CN114021474B - 基于改进灰狼算法优化的继电器寿命预测方法 - Google Patents
基于改进灰狼算法优化的继电器寿命预测方法 Download PDFInfo
- Publication number
- CN114021474B CN114021474B CN202111361020.8A CN202111361020A CN114021474B CN 114021474 B CN114021474 B CN 114021474B CN 202111361020 A CN202111361020 A CN 202111361020A CN 114021474 B CN114021474 B CN 114021474B
- Authority
- CN
- China
- Prior art keywords
- wolf
- population
- algorithm
- optimal
- life prediction
- 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
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000000463 material Substances 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 19
- 241000282421 Canidae Species 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于改进灰狼算法优化的继电器寿命预测方法,包括步骤1获取建立训练样本所需的材料性能参数;步骤2将需要优化的初始权值和初始阈值获得的父代种群中狼位置的取值进行初始化;步骤3:采用灰狼算法优化,不断地对父代种群进行迭代更新,直到满足停止条件,此时获得的代种群中狼最优位置的取值;步骤4:建立BP神经网络,通过将不同结果的BP神经网络进行对比,得出最优模型;步骤5:将灰狼算法提取到的重要信息作为BP神经网络的输入,通过吸合时间和超程时间作为输入量和输出量,建立电磁继电器的寿命预测模型;步骤6:通过计算均方根误差,将实际值与测试值进行对比,清晰地表示预测精度。本发明计算速度快且预测精度高。
Description
技术领域
本发明涉及一种电磁继电器寿命预测方法,具体的说是涉及一种改进灰狼算法优化的继电器寿命预测方法。
背景技术
电磁继电器属于机电一体化器件,包括电磁和机械传动两个组成部分,结构比较复杂,而且电磁继电器制造过程中有些装配调整还需要通过手工操作完成,因此,与其他电子元件相比,电磁继电器的使用可靠性要差一些。然而,电磁继电器的可靠性直接关乎和影响自动控制系统以及电子设备性能的可靠性,对电磁继电器可靠性研究已成为人们和学术界关注的焦点。
目前存在多种继电器寿命预测方法,在继电器的寿命预测方法方面,国内外学者有过很多探索。针对非平稳时间序列,翟国富等提取了超程时间和吸合时间的平稳项和趋势项,建立了2种模型,分别对平稳项和趋势项进行预测,进而提出了超程时间和吸合时间双变量预测模型;李华等将超程时间数据划分为多个区间,求得各区间平均超程时间作为测试集,在此基础上建立超程时间回归模型,并通过参数动态更新以提高预测精度;李玲玲等分析了继电器生命初态信息与其寿命的关联性,得到了初态信息与寿命之间的联系,提出基于粗糙集理论的预测方法;为提高非平稳时间序列的预测精度,李志刚等使用改进的小波包变换将超程时间分解为平稳项和随机项,并建立了自回归模型和基于相空间重构的径向基神经网络模型,分别对平稳项和随机项进行预测,提高了预测精度;Zhou等通过监测线圈电流和触点电流,得到超程时间、吸合时间和线圈电流3个参数,分析了各参数所表示的特征,为继电器潜在的故障提供了有效的监测手段;张菲菲等分析了超程时间和吸合时间随继电器动作次数的变化趋势,并选取吸合时间和超程时间作为预测变量,建立了基于BP神经网络的预测模型,取得了较好的预测结果;李文华等使用因子分析法对接触压降和释放电压交叉数据进行降维处理,建立两者与接触电阻的回归模型,使用函数链神经网络实现了继电器寿命的预测,但神经网络预测精度取决于训练过程中的参数设定以及样本数量,且训练过程较消耗时间。
综上所示,现有的继电器失效寿命预测方法计算速度慢,并且预测精度不高。
发明内容
为了解决上述问题,本发明提供了一种基于灰狼算法优化的继电器寿命预测方法,该方法使用最小二乘支持向量回归算法对继电器的剩余寿命进行预测,并且使用了差分进化(DE)算法对原始的灰狼(GWO)算法进行优化,提高原算法的搜索和收敛速度,然后使用改进后的基于差分进化算法优化的灰狼算法(DE-GWO)对最小二乘支持向量回归中的惩罚参数C和核函数参数σ进行参数寻优,进一步提高了模型的拟合能力。
为了达到上述目的,本发明是通过以下技术方案实现的:
本发明是一种基于改进灰狼算法优化的继电器寿命预测方法,其特征在于:所述继电器寿命预测方法包括如下步骤:
步骤1:对电磁继电器进行失效退化试验,获取建立训练样本所需的材料性能参数;
步骤2:将需要优化的初始权值和初始阈值获得的父代种群中狼位置的取值进行初始化,通过灰狼算法对初始权值和初始阈值进行优化,可以大大提升BP神经网络的寻优性能,避免发生收敛速度过慢、陷入局部最优、稳定性差或者过学习、欠学习等问题。
步骤3:采用灰狼算法优化,不断地对父代种群进行迭代更新,直到满足停止条件,此时获得的代种群中狼最优位置的取值即为最优的参数C、σ。
此步骤中灰狼算法优化的具体过程为:
步骤3-1:初始化模型训练参数和初始化种群,其中优化参数为C和α,且这个两个参数构成了每个狼体X;
步骤3-2:计算每个个体的适应度值,并且将每个个体按照适应度值从小到大的顺序进行排序,选取前三的个体Xα、Xβ、Xδ作为上层狼;
步骤3-3:更新父代种群狼的位置,狼群种群捕食过程中的个体位置更新公式为:
d=|C·XP(t)-X(t)| (1)
X(t+1)=XP(t)-A·d (2)
式中:d为灰狼和猎物之间的距离;C、A为系数向量;XP(t)为第t轮迭代中的猎物位置;X(t)为第t轮迭代中灰狼位置;X(t+1)为第t+1轮迭代更新完成后的新的灰狼位置,系数向量A、C由以下公式确定:
A=2·α·r1-α
C=2·r2
式中:r1和,2为[0,1]的随机向量;α为收敛因子,随着迭代次数t从2~0线性递减。
步骤3-4:利用差分算法对狼群进行变异和交叉更新,获得新的子代狼群;,其中群体变异操作如下所示:
式中:Vi(τ)表示α狼与经过缩放因子M调整的β狼与δ狼之间差分向量进行叠加后的变异个体狼的位置;M为缩放因子;r1≠r2≠r3≠i并且代表第几个个体,即:α、β、δ三个不同个体狼;则分别表示α、β、δ狼的位置;τ=τ1,τ2,...,τmax表示迭代的次数。
其中:群体交叉操作如下所示:
式中:为目标个体与变异矢量产生的中间个体;CR为交叉概率因子;rand(1,d)为[0,1]之间的随机整数;d为样本维数。
步骤3-5:通过确定位置权重ω1、ω2、ω3,选出最优的父代种群,并且根据系数向量公式更新A、C,位置权重ω1、ω2、ω3由下式确定:
6:不断地对种群进行迭代更新,直到满足停止条件,此时获得的父代种群中狼的最优位置的取值为最优的参数C、σ。
建立BP神经网络,通过将不同结果的BP神经网络进行对比,得出最优模型;
步骤5:将灰狼算法提取到的重要信息作为BP神经网络的输入,通过吸合时间和超程时间作为输入量和输出量,建立电磁继电器的寿命预测模型。
步骤6:通过计算均方根误差,将实际值与测试值进行对比,清晰地表示预测精度。
本发明的有益效果是:本发明改进了灰狼算法,基于现有GWO算法只能在一定程度上缓解陷入局部极值的问题,引入了差分进化算法,采用差分算法对原始灰狼算法中的狼群的最佳位置进行更新,该方法通过对具有不同差异性的种群个体进行变异、交叉以及筛选等操作进行种群的更新,获取全局最优解,不仅避免了原始灰狼算法陷入局部最优解的问题,还能提高算法的搜索和收敛速度。
本发明将灰狼优化算法与BP神经网络相结合,通过灰狼优化算法大大提升BP神经网络的寻优性能,避免该类问题的发生,通过吸合时间和超程时间作为输入量和输出量,可以直观地显示出电磁继电器的寿命状况。
附图说明
图1是本发明寿命预测方法流程图。
图2是本发明BP神经网络基本拓扑结构图。
具体实施方式
以下将以图式揭露本发明的实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本发明。也就是说,在本发明的部分实施方式中,这些实务上的细节是非必要的。
本发明是一种基于改进灰狼算法优化的继电器寿命预测方法,所述继电器寿命预测方法包括如下步骤:
步骤1:对电磁继电器进行失效退化试验,获取建立训练样本所需的材料性能参数,性能参数有接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间、释放时间、回跳时间等。
步骤2:将需要优化的初始权值和初始阈值获得的父代种群中狼位置的取值进行初始化,对初始权值和初始阈值进行优化,可以大大提升BP神经网络的寻优性能,避免发生收敛速度过慢、陷入局部最优、稳定性差或者过学习、欠学习等问题。
步骤3:采用灰狼算法优化,不断地对父代种群进行迭代更新,直到满足停止条件,此时获得的代种群中狼最优位置的取值即为最优的参数C、σ。
通过对不同差异性的种群个体进行变异、交叉以及筛选等操作进行种群的更新,获得全局最优解,避免了原始灰狼算法陷入局部最优解的问题,还能够提高算法的搜索和收敛速度。
灰狼优化算法是受到灰狼捕食猎物活动的启发而开发出来的一种群体智能优化搜索方法,该算法的收敛性能强,参数少并且算法实现简便。该算法通过将群体中的狼按照种群解的优先等级为α、β、γ、δ四种类型,并按照搜寻、围捕和攻击猎物的方式划分捕食机理。为了将γ狼引导向最优的方向,利用前三个表现最好的狼α、β、δ在种群搜索空间中进行方向搜索。并且在持续迭代搜寻的过程中寻找最优的解。灰狼种群捕食过程中的个体位置更新公式为:
d=|C·XP(t)-X(t)| (1)
X(t+1)=XP(t)-A·d (2)
式中:d为灰狼和猎物之间的距离;C、A为系数向量;XP(t)为第t轮迭代中的猎物位置;X(t)为第t轮迭代中灰狼位置;X(t+1)为第t+1轮迭代更新完成后的新的灰狼位置。
C、A由以下公式确定:
A=2·α·r1-α
C=2·r2
式中:r1和r2为[0,1]的随机向量;α为收敛因子,随着迭代次数t从2~0线性递减。
当确定了猎物的位置后,γ狼会根据α.β.δ狼的位置判断猎物的位置并且不断向猎物位置靠近。
X1=Xα-A1·dα (4)
X2=Xβ-A2·dβ (5)
式中:X1.X2.X3为当前迭代轮数下更新的α.β、γ狼的位置,由公式(2)计算得到;da、dβ、dδ为三头狼与猎物间的距离;A1.A2.A3为随机系数向量,由公式(3)计算得出;t为迭代次数;X(t+1)为第t轮迭代更新完成后的新的γ狼的位置;位置权重ω1.ω2.ω3由式(7)确定:
在D维空间中,P表示种群,可得到如下定义:
P={X1、X2、……、Xk、……、Xs} (8)
式中:k表示第k个个体,k=1,2...;s表示样本群的规模,p=1,2...,Xk表示第k个个体。
首先,在搜索空间中随机生成初始化的种群:
式中:代表第k个个体的第p个分量;上界代表第k个个体的第p个分量;下界rand(0,1)表示[0,1]之间的随机数。
群体变异操作如下所示:
式中:Vi(τ)表示α狼与经过缩放因子M调整的β狼与δ狼之间差分向量进行叠加后的变异个体狼的位置;M为缩放因子;r1≠r2≠r3≠i并且代表第几个个体,即:α、β、δ三个不同个体狼;则分别表示α、β、δ狼的位置;τ=τ1,τ2,...,τmax表示迭代的次数。
群体交叉操作如下所示:
式中:为目标个体与变异矢量产生的中间个体;CR为交叉概率因子;rand(1,d)为[0,1]之间的随机整数;d为样本维数。
群体选择操作如下所示:
式中:f是适应度函数;Xk(τ+1)为选取经适应度函数f评估后的第τ轮迭代过程中的个体Xk以及交叉变异后的个体Uk中最好的个体,作为下一代个体。
步骤4:建立BP神经网络,通过将不同结果的BP神经网络进行对比,得出最优模型。
在继电器的寿命预测中,将已测继电器寿命的特征参数作为样本数据进行归一化处理,设置隐含层节点数、迭代次数、学习率等参数,然后进行网络训练;再将预测数据进行归一化和反归一化处理,得出继电器寿命的预测结果。BP神经网络实现了从输入到输出的网络映射,能够以任意精度逼近任何非线性连续函数,具备一定的容错能力,对于预测继电器寿命这种复杂的非线性问题具有不可替代的优势。
步骤5:将灰狼算法提取到的重要信息作为BP神经网络的输入,通过吸合时间和超程时间作为输入量和输出量,建立电磁继电器的寿命预测模型。
吸合时间作为电磁继电器贮存过程中的敏感参数直接显示了电磁继电器的动态性能,超程时间可以反映触点超程的变化,建立对电磁继电器的伪贮存寿命预测模型进行预测,从而进行对继电器的寿命预测。
步骤6:通过计算均方根误差,将实际值与测试值进行对比,清晰地表示预测精度。
采用计算均方根误差分析法。均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根,在实际测量中,观测次数n总是有限的,真值只能用最可信赖(最佳)值来代替。标准误差对一组测量中的特大或特小误差反映非常敏感,所以,标准误差能够很好地反映出测量的精密度。
将实际值与测试值进行对比。其均方根误差计算公式为:
下面以哈尔滨工业大学设计的CES-2000触点材料电性能模拟实验系统所测的实验数据为例,给出了该实施例子的具体步骤:
步骤1:设置初始实验条件,继电器的参数如下:
参数 | 值 |
额定线圈电压/VDC | 12 |
额定触点电流/A | 30 |
触点材料 | AgSnO2(12) |
转化类型 | 1H |
磁间隙/mm | 1.20 |
触点开距/mm | 0.67 |
反力弹簧弹性系数K(N/cm) | 4 |
反力弹簧拉伸长度L/mm | 1.50 |
静压力FS/N | 0.87 |
设置完毕实验参数后,测试原继电器在额定线圈电压12V、阻性负载10V/10A条件下的线圈电流和触点电压波形,通过上位机采集数据信号。得出实验获取建立训练样本所需的材料性能参数,如接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间、释放时间等。
步骤2:选取超程时间和吸合时间,将需要优化的超程时间和吸合时间作为获得的父代种群中狼位置的取值进行初始化。
步骤3:采用灰狼算法优化,不断地对种群进行迭代更新,直到满足停止条件,此时获得的代种群中狼最优位置的取值即为最优的参数C、σ。
步骤4:建立BP神经网络,通过将不同结果的BP神经网络进行对比,采用基于改进灰狼算法优化的继电器寿命预测方法,得出最优模型。
步骤5:将灰狼算法提取到的重要信息作为BP神经网络的输入,通过吸合时间和超程时间作为输入量和输出量,建立电磁继电器的寿命预测模型。
步骤5:设置失效阈值即寿命终结点,根据实验波形得出,这里接触电阻的失效阈值大概设置为50mΩ,超程时间大概设置为10us。选择不同区间的测试样本,这里可以选不同时间段数据进行测试,如取接触电阻值上升较为陡峭的数据时间点为初始预测点,然后在选取较为缓和上升的数据时间点为初始预测点,使得初始预测时间点不同,预测到达失效阈值的退化曲线。
步骤6:吸合时间和超程时间随时间的变化来显示在贮存过程中电磁继电器的性能退化过程。本实验以间隔48h采集的共100组电磁继电器吸合时间与超程时间数据为依据,构建灰熊优化-BP神经网络模型来实现预测。选取100组数据中的前80组作为训练集用于预测模型的训练,将剩下的20组原始数据作为测试数据,将模型输出数据与其对比,计算其均方误差来清晰地表示预测精度。
本发明主要分为三个部分,第一部分是对电磁继电器进行失效退化试验,获取材料性能参数,选取价值率较高的参考量,剔除价值率较低的量。第二部分是将需要优化的初始权值和初始阈值初始化,采用灰狼优化算法对种群进行迭代更新,获取最优的参数C、σ。第三部分是建立BP神经网络,通过将不同结果的BP神经网络进行对比,得出最优模型。将灰狼算法提取到的重要信息作为BP神经网络的输入,通过吸合时间和超程时间作为输入量和输出量,建立电磁继电器的寿命预测模型。最后通过误差分析,表示出预测精度
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (3)
1.一种基于改进灰狼算法优化的继电器寿命预测方法,其特征在于:所述继电器寿命预测方法包括如下步骤:
步骤1:对电磁继电器进行失效退化试验,获取建立训练样本所需的材料性能参数,性能参数有接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间、释放时间、回跳时间;
步骤2:将需要优化的初始权值和初始阈值获得的父代种群中狼位置的取值进行初始化;
步骤3:采用灰狼算法优化,不断地对父代种群进行迭代更新,直到满足停止条件,此时获得的代种群中狼最优位置的取值即为最优的参数C、σ;
步骤4:建立BP神经网络,通过将不同结果的BP神经网络进行对比,得出最优模型;
步骤5:将灰狼算法提取到的重要信息作为BP神经网络的输入,通过吸合时间和超程时间作为输入量和输出量,建立电磁继电器的寿命预测模型;
步骤6:通过计算均方根误差,将实际值与测试值进行对比,清晰地表示预测精度,其中,
所述步骤3中灰狼算法优化的具体过程为:
步骤3-1:初始化模型训练参数和初始化种群,其中优化参数为C和α,且这个两个参数构成了每个狼体X;
步骤3-2:计算每个个体的适应度值,并且将每个个体按照适应度值从小到大的顺序进行排序,选取前三的个体Xα、Xβ、Xδ作为上层狼;
步骤3-3:更新父代种群狼的位置,狼群种群捕食过程中的个体位置更新公式为:
d=|C·XP(t)-X(t)| (1)
X(t+1)=XP(t)-A·d (2)
式中:d为灰狼和猎物之间的距离;C、A为系数向量;XP(t)为第t轮迭代中的猎物位置;X(t)为第t轮迭代中灰狼位置;X(t+1)为第t+1轮迭代更新完成后的新的灰狼位置;
步骤3-4:利用差分算法对狼群进行变异和交叉更新,获得新的子代狼群;
步骤3-5:通过确定位置权重ω1、ω2、ω3,选出最优的父代种群,并且根据系数向量公式更新A、C;
步骤3-6:不断地对种群进行迭代更新,直到满足停止条件,此时获得的父代种群中狼的最优位置的取值为最优的参数C、σ;
所述步骤3-3中的系数向量A、C由以下公式确定:
A=2·α·r1-α
C=2·r2
式中:r1和r2为[0,1]的随机向量;α为收敛因子,随着迭代次数t从2~0线性递减;
所述步骤3-4中,群体变异操作如下所示:
式中:Vi(τ)表示α狼与经过缩放因子M调整的β狼与δ狼之间差分向量进行叠加后的变异个体狼的位置;M为缩放因子;r1≠r2≠r3≠i并且代表第几个个体,即:α、β、δ三个不同个体狼;则分别表示α、β、δ狼的位置;τ=τ1,τ2,...,τmax表示迭代的次数;
所述步骤3-4中,群体交叉操作如下所示:
式中:为目标个体与变异矢量产生的中间个体;CR为交叉概率因子;rand(1,d)为[0,1]之间的随机整数;d为样本维数。
2.根据权利要求1所述基于改进灰狼算法优化的继电器寿命预测方法,其特征在于:所述步骤3-5中的位置权重ω1、ω2、ω3由下式确定:
3.根据权利要求1所述基于改进灰狼算法优化的继电器寿命预测方法,其特征在于:所述步骤6中的均方根误差的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361020.8A CN114021474B (zh) | 2021-11-17 | 2021-11-17 | 基于改进灰狼算法优化的继电器寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361020.8A CN114021474B (zh) | 2021-11-17 | 2021-11-17 | 基于改进灰狼算法优化的继电器寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021474A CN114021474A (zh) | 2022-02-08 |
CN114021474B true CN114021474B (zh) | 2024-06-28 |
Family
ID=80064781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361020.8A Active CN114021474B (zh) | 2021-11-17 | 2021-11-17 | 基于改进灰狼算法优化的继电器寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021474B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841472B (zh) * | 2022-06-28 | 2022-10-11 | 浙江机电职业技术学院 | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 |
CN115203859B (zh) * | 2022-08-03 | 2024-04-16 | 哈尔滨工业大学 | 一种磁保持极化继电器全寿命周期稳健参数寻优方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581829A (zh) * | 2020-05-11 | 2020-08-25 | 辽宁大学 | 一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法 |
CN111723945A (zh) * | 2020-06-03 | 2020-09-29 | 杭州欣禾圣世科技有限公司 | 一种基于改进灰狼算法的bp神经网络优化方法 |
CN111864690A (zh) * | 2020-07-24 | 2020-10-30 | 贵州电网有限责任公司 | 一种基于差分-花粉算法的反时限过流定值优化方法 |
-
2021
- 2021-11-17 CN CN202111361020.8A patent/CN114021474B/zh active Active
Non-Patent Citations (2)
Title |
---|
GWO-BP Neural Network Based OP Performance Prediction for Mobile Multiuser Communication Networks;Lingwei Xu;《IEEE Access》;20191021;152690 - 152700 * |
新型消费者信心预测指数的模型设计――基于DEGWO差分算法;杨学分;;保山学院学报;20200215(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114021474A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021474B (zh) | 基于改进灰狼算法优化的继电器寿命预测方法 | |
JP5888375B2 (ja) | データ処理装置、データ処理方法、およびプログラム | |
CN109992608B (zh) | 一种基于频域的多模型融合预测方法和系统 | |
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 | |
CN109657147B (zh) | 基于萤火虫和加权极限学习机的微博异常用户检测方法 | |
CN112580471A (zh) | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 | |
CN110087207A (zh) | 无线传感器网络缺失数据重建方法 | |
CN112629841A (zh) | 一种继电器寿命预测的方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
Tongta et al. | Long short-term memory (LSTM) neural networks applied to energy disaggregation | |
CN108955689A (zh) | 基于自适应细菌觅食优化算法的rbpf-slam方法 | |
CN118246599A (zh) | 一种气体绝缘全封闭组合电器设备风险评估方法、系统及介质和设备 | |
Abbas et al. | Volterra-system identification using adaptive real-coded genetic algorithm | |
CN117574057A (zh) | 一种立式水泵机组智能故障诊断方法 | |
Figueiredo et al. | On the regularization parameter selection for sparse code learning in electrical source separation | |
CN114661783B (zh) | 一种基于用电行为的生活状态检测方法 | |
CN116358872A (zh) | 一种基于深度学习的轴承剩余寿命预测方法 | |
Sofronov et al. | Sequential change-point detection via the cross-entropy method | |
CN112801123A (zh) | 一种频域分布一致性的小样本用户用电数据扩充方法 | |
CN114414951A (zh) | 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统 | |
Tang et al. | Winding deformation identification using a particle swarm optimiser with passive congregation of power transformes | |
Shi et al. | Optimal Test Point Placement Based on Fault Diagnosability Quantitative Evaluation | |
CN117828314B (zh) | 充电枪绝缘电阻测试方法、装置、设备及存储介质 | |
JP2019160072A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN117973230B (zh) | 一种多点频域振动响应预测方法、介质和设备 |
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 |