期范围最大值，本实 施例中优选取1；
Figure 777415DEST_PATH_IMAGE054
表示归一化预期范围最小值，本实施例中优选取-1 ；
Figure 745371DEST_PATH_IMAGE055
表示每一 行参数数据中的最大值；
Figure 547497DEST_PATH_IMAGE056
表示每一行参数数据中的最小值。
步骤3：建立基于IAV-NIWD- QMPCPSO算法的故障诊断模型，利用该故障诊断模型进行故障诊断的方法如图2所示，具体过程如下：
步骤3.1：建立双隐含层BP神经网络；
建立如图1所示的8-8-5-5的4层BP神经网络拓扑结构，包括输入层、第一隐含层、第二隐含层和输出层，向输入层中输入学习样本，最终对应有相应的期望输出和实际输出；
初始化BP神经网络的各层节点数、权值、阈值：
Figure DEST_PATH_IMAGE076
，
Figure DEST_PATH_IMAGE078
表示输入层节点数；
Figure DEST_PATH_IMAGE080
，
Figure DEST_PATH_IMAGE082
表示输出层节点数；
Figure DEST_PATH_IMAGE084
，
Figure DEST_PATH_IMAGE086
表示第一隐含层节点数；
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE090
表示第二隐含层节点数；
Figure DEST_PATH_IMAGE092
，
Figure DEST_PATH_IMAGE094
表示输入层至第一隐含层的权值；
Figure DEST_PATH_IMAGE096
，
Figure DEST_PATH_IMAGE098
表示第一隐含层至第二隐含层的权值；
Figure DEST_PATH_IMAGE100
，
Figure DEST_PATH_IMAGE102
表示第二隐含层至输出层的权值；
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE106
表示输入层至第一隐含层的阈值；
Figure DEST_PATH_IMAGE108
，
Figure DEST_PATH_IMAGE110
表示第一隐含层至第二隐含层的阈值；
Figure DEST_PATH_IMAGE112
，
Figure DEST_PATH_IMAGE114
表示第二隐含层至输出层的阈值。
步骤3.2：利用IAV-NIWD- QMPCPSO算法对BP神经网络进行优化；
本发明利用NIWD算法改变传统PSO算法在不同时期的搜索能力，进而提高粒子寻优的精度。本发明针对粒子每次迭代过程中搜索空间有限的问题，提出了QMPCPSO 算法，QMPCPSO 算法结合了MPCPSO算法和QPSO算法，利用MPCPSO将粒子群分为主群和从群，据此改进标准粒子群的速度更新公式，以加强粒子群中粒子之间的信息交流，使粒子具有更大寻优空间；与此同时，利用QPSO算法克服粒子每一代的位置量子化，据此改进标准粒子群的位置更新公式，克服连续变化引起的粒子搜索范围有限的缺陷。同时，本发明还引入一种随着迭代次数增加变异几率增加的改进自适应变异（IAV）算法，进一步提升粒子的寻优空间。具体过程如下：
步骤3.2.1：确定IAV-NIWD- QMPCPSO算法中的粒子维度
Figure DEST_PATH_IMAGE116
；
IAV-NIWD-QMPCPSO的寻优对象是BP神经网络的权值和阈值，IAV-NIWD-QMPCPSO粒子的维度等于需要寻优的参数总和，计算公式如下：
Figure DEST_PATH_IMAGE118
步骤3.2.2：划分IAV-NIWD- QMPCPSO主群和从群：为了增强粒子群中粒子间的信息交流，将种群平均分成四个群体，其中包括三个从群和一个主群，每个群体中均含有10个粒子；
初始化IAV-NIWD- QMPCPSO参数：初始化各从群中粒子的速度及位置，在一个区间内随机产生粒子的初始速度及初始位置。
步骤3.2.3：确定粒子适应度函数；
以BP神经网络的实际输出与期望输出的均方误差作为适应度函数
Figure DEST_PATH_IMAGE120
，计算公式如下所示：
Figure DEST_PATH_IMAGE122
其中，
Figure 822883DEST_PATH_IMAGE070
表示第
Figure 688071DEST_PATH_IMAGE071
个粒子的期望输出；
Figure 515344DEST_PATH_IMAGE072
表示第
Figure 98772DEST_PATH_IMAGE071
个粒子的实际输出；
Figure 286170DEST_PATH_IMAGE043
表示粒 子总数。
步骤3.2.4：对主群、从群中的粒子进行速度及位置更新；
进行从群粒子速度更新、主群粒子速度更新：
基于指数函数形式的NIWD算法实现PSO算法惯性权重的优化，改变PSO算法不同时期的搜索能力，进而实现PSO算法的高精度寻优，惯性权重
Figure DEST_PATH_IMAGE124
的更新如下式：
Figure DEST_PATH_IMAGE126
其中，
Figure DEST_PATH_IMAGE128
表示最大惯性权重；
Figure DEST_PATH_IMAGE130
表示最小惯性权重；
Figure DEST_PATH_IMAGE132
表示迭代（进化）次数；
Figure DEST_PATH_IMAGE134
表示第
Figure 78634DEST_PATH_IMAGE134
次迭代；
则从群中粒子速度更新公式如下：
Figure DEST_PATH_IMAGE136
其中，
Figure DEST_PATH_IMAGE138
表示更新后从群中粒子的速度；
Figure DEST_PATH_IMAGE140
表示从群中当前粒子的速度；
Figure DEST_PATH_IMAGE142
、
Figure DEST_PATH_IMAGE144
均表示粒子的加速度常数，且均取2；
Figure DEST_PATH_IMAGE146
、
Figure DEST_PATH_IMAGE148
均表示区间
Figure DEST_PATH_IMAGE150
内的随机数；
Figure DEST_PATH_IMAGE152
表示从群中当前粒子的位置；
Figure DEST_PATH_IMAGE154
表示从群中当前粒子到目前为止出现的最优位置；
Figure DEST_PATH_IMAGE156
表示从群中所有粒子到目前为止出现的最优位置。
则主群中粒子的速度更新公式如下：
Figure DEST_PATH_IMAGE158
其中，
Figure DEST_PATH_IMAGE160
表示主群中当前粒子的速度；
Figure DEST_PATH_IMAGE162
表示学习因子，本实施例中取2；
Figure DEST_PATH_IMAGE164
表示区间
Figure 201442DEST_PATH_IMAGE150
内的随机数；
Figure DEST_PATH_IMAGE166
表示主群中当前粒子的位置；
Figure DEST_PATH_IMAGE168
表示主群中当前粒子所经历的最优位置；
Figure DEST_PATH_IMAGE170
表示从群中的最优粒子；
Figure DEST_PATH_IMAGE172
表示从群；
Figure DEST_PATH_IMAGE174
表示主群中的最优粒子；
Figure DEST_PATH_IMAGE176
表示主群；
Figure DEST_PATH_IMAGE178
表示各种群的参与度。
Figure 22898DEST_PATH_IMAGE178
的值由下式决定：
Figure DEST_PATH_IMAGE180
其中，
Figure DEST_PATH_IMAGE182
表示由
Figure 764721DEST_PATH_IMAGE174
确定的适应度值；
Figure DEST_PATH_IMAGE184
表示由
Figure 542184DEST_PATH_IMAGE170
确定的适应度值。
进行从群粒子位置更新、主群粒子位置更新：
从群中粒子的位置更新公式如下所示：
Figure DEST_PATH_IMAGE186
其中，
Figure DEST_PATH_IMAGE188
表示更新后从群中粒子的位置；
Figure DEST_PATH_IMAGE190
表示从群中第
Figure DEST_PATH_IMAGE192
个粒子的个体最优位置；
Figure DEST_PATH_IMAGE194
表示粒子总数；
Figure DEST_PATH_IMAGE196
表示区间
Figure 830034DEST_PATH_IMAGE150
内的随机数；
则主群中粒子的位置更新公式如下所示：
Figure DEST_PATH_IMAGE198
其中，
Figure DEST_PATH_IMAGE200
表示更新后主群中粒子的位置；
Figure DEST_PATH_IMAGE202
、
Figure DEST_PATH_IMAGE204
表示区间
Figure 184792DEST_PATH_IMAGE150
内产生的两个互不相同的随机数；
Figure DEST_PATH_IMAGE206
表示主群中当前粒子的位置；
Figure DEST_PATH_IMAGE208
表示主群中第
Figure 730305DEST_PATH_IMAGE192
个粒子的个体最优位置；
当区间
Figure DEST_PATH_IMAGE210
内产生的随机数
Figure DEST_PATH_IMAGE212
满足变异条件，即满足
Figure DEST_PATH_IMAGE214
时，基于IAV算法，对主群的粒子位置进行再次更新，更新公式如下所示：
Figure DEST_PATH_IMAGE216
其中，
Figure DEST_PATH_IMAGE218
表示在区间
Figure 486908DEST_PATH_IMAGE150
内产生的随机数；
Figure 138469DEST_PATH_IMAGE212
表示在区间
Figure 980523DEST_PATH_IMAGE210
内产生的随机数。
步骤3.2.5：粒子群每更新一次速度和位置（即每进行一次个体极值更新与群体极值更新），则对BP神经网络的权值和阈值进行一次更新；
将当前粒子群迭代更新产生的粒子适应度值与上一代粒子群迭代更新产生的粒子适应度值进行实时比较；当前粒子群迭代更新产生的粒子适应度值小于上一代粒子群迭代更新产生的粒子适应度值时，继续进行个体极值更新与群体极值更新，反之则进入终止条件的判断过程；
判断粒子群更新的迭代数是否满足预设的终止条件，若粒子群更新的迭代数满足终止条件则停止更新，BP神经网络权值和阈值也停止更新，获取到最优权值和阈值；若粒子群更新的迭代数不满足终止条件，则返回步骤3.2继续对BP神经网络的权值和阈值进行更新。
步骤4：故障表征；将处理得到的拖拉机运行参数数据输入步骤3建立的故障诊断模型中，获取诊断结果，即实际输出；建立故障诊断类型与期望输出对应表，将实际输出与期望输出进行对比，获取具体的故障类型。
传统的故障诊断方法中，一般采用PSO算法优化BP神经网络，进而建立故障诊断模型，本发明与之相比，在粒子适应度方面的性能更加优越，具体实验数据与分析如下：
由图3至图6可知，在终止迭代数均为50的基础上，基于PSO算法优化BP神经网络时，其网络训练次数为1478，粒子群的粒子最终适应度为0.141，而本发明基于IAV-NIWD-QMPCPSO算法优化BP神经网络，其网络的训练次数为66，粒子群的粒子最终适应度为0.121，由此可见，本发明所建立的故障诊断模型性能更加优越。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换均属于本发明的保护范围。

Claims (10)

1.一种拖拉机故障诊断方法，其特征在于，包括如下步骤：
步骤1：数据采集单元通过拖拉机CAN总线采集拖拉机相关参数数据，并对采集到的参数数据进行筛选解析，获取与拖拉机故障相关性较大的参数数据；
步骤2：故障诊断单元对解析后得到的参数数据进行预处理；
步骤3：建立基于IAV-NIWD-QMPCPSO算法的故障诊断模型，进行故障诊断：
步骤3.1：建立8-8-5-5的4层BP神经网络拓扑结构，包括输入层、第一隐含层、第二隐含层和输出层，向输入层中输入学习样本，最终对应有相应的期望输出和实际输出；初始化BP神经网络的各层节点数、权值、阈值；
步骤3.2：利用IAV-NIWD-QMPCPSO算法对BP神经网络进行优化；
步骤3.2.1：确定IAV-NIWD-QMPCPSO算法中的粒子维度；
步骤3.2.2：划分IAV-NIWD-QMPCPSO主群和从群；
步骤3.2.3：确定粒子适应度函数；
步骤3.2.4：对主群、从群中的粒子进行速度及位置更新：
对PSO算法惯性权重进行优化，惯性权重
Figure FDA0003260102270000011
的更新公式如下：
Figure FDA0003260102270000012
其中，
Figure FDA0003260102270000013
表示最大惯性权重；
Figure FDA0003260102270000014
表示最小惯性权重；T表示迭代次数；t表示第t次迭代；
在从群粒子速度更新公式、主群粒子速度更新公式、从群粒子位置更新公式、主群粒子位置更新公式中均引入惯性权重来对粒子进行迭代更新；
当区间[0，t]内产生的随机数α满足变异条件，即满足
Figure FDA0003260102270000015
时，基于IAV算法，对主群中的粒子位置进行再次更新，更新公式如下：
Figure FDA0003260102270000016
α＝rand[0，t]
其中，r5表示在区间[0，1]内产生的随机数；α表示在区间[0，t]内产生的随机数；xk(t+1)表示更新后主群中粒子的位置；
步骤3.2.5：粒子群每更新一次速度和位置，则对BP神经网络的权值和阈值进行一次更新；当前粒子群迭代更新产生的粒子适应度值小于上一代粒子群迭代更新产生的粒子适应度值时，继续进行个体极值更新与群体极值更新，反之则进入终止条件的判断过程；
粒子群更新迭代数满足终止条件则停止更新，BP神经网络获取到最优的权值和阈值；反之则返回步骤3.2继续对BP神经网络的权值和阈值进行更新；
步骤4：将处理得到的拖拉机运行参数数据输入步骤3建立的故障诊断模型中，获取实际输出；建立故障诊断类型与期望输出对应表，将实际输出与期望输出进行对比，获取故障类型。
2.根据权利要求1所述的拖拉机故障诊断方法，其特征在于，所述步骤3.2.4中，从群中粒子速度更新公式如下：
Figure FDA0003260102270000021
其中，v(t+1)表示更新后从群中粒子的速度；v(t)表示从群中当前粒子的速度；c1、c2均表示粒子的加速度常数；r1、r2均表示区间[0，1]内的随机数；x(t)表示从群中当前粒子的位置；p1(t)表示从群中当前粒子到目前为止出现的最优位置；p2(t)表示从群中所有粒子到目前为止出现的最优位置。
3.根据权利要求2所述的拖拉机故障诊断方法，其特征在于，所述主群中粒子速度更新公式如下：
v(k)＝v(k)+c1r1(p(k)-x(k))+δc2r2(p1(k)-x(k))+(1-δ)c3r3(p1(q)-x(k))
其中，v(k)表示主群中当前粒子的速度；c3表示学习因子；r3表示区间[0，1]内的随机数；x(k)表示主群中当前粒子的位置；p(k)表示主群中当前粒子所经历的最优位置；p1(q)表示从群中的最优粒子；q表示从群；p1(k)表示主群中的最优粒子；k表示主群；δ表示各种群的参与度。
4.根据权利要求3所述的拖拉机故障诊断方法，其特征在于，所述各种群的参与度δ的值计算如下：
Figure FDA0003260102270000031
其中，gbestk表示由p1(k)确定的适应度值；gbestq表示由p1(q)确定的适应度值。
5.根据权利要求1所述的拖拉机故障诊断方法，其特征在于，所述步骤3.2.4中，从群中粒子位置更新公式如下：
Figure FDA0003260102270000032
其中，x(t+1)表示更新后从群中粒子的位置；pibest表示从群中第i个粒子的个体最优位置；N表示粒子总数；u表示区间[0，1]内的随机数；r3表示区间[0，1]内的随机数；x(t)表示从群中当前粒子的位置；p1(t)表示从群中当前粒子到目前为止出现的最优位置；p2(t)表示从群中所有粒子到目前为止出现的最优位置。
6.根据权利要求5所述的拖拉机故障诊断方法，其特征在于，所述主群中粒子的位置更新公式如下：
Figure FDA0003260102270000033
其中，xk(t+1)表示更新后主群中粒子的位置；a、r4分别表示区间[0，1]内产生的两个互不相同的随机数；xk(t)表示主群中当前粒子的位置；
Figure FDA0003260102270000034
表示主群中第i个粒子的个体最优位置；p(k)表示主群中当前粒子所经历的最优位置；p1(k)表示主群中的最优粒子。
7.根据权利要求1所述的拖拉机故障诊断方法，其特征在于，所述步骤2中的预处理为非线性归一化预处理，预处理公式如下：
Figure FDA0003260102270000041
其中，y表示归一化处理后的参数数据；ymax表示归一化预期范围最大值；ymin表示归一化预期范围最小值；xmax表示每一行参数数据中的最大值；xmin表示每一行参数数据中的最小值；V表示实际参数值。
8.根据权利要求1所述的拖拉机故障诊断方法，其特征在于，所述步骤1中，对参数数据进行解析的公式如下：
V＝Rx+Offset
其中，V表示实际参数值；R表示参数分辨率；x表示输入参数值；Offset表示偏移量；
所述步骤3.2.1中，粒子维度的计算公式如下：
L＝nh1+h1+h1h2+h2+h2m+m
其中，L表示粒子维度，m表示输入层节点数；n表示输出层节点数；h1表示第一隐含层节点数；h2表示第二隐含层节点数；
所述步骤3.2.3中，粒子适应度函数fitness的计算公式如下：
Figure FDA0003260102270000042
其中，rc表示第c个粒子的期望输出；yc表示第c个粒子的实际输出；N表示粒子总数。
9.根据权利要求1所述的拖拉机故障诊断方法，其特征在于，所述步骤1的具体过程如下：
数据采集单元将获取到的CAN报文数据转化为字符串，通过正则表达式提取8位十六进制CAN-ID数据和16位十六进制CAN报文数据；通过字符串的字符顺序筛选出所需要的8位十六进制CAN-ID数据的中间4位有效标识符以及16位十六进制CAN报文数据；
数据采集单元通过通信单元将筛选后的数据传递至云端服务器，云端服务器通过通信单元将数据进一步传递至故障诊断单元；故障诊断单元读取4位有效标识符，将4位有效标识符与车辆不同参数的标识符进行对比，据此识别不同参数类型；将符合车辆不同参数标识符的报文数据筛选出，解析报文数据，获得与拖拉机故障相关性较大的参数数据流。
10.一种基于权利要求1至9中任一项所述拖拉机故障诊断方法的故障诊断系统，其特征在于，包括数据采集单元、通信单元、云端服务器、故障诊断单元；数据采集单元通过CAN总线获取拖拉机内各传感器检测到的拖拉机运行参数数据，数据采集单元通过通信单元与云端服务器信号连接，云端服务器通过通信单元与故障诊断单元信号连接；
数据采集单元包括人工智能开发板、双通道隔离型CAN总线扩展板，双通道隔离型CAN总线扩展板为人工智能开发板提供CAN总线接口，二者共同组成CAN网络节点；通信单元采用5G网络实现数据传输；故障诊断单元中建立有基于IAV-NIWD-QMPCPSO算法的故障诊断模型。
CN202110892020.4A 2021-08-04 2021-08-04 一种新型拖拉机故障诊断系统及故障诊断方法 Active CN113344169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110892020.4A CN113344169B (zh) 2021-08-04 2021-08-04 一种新型拖拉机故障诊断系统及故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110892020.4A CN113344169B (zh) 2021-08-04 2021-08-04 一种新型拖拉机故障诊断系统及故障诊断方法

Publications (2)

Publication Number Publication Date
CN113344169A CN113344169A (zh) 2021-09-03
CN113344169B true CN113344169B (zh) 2021-10-29

Family

ID=77480607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110892020.4A Active CN113344169B (zh) 2021-08-04 2021-08-04 一种新型拖拉机故障诊断系统及故障诊断方法

Country Status (1)

Country Link
CN (1) CN113344169B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070132A (zh) * 2024-04-24 2024-05-24 沈阳顺义科技股份有限公司 一种基于kpca-issa-svm的火控系统故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112631261A (zh) * 2021-02-08 2021-04-09 南京农业大学 一种大功率拖拉机远程故障诊断系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112631261A (zh) * 2021-02-08 2021-04-09 南京农业大学 一种大功率拖拉机远程故障诊断系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fault Diagnosis of High-Power Tractor Engine Based on Competitive Multiswarm Cooperative Particle Swarm Optimizer Algorithm;Maohua Xiao等;《Shock and Vibration》;20200803;第1~13页 *
一种动态调整惯性权重的混合粒子群算法;胡堂清等;《电光与控制》;20200615;第27卷(第6期);第1~6页 *

Also Published As

Publication number Publication date
CN113344169A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN110287552B (zh) 基于改进随机森林算法的电机轴承故障诊断方法及系统
CN109766921A (zh) 一种基于深度领域自适应的振动数据故障分类方法
CN115412947B (zh) 一种基于数字孪生与ai算法的故障仿真方法和系统
CN106912067B (zh) 一种基于模糊神经网络的wsn无线通信模块故障诊断方法
CN109060398B (zh) 一种多源信息设备故障诊断方法
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN113869145B (zh) 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统
CN117078048B (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN113132399A (zh) 一种基于时间卷积网络和迁移学习的工业控制系统入侵检测方法
CN113344169B (zh) 一种新型拖拉机故障诊断系统及故障诊断方法
CN115051929A (zh) 基于自监督目标感知神经网络的网络故障预测方法及装置
CN103838820A (zh) 基于近邻传播的进化多目标优化社区检测方法
CN111477336A (zh) 传染病诊断数据的融合方法、系统及存储介质
CN117326420A (zh) 一种基于图像识别的联动电梯故障识别、诊断方法
CN112706001A (zh) 一种基于边缘数据处理和BiGRU-CNN网络的机床刀具磨损预测方法
CN115567269A (zh) 基于联邦学习与深度学习的物联网异常检测方法及系统
CN114564513A (zh) 基于神经网络的海雾预测方法、装置、设备及存储介质
CN116756225B (zh) 一种基于计算机网络安全的态势数据信息处理方法
CN113158555A (zh) 一种基于专家系统和随机森林分类器的重型燃机控制系统模拟量输入模块bit设计方法
CN116502709A (zh) 一种异质性联邦学习方法和装置
CN111626324A (zh) 基于边缘计算的海底观测网数据异构解析集成方法
CN111711530A (zh) 基于社区拓扑结构信息的链接预测算法
CN116070669A (zh) 一种基于改进深度置信网络的车间能耗预测方法与管理系统
CN115659323A (zh) 一种基于信息熵理论结合卷积神经网络的入侵检测方法
CN111008584B (zh) 一种模糊自组织神经网络的电能质量量测缺失修复方法

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