CN116755335A - 液压关键元件智能监测平台 - Google Patents

Abstract

本发明公开液压关键元件智能监测平台，涉及设备监测技术领域，包括在线状态监控系统；在线状态监控系统：包括数据采集模块与在线监测软件；数据采集模块：通过传感器实现对液压系统相关的关键监控参量进行采样，并将采集到的信息输送至上位机的在线监测软件；在线监测软件：在线监测软件包括信息采集处理功能模块，信息采集处理功能模块对采集的数据进行分析、判断、并记录到数据库中，并以收集得到的数据构建ELM模型；通过DA更新ELM模型的关键性参数组合，优化ELM模型，重新组合成为DA‑ELM模型；本发明实现了对液压润滑系统进行监测，有效的了解液压润滑系统的运行状态，避免液压润滑系统出现问题。

Description

液压关键元件智能监测平台

技术领域

本发明涉及设备监测技术领域，具体涉及液压关键元件智能监测平台。

背景技术

精锻生产线是一种快速精密锻压设备，由几个对称锤头对金属坯料进行高频率锻打的短冲程压力机组成。精锻生产线的液压润滑系统缺少监测系统，不能有效对精锻生产线中的液压润滑系统进行监测，长期会导致精锻生产线中的液压润滑系统易出现一系列问题，现也有采用ELM算法模型对相关的系统进行监测，但ELM算法模型检测模式的分析精确度较低，ELM算法模型在练习测试时易出现盲目诊断，影响监测的准确性。

鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。

发明内容

本发明的目的在于提供液压关键元件智能监测平台，解决了精锻生产线的液压润滑系统缺少监测系统以及ELM算法模型检测模式的分析精确度较低的问题。

本发明是通过以下技术方案解决上述技术问题的，本发明包括在线状态监控系统；

在线状态监控系统：包括数据采集模块与在线监测软件；

数据采集模块：通过传感器实现对液压系统相关的关键监控参量进行采样，并将采集到的信息输送至上位机的在线监测软件；

在线监测软件：在线监测软件包括信息采集处理功能模块，信息采集处理功能模块对采集的数据进行分析、判断、并记录到数据库中，并以收集得到的数据构建ELM模型；

通过DA更新ELM模型的关键性参数组合，优化ELM模型，重新组合成为DA-ELM模型，并使用DA-ELM模型针对压润滑系统的在线状态监控系统采集到的数据信息进行处理，对液压润滑系统的故障进行判断。

优选的，数据采集模块的采样信号为：开关每隔Ts闭合一下，连接连续函数x(t)，实现一个样本采集，闭合时刻为τ，取样器的脉冲序列的输出为宽度τ、周期为T_s；此刻，该信号则为采样信号，设为x^*(t)，即：

x^*(t)＝x(t)s(t)

式中，s(t)是周期为T_s，脉冲为τ，幅值为1的采样脉冲序列；

由于采样周期T_s远远大于脉冲τ，故可视τ→0，用单位的脉冲序列函数δ_T(t)来说明，因此，理想采样信号是：

x^*(t)＝x(t)δ_T(t)。

优选的，数据采集模块的混叠为：以单位脉冲序列函数δ_T(t)转化为傅立叶级数：

式中，角频率是傅里叶系数/>且由于单位脉冲函数在t＝0处面积为1，在积分区间的其余处为0，知/>即/>代入理想采样信号公式，得：

将上式进行拉氏变换，得：

将拉氏变换中的s用jω取代，得：

由上式可知，连续函数最高频率为ω_max，采样函数有以采样频率ω_s为周期的无限多个频谱，每个频谱宽度仍为2ω_max；当频谱宽度ω_s<2ω_max时，各频谱将相互交叠，发生混叠；因此，为了防止信息混叠现象的出现，频率须符合ω_s>2ω_max，即：

f_s≥2f_max

式中，2f_max为Nyquist取样率，f_max为Nyquist频率。

优选的，数据采集模块的量化误差为：设信息x(t)的最大值为X，再把它分为D个间隙，每个间隙长度为R＝X/D，R则是其量化增量；而量化增量R越大，量化误差就越大，R的大小受幅值大小和A/D转换器的位数决定，即量化误差q为：

式中，ν为信息电压范围，n为A/D转换器的位数。

优选的，DA-ELM模型的建立流程为：

1)处理精锻生产线液压润滑系统的各类样本数据，并以收集得到的数据构建ELM模型，对极限学习机模型各关键参数加以初始化；

2)对ELM模型进行训练；

3)依照比例将在线状态监控系统中取得的数据集分为训练样本集与测试样本集，然后归一化样本数据，并采用训练样本集与测试样本集分别对ELM模型进行训练与测试，并输出测试的分类准确率；

4)对蜻蜓优化算法各参数进行初始化；

5)针对步进向量和位置向量进行初始化更新；为了获得需要的参数组合(W_i,b_i)，把ELM模型的输入权值W_i和藏匿层位移地址b_i的参数组合为集合(W_i,b_i)，都作为蜻蜓优化算法必需为ELM模型优化的参数组合，通过ELM模型随机产生的输入权值和藏匿层偏置来初始化蜻蜓种群；

6)对邻域半径与权重参数θ、s₁、u₁、c₁、f₁、e₁进行初始化；

7)计算顺应度；设计代表测试样本集在(W_i,b_i)时的准确率的顺应度函数为Fitness(W_i,b_i)＝Fitness_test(W_i,b_i)；顺应度值按照蜻蜓的行动不断更新，计算全部目标的顺应度值，在这一过程中会不断得到新的顺应度值，将这些新获取的参数值与原本的值作比较，若是新的顺应度值比原先的小，那么就保留原值，反之则更新函数值为获取到的新参数；存储顺应度值更新至最优时的参数组合(W_i,b_i)；

8)通过DA更新关于ELM算法诊断的关键性参数组合，进一步优化了该诊断模型，重新组合成为DA-ELM模型，并使用该模型针对精锻生产线液压润滑系统的在线状态监控系统采集到的数据信息进行处理，得到DA-ELM模型的分类结果。

优选的，样本数据进行归一化处理公式为：

式中，x′_i为经归一化后的变量特征值；x_i为第i个变量特征值；x_max为x_i中的最大值；x_min为x_i中的最小值。

优选的，在蜻蜓优化算法中，使用步进向量ΔP和位置向量P来进一步确保搜寻结果，更新公式为：

式中，s₁为割裂权重，u₁为结队权重，c₁为缔盟权重，f₁为猎食影响因子，e₁为仇敌影响因子，θ为惯性权重；S_i是经过分隔后，第i个目标的方位；U_i是在结队完成后的第i个目标方位；C_i是全体目标聚合后的第i个目标在聚集群体中的方位，F_i是第i个目标在搜寻到确切的食物源的方位；E_i是第i个目标在发现群体的仇敌后所处的方位；d为当前迭代层次，为第d+1次迭代方位更新步长；第i只蜻蜓在d+1时的方位更新如下：

式中，为当前d代种群方位，/>为d+1代种群方位；

经由自主适应调剂权重s₁、u₁、c₁、f₁、e₁和θ，可以节制DA的收敛速率，调理DA的搜寻机能；如果处于失去邻近解的境遇下，加入了随机飞行Levy方式；那么，第i只蜻蜓在迭代d+1次时的地址更新如下：

式中，x表示地址向量的维数；Levy函数的计算公式为：

式中，r₁和r₂为均匀分布在[0,1]范围内的随机向量，β_a为常数，脉冲τ的计算方法如下：

即脉冲函数Γ(a)为：

Γ(a)＝∫₀ ^∞(t^a-1e^-t)dt

当a是整数时，即：

Γ(a)＝(a-1)！。

优选的，蜻蜓优化算法伪代码为：

输入：种群大小L₁，最大迭代次数T₁，影响权重s₁、u₁、c₁、f₁、e₁,惯性权重θ，常数β

输出：寻优的解

蜻蜓种群P_i，(i＝1,2...，L₁)的初始化

步长向量ΔP_i，(i＝1,2...，L₁)的初始化

While当前迭代次数小于T₁或没有达到最小误差精度

完成所有蜻蜓的目标值的计算

完成食物源和天敌的更新

更新θ、s₁、u₁、c₁、f₁、e₁

计算S、U、C、F、E

完成领域半径的更新

if一个蜻蜓个体周围最少存在一个个体

更新速度向量

更新位置向量

else

更新位置向量

end if

基于变量的边界检查并完成新的位置的修正

end while。

优选的，数据采集模块所采集的数据有液压中油液的温度、压力、污染度、金属磨粒、水分、密度、粘度、介电常数以及水分活度。

与现有技术比较本发明的有益效果在于：

1、实现了对液压润滑系统进行监测，有效的了解液压润滑系统的运行状态，避免液压润滑系统出现问题；

2、蜻蜓优化算法充分考虑到了蜻蜓集群搜索的活动情况，能够通过全域捕食的方式，快速地将目标解收敛至最优状态；借助DA网络的特性，将两种算法重新架构，建立DA-ELM检测模式，大大提高了ELM检测模式的分析精确度，对ELM算法模型在练习测试时易出现盲目诊断的特性进行优化提升。

附图说明

图1为本发明的基于网络与PLC的液压监控系统模型；

图2为采样过程原理图；

图3为取样信号的混叠图；

图4为DA-ELM模型的建立流程图；

图5为三种唤醒函数的准确率对比图；

图6为测试样本集最佳分类结果图；

图7为极限学习机算法模型内部构造图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

实施例一

本实施例提供一种技术方案：液压关键元件智能监测平台，包括在线状态监控系统，在线状态监控系统选择在线信息采集与监控技术，利用数据采集模块、互联网与数据库技术相结合，实现液压润滑站相关参量的在线监视、历史查询、故障警告，并可以根据用户要求生成统计分析报表等一系列功能。

对于需要监测的液压站监视信号(参量)，利用各类相关的关键监控参量传感器对接数据采集模块进行采样，将采集到的在线状态监控系统信息使用ModBus、TCP通信协议输送至上位机在线监测软件，由于数据采集模块较多，通过网络交换机或路由器与上位机相连；上位机中的在线监控软件中的信息采集处理功能模块对采集的数据进行分析、判断、并记录到数据库中，当发现某个参数出现异常，系统报警提示。

如图1所示，系统操作人员通过工控机所产生的操作命令通过车间以太网送入PLC主站，然后再通过现场PLC分台的AO、DO模块以及设备总线，对液压润滑系统中各部件进行调整和监控；同时，通过设备总线和现场PLC分台之间的AI、DI模块，将相关工况信息，输入PLC控制系统主站，再利用车间的以太网送入监控工作站。

在线状态监控系统采用上位机与下位机的主从方式结合，由下位机将在线监控系统各个监测点的传感器所检测到的各种数据传递给上位机，再由上位机将接受到的各种数据分析，并转存为监控系统的工作信号，以此完成系统对执行参数的管理；而上位机根据这些执行参数，即可完成在线监控软件平台的工作。

下位机由数据采集箱和油液监测盒构成：油液监测盒内设置有污染度传感器、金属磨粒传感器以及六合一粘度传感器(本实施例中采用的型号为YFVW-6，六合一传感器可即时自动监控液体的水分、密度、粘度、介电常数、水分活度和温度)，另外精锻机液压生产线的相应的部件中设置有温度传感器与压力传感器；

数据采集箱由温度变送器、配电隔离器、直通式接线端子与导轨开关电源组成；数据采集箱主要用于直接与精锻生产线液压润滑系统中需要监控的温度、压力、液位传感器相连接，采集相对应的实时状态数据；下位机主要作用于收集、传输各类传感器监控采集的相对应精锻生产线液压系统的各大监测点的信息数据，将这些收集到的大量数据传输至AP综合一体机中，由PLC处理相应数据。

AP综合一体机由西门子PLC S7-1200模块、2眼模数化插座、3眼模数化插座、断路器以及导轨开关电源组成。AP综合一体机完成数据采集、处理和实时控制任务，并按照与上位机事先约定的数据格式，将数据及时地传送给上位机。

上位机由电脑和打印机组成，上位机一方面接收下位机传来的数据，将其转换为屏幕上的图形信息，形象直观地表达液压系统的工作情况；另一方面，将系统运行时间和状态记录到报表中。同时当需要时，也可以将运行过程中记录的故障信息、某段时间内的波形以及生产管理中查询得到的各种报表，通过打印机输出；每个液压站配置一套数据采集装置，并经过以太网与数据交换器联接，上位机通过数据交换器获得即时信息。

数据采集模块的各项参数为：

1)采样信号

如图2所示，开关每隔Ts闭合一下，连接连续函数x(t)，实现一个样本采集，假设每个过程闭合时刻为τ，那么取样器的脉冲序列的输出为宽度τ、周期为T_s；此刻，该信号则为采样信号，设为x^*(t)，即：

x^*(t)＝x(t)s(t) (1)

式中，s(t)是周期为T_s，脉冲为τ，幅值为1的采样脉冲序列；

由于采样周期T_s远远大于脉冲τ，故可视τ→0，可以用单位的脉冲序列函数δ_T(t)来说明。因此，理想采样信号是：

x^*(t)＝x(t)δ_T(t) (2)

2)混叠

根据Nyquist-Shannon采样定理决定：在对一个最高频率为f_max的信息进行采集时，取样频率f_s需要在大于f_max的两倍往上才能实现从取样值中完全重构原始信息，即：

f_s≥2f_max (3)

2f_max为Nyquist取样率，f_max为Nyquist频率。

因此，为了对原始的信息进行更好的重构，需要在赋予的定时周期内拥有更高的采样频率以获得更多的信息点数据；若取样频率过低，就可能会出现混叠现象，如图3所示；

以单位脉冲序列函数δ_T(t)转化为傅立叶级数：

式中，角频率是傅里叶系数/>且由于单位脉冲函数在t＝0处面积为1，在积分区间的其余处为0，知/>即/>代入式(2)，得：

将式(5)进行拉氏变换，得：

将拉氏变换中的s用jω取代，得：

由式(7)与图3可知，连续函数最高频率为ω_max，采样函数有以采样频率ω_s为周期的无限多个频谱，每个频谱宽度仍为2ω_max。当频谱宽度ω_s<2ω_max时，各频谱将相互交叠，发生混叠。因此，为了防止信息混叠现象的出现，频率须符合ω_s>2ω_max，即采样频率大于信号最高频率的两倍以上。

然而，此时并不能保证采样信号能真实反映原始信号，所以在实际应用中，ω_s通常应大于信号中ω_max的5-10倍。

3)量化误差

量化是将取样点的讯号幅值，从一个或有限个离散化电平中，取其一种来接近或替代的实际电平，这种离散化电平就叫做量化电平。

如果设信息x(t)的最大值为X，再把它分为D个间隙，那么每个间隙长度为R＝X/D，R则是其量化增量；而量化增量R越大，量化误差就越大，R的大小受幅值大小和A/D转换器的位数决定，即量化误差q为：

式中，ν为信息电压范围，n为A/D转换器的位数。

DA-ELM模型：

通常情况下，传统的ELM算法诊断要想针对精锻生产线液压润滑系统取得准确的失效性能诊断成果，算法的训练样本集需要获取大量相关的诊断样本数据。可是在实际生产生活中，由于在线状态监控系统应用于实际生产线不久，软件获取的精锻生产线液压润滑系统的故障样本数量是无法满足诊断需求的。

极限学习机具备学习速度快、实现简单、人工干预少等优点，可以快速处理相关样本数据，因此本实施例采用蜻蜓(DA)优化算法对原始ELM算法加以了改进优化，组合算法称为DA-ELM模型，让其在无法获取大量失效性能信息的境遇下，依旧通过自主判断获得良好的诊断效果。

蜻蜓优化算法作为启迪式算法的一种，相比于其他启迪式算法，蜻蜓优化算法的优点特性就在于它自发性寻优能力强、方便操作。因此，利用数据采集模块收集温度、压力、液位、清洁度作为样本数据，建立DA-ELM模型，实现对精锻生产线的故障判断。

如图4所示，DA-ELM模型的建立流程为：

1)处理精锻生产线液压润滑系统的各类样本数据，并以收集得到的数据构建ELM模型，对极限学习机模型各关键参数加以初始化；

2)对ELM模型进行训练；

3)依照比例将在线状态监控系统中取得的数据集分为训练样本集与测试样本集，然后归一化样本数据，并采用训练样本集与测试样本集分别对ELM模型进行训练与测试，并输出测试的分类准确率；

4)对蜻蜓优化算法各参数进行初始化；

5)针对步进向量和位置向量进行初始化更新；为了获得需要的参数组合(W_i,b_i)，把ELM模型的输入权值W_i和藏匿层位移地址b_i的参数组合为集合(W_i,b_i)，都作为蜻蜓优化算法必需为ELM模型优化的参数组合，通过ELM模型随机产生的输入权值和藏匿层偏置来初始化蜻蜓种群；

6)对邻域半径与权重参数θ、s₁、u₁、c₁、f₁、e₁进行初始化；

7)计算顺应度；设计代表测试样本集在(W_i,b_i)时的准确率的顺应度函数为Fitness(W_i,b_i)＝Fitness_test(W_i,b_i)；顺应度值按照蜻蜓的行动不断更新，计算全部目标的顺应度值，在这一过程中会不断得到新的顺应度值，将这些新获取的参数值与原本的值作比较，若是新的顺应度值比原先的小，那么就保留原值，反之则更新函数值为获取到的新参数；存储顺应度值更新至最优时的参数组合(W_i,b_i)；

8)通过DA更新关于ELM算法诊断的关键性参数组合，进一步优化了该诊断模型，重新组合成为DA-ELM模型，并使用该模型针对精锻生产线液压润滑系统的在线状态监控系统采集到的数据信息进行处理，得到DA-ELM模型的分类结果。

由于蜻蜓优化算法充分考虑到了蜻蜓集群搜索的活动情况，因此DA能够通过全域捕食的方式，快速地将目标解收敛至最优状态。所以，为了补充优化ELM算法，本实施例借助DA网络的特性，将两种算法重新架构，建立DA-ELM检测模式，大大提高了ELM检测模式的分析精确度，对ELM算法模型在练习测试时易出现盲目诊断的特性进行优化提升。

通过数据采集模块采集到关键点特征信息后，为了这些不同特性的信号能够处于同一平面形式上综合诊断比较，就需要将这些特性信息进行归一化研究处理，软件使用的归一化公式为：

式中，x′_i为经归一化后的变量特征值；x_i为第i个变量特征值；x_max为x_i中的最大值；x_min为x_i中的最小值。

在线状态监控系统的数据库中，挑选二十五组信息，每五组代表为一类问题类型的特征信息，五组问题类型的特征信息分别为：泵压力异常、含水量异常、温度异常、污染度异常以及正常状态；通过premnmx函数对这些信息实行归一化处理，作为DA-ELM模型中的训练样本集，训练样本集用于DA-ELM模型进行训练；

同时，在数据库中选择二十五组信息，其中每五组数据信息代表一种故障类型的特征信息，五组问题类型的特征信息分别为：泵压力异常、含水量异常、温度异常、污染度异常以及正常状态；作为DA-ELM模型收集的测试样本集，通过MATLAB软件中的tramnmx函数对采集的数据进行归一化处理，确保了测试样本集与训练样本集的归一标准相同，测试样本集用于对DA-ELM模型进行测试。

将举行归一化处置后的数据作为DA-ELM模型的输入，响应的种别标签作为输出。利用精锻生产线液压润滑系统的五种状态(即常态与四种异常情况)作为实例来评估所开发的模型。

首先，通过对比实验研究了对DA-ELM模型性能有影响力的唤醒函数和节点数，找出适合精锻生产线液压润滑系统故障诊断的相关参量。对比隐藏层节点数和不同唤醒函数下的效果，如图5所示，从图中可以看出，本实施例选取的三种比较能影响DA-ELM模型性能的唤醒函数对比结果很明显。其中，S型函数函数比正弦函数和硬阈值函数具有更好的性能，更适用于精锻生产线液压润滑系统的故障判别。由图5可以看出随着节点数的变大，测试集的准确性也在逐步增大。但是，同时从上述数据和曲线也可以得出随着节点数增大到500时，模型的测试样本集逐渐稳定，准确率也同时平稳，因此选择节点数G＝500是最合适的。

DA-ELM模型进行测试模拟诊断实验：

测试样本集分类结果如图6所示；能够明显的看出DA-ELM模型的诊断测试效果优良，可以比较容易的达成故障判断目的。但是，为了避免出现单一实验结果导致偶发性实验结果出现的状况，因此本实施例又做了两种模型的诊断测试实验，作为对比性实验样本。

将DA-ELM模型的最高迭代次数、群体范围以及飞翔常数分别设为300、50和2.3。为了使成果更真实有效，如下的仿真尝试每一个诊断算法都举行了50次，同时计算成果的平均值，结果如表1所示：

故障诊断模型	测试准确率/％	训练时间/s	测试时间/s
				ELM	72.42％	2.72	0.78
DA-ELM	93.31％	41.56	0.24

表1两种模型测试结果对比

根据表中数据能够得出，DA-ELM模型与原始的ELM模型比较，虽然训练时间增加，但准确性却有了很大的提升。

将DA-ELM、SVM和BP举行对照性比较实验。设置SVM惩罚系数为0.43，核参数为33.15；为了使结果更加可靠，结果如表2所示：

故障诊断模型	测试准确率/％	训练时间/s	测试时间/s
				DA-ELM	93.31％	41.56	0.24
BP	64.38％	36.57	11.27
				SVM	79.31％	17.64	0.48

表2诊断结果对比

从表2中可以看出，本实施例将三种诊断算法举行对照性比较，结果表明三种诊断模型中，BP的性能较之其它两种是最差的，而传统的SVM算法相比较BP而言，虽然在诊断准确率、样本练习和测试时间上都有进步，但优化性仍不明显。

DA-ELM模型经过这两次的对照性比较，可以明显的看出其具有一定的优越性，DA-ELM模型的故障判断准确率比较其它三类传统诊断算法如：标准ELM、BP以及SVM分别提升了20.89％、28.93％和14％。因此在对精锻生产线液压系统故障诊断方面，DA-ELM模型具备较强的优越性，大大提高了故障诊断的准确率。

通过使用蜻蜓优化算法加以优化，形成了融合极限学习机与蜻蜓优化算法的DA-ELM模型，并用于精锻生产线液压润滑系统的故障判断中。

DA-ELM模型与相关传统的故障诊断模型进行了对比性试验，结果显示DA-ELM模型的分类精确度相对于传统的ELM、SVM和BP诊断模型分别提升了20.89％、14％和28.93％。

将标准DA-ELM模型与SVM模型、BP模型放置于同情景下的故障诊断试验中，最后，对比分析表明，DA-ELM模型不仅有效地解决了SVM模型、BP模型中存在的问题，对精锻生产线液压润滑系统做出正确的故障判断，针对精锻生产线液压润滑系统在线监控与故障诊断试验平台的要求可以得到满足。

实施例二

本实施例是对采用蜻蜓优化算法对ELM算法改进，形成DA-ELM模型的推理过程进行说明。

ELM应用方法概述：

如图7所示，为极限学习机算法模型内部构造图。极限学习机最大的特性，是在给定范围内随机产生输入权值和藏匿层节点地址位移。

假定一组Q个随机样本此中，/> 所以，对于拥有G(G∈L)个藏匿层节点的极限学习机数学模型，可将其表示为：

式中g(g)是唤醒函数，比如：硬阈值函数(Hard-threshold)、S型函数(Sigmoid)、高斯函数(Gaussian)以及Sin函数都是常见的藏匿层唤醒函数。W_i＝[w_1i,w_2i,...,w_Ki]^T是连接藏匿层中的第i个节点的输入权重。另外，b_i是藏匿层第i个节点的位移误差向量，β_im是连结藏匿层第i个神经元和输出层第m个神经元之间的连接权值，O_j＝[o_j1,o_j2,…,o_jM]^T是预测输出。

式中，H是隐藏层中节点的输出矩阵。

设隐藏层输出权矩阵为期望输出矩阵为/>在任意赋值/>和/>的情形下即：

||H^TB-T||<ε (12)

对公式(11)得解为：

因此可得出输出权值为：

式中，I是单位矩阵。

因此，ELM的输出函数为：

综上所述，ELM算法通过求解线性方程组取得所需合适的参数，可以降低诊断过程中多次迭代求解的次数。且传统机器学习过程中，每次学习目标改变，学习的进程都需要从头开始。

极限学习机算法伪代码如下：

/>

表3 ELM算法伪代码

本实施例选取合适的小数量节点，利用对输入权值和隐藏层偏置等最优参数的搜寻，进而提升极限学习机模型的性能。

基于蜻蜓算法的ELM应用优化：

蜻蜓优化算法，是自然现象中领悟的一种自发式、启迪式群优化算法，能为一些自主学习能力不足的智能诊断算法的某些问题进行补充优化。对于蜻蜓优化算法而言，与其他的优化算法相比较，影响蜻蜓优化算法优化效果的是它的最佳迭代频次与目标群体的规模。蜻蜓优化算法可以对初始目标的随机群体加以改善，最终得到全局收敛的最佳结果。

蜻蜓优化算法的优化原理：在自然世界中，如胡蝶、蜜蜂、蚂蚁和蚊子等，这些种类繁杂的小型昆虫都是蜻蜓的捕猎目标。蜻蜓的搜寻和捕猎阶段时，将其行为动作群体分成动态种群以及静态种群。在动态群中，集群数量增多的蜻蜓群体为了转移、分割天敌的注意力，群体的行为方式是会向着统一的方向路径转移；在静态群中，为了捕食、搜寻猎物目标，蜻蜓群体分割组成几个小规模的狩猎集群，在相对小的范围内来回飞翔，最终获得食物。因此蜻蜓集群的行为模式，可以总结为五种状态：分离、结队、缔盟、搜寻猎物和逃避天敌。

蜻蜓优化算法群集行为描述为：

1)分离：是一种确保目标在邻域中相互保持距离，快速分开的机制。其模型公式为：

式中，M_a为邻近目标数目，L₁为群体数目，P是当前目标的状态，P_j为第j个邻近目标的状态。

2)结队：列队的首要是特定目标的速率与临近区域内其他目标的速率配比状况。其公式模型为：

式中，V_j为第j个邻近目标的速率。

3)结盟：缔盟是目标与相邻目标之间彼此堆积的集群行动。其公式建模为：

式中，P_j为第j个相邻目标状态。

4)觅食：觅食是指目标为保存寻觅猎物的行动。其公式为：

F_i＝F_P-P (19)

式中，F_P为食物源的位置。

5)逃避仇敌：逃避仇敌是因为目标保存自身的本能，其始终防范天敌行动的公式建模为：

E_i＝E_P+P (20)

式中，E_P为敌人的位置。

在蜻蜓的搜索进程中，通过最优的候选对象对于食物源和方位的适应程度进行更新换代。而与之相反的最差候选目标也是如此动作。这导致了搜索地域与有利搜索地域以及不利搜索地域的分化。为了更好的改变蜻蜓在搜索空间中的运动方位，本实施例使用步进向量ΔP和位置向量P来进一步确保搜寻结果，利用公式(21)来更新：

式中，s₁为割裂权重，u₁为结队权重，c₁为缔盟权重，f₁为猎食影响因子，e₁为仇敌影响因子，θ为惯性权重。S_i是经过分隔后，第i个目标的方位；U_i是在结队完成后的第i个目标方位；C_i是全体目标聚合后的第i个目标在聚集群体中的方位，F_i是第i个目标在搜寻到确切的食物源的方位；E_i是第i个目标在发现群体的仇敌后所处的方位；d为当前迭代层次，为第d+1次迭代方位更新步长。第i只蜻蜓在d+1时的方位更新如下：

式中，为当前d代种群方位，/>为d+1代种群方位。

经由自主适应调剂权重s₁、u₁、c₁、f₁、e₁和θ，可以节制DA的收敛速率，调理DA的搜寻机能。如果处于失去邻近解的境遇下，加入了随机飞行Levy方式。那么，第i只蜻蜓在迭代d+1次时的地址更新如下：

式中，x表示地址向量的维数。Levy函数的计算公式为：

式中，r₁和r₂为均匀分布在[0,1]范围内的随机向量，β_a为常数，脉冲τ的计算方法如下：

对式25进行无穷大时间积分，即得脉冲函数Γ(a)为：

Γ(a)＝∫₀ ^∞(t^a-1e^-t)dt (26)

当a是整数时，即：

Γ(a)＝(a-1)！ (27)

依据上述的描述，蜻蜓优化算法同时利用静态群和动态群的方式，解决了局部最优参数以及全局最优解的问题。

蜻蜓优化算法伪代码为：

输入：种群大小L₁，最大迭代次数T₁，影响权重s₁、u₁、c₁、f₁、e₁,惯性权重θ，常数β

输出：寻优的解

蜻蜓种群P_i，(i＝1,2...，L₁)的初始化

步长向量ΔP_i，(i＝1,2...，L₁)的初始化

While当前迭代次数小于T₁或没有达到最小误差精度

完成所有蜻蜓的目标值的计算

完成食物源和天敌的更新

更新θ、s₁、u₁、c₁、f₁、e₁

计算S、U、C、F、E

完成领域半径的更新

if一个蜻蜓个体周围最少存在一个个体

更新速度向量

更新位置向量

else

更新位置向量

end if

基于变量的边界检查并完成新的位置的修正

end while。

以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (9)

1.液压关键元件智能监测平台，其特征在于：包括在线状态监控系统；

在线状态监控系统：包括数据采集模块与在线监测软件；

数据采集模块：通过传感器实现对液压系统相关的关键监控参量进行采样，并将采集到的信息输送至上位机的在线监测软件；

在线监测软件：在线监测软件包括信息采集处理功能模块，信息采集处理功能模块对采集的数据进行分析、判断、并记录到数据库中，并以收集得到的数据构建ELM模型；

通过DA更新ELM模型的关键性参数组合，优化ELM模型，重新组合成为DA-ELM模型，并使用DA-ELM模型针对压润滑系统的在线状态监控系统采集到的数据信息进行处理，对液压润滑系统的故障进行判断。

2.根据权利要求1所述的液压关键元件智能监测平台，其特征在于，数据采集模块的采样信号为：开关每隔Ts闭合一下，连接连续函数x(t)，实现一个样本采集，闭合时刻为τ，取样器的脉冲序列的输出为宽度τ、周期为T_s；此刻，该信号则为采样信号，设为x^*(t)，即：

x^*(t)＝x(t)s(t)

式中，s(t)是周期为T_s，脉冲为τ，幅值为1的采样脉冲序列；

由于采样周期T_s远远大于脉冲τ，故可视τ→0，用单位的脉冲序列函数δ_T(t)来说明，因此，理想采样信号是：

x^*(t)＝x(t)δ_T(t)。

3.根据权利要求2所述的液压关键元件智能监测平台，其特征在于，数据采集模块的混叠为：以单位脉冲序列函数δ_T(t)转化为傅立叶级数：

式中，角频率是傅里叶系数/>且由于单位脉冲函数在t＝0处面积为1，在积分区间的其余处为0，知/>即/>代入理想采样信号公式，得：

将上式进行拉氏变换，得：

将拉氏变换中的s用jω取代，得：

由上式可知，连续函数最高频率为ω_max，采样函数有以采样频率ω_s为周期的无限多个频谱，每个频谱宽度仍为2ω_max；当频谱宽度ω_s<2ω_max时，各频谱将相互交叠，发生混叠；因此，为了防止信息混叠现象的出现，频率须符合ω_s>2ω_max，即：

f_s≥2f_max

式中，2f_max为Nyquist取样率，f_max为Nyquist频率。

4.根据权利要求3所述的液压关键元件智能监测平台，其特征在于，数据采集模块的量化误差为：设信息x(t)的最大值为X，再把它分为D个间隙，每个间隙长度为R＝X/D，R则是其量化增量；而量化增量R越大，量化误差就越大，R的大小受幅值大小和A/D转换器的位数决定，即量化误差q为：

式中，ν为信息电压n范围，n为A/D转换器的位数。

5.根据权利要求1所述的液压关键元件智能监测平台，其特征在于，DA-ELM模型的建立流程为：

1)处理精锻生产线液压润滑系统的各类样本数据，并以收集得到的数据构建ELM模型，对极限学习机模型各关键参数加以初始化；

2)对ELM模型进行训练；

3)依照比例将在线状态监控系统中取得的数据集分为训练样本集与测试样本集，然后归一化样本数据，并采用训练样本集与测试样本集分别对ELM模型进行训练与测试，并输出测试的分类准确率；

4)对蜻蜓优化算法各参数进行初始化；

5)针对步进向量和位置向量进行初始化更新；为了获得需要的参数组合(W_i,b_i)，把ELM模型的输入权值W_i和藏匿层位移地址b_i的参数组合为集合(W_i,b_i)，都作为蜻蜓优化算法必需为ELM模型优化的参数组合，通过ELM模型随机产生的输入权值和藏匿层偏置来初始化蜻蜓种群；

6)对邻域半径与权重参数θ、s₁、u₁、c₁、f₁、e₁进行初始化；

7)计算顺应度；设计代表测试样本集在(W_i,b_i)时的准确率的顺应度函数为Fitness(W_i,b_i)＝Fitness_test(W_i,b_i)；顺应度值按照蜻蜓的行动不断更新，计算全部目标的顺应度值，在这一过程中会不断得到新的顺应度值，将这些新获取的参数值与原本的值作比较，若是新的顺应度值比原先的小，那么就保留原值，反之则更新函数值为获取到的新参数；存储顺应度值更新至最优时的参数组合(W_i,b_i)；

8)通过DA更新关于ELM算法诊断的关键性参数组合，进一步优化了该诊断模型，重新组合成为DA-ELM模型，并使用该模型针对精锻生产线液压润滑系统的在线状态监控系统采集到的数据信息进行处理，得到DA-ELM模型的分类结果。

6.根据权利要求5所述的液压关键元件智能监测平台，其特征在于，样本数据进行归一化处理公式为：

式中，x′_i为经归一化后的变量特征值；x_i为第i个变量特征值；x_max为x_i中的最大值；x_min为x_i中的最小值。

7.根据权利要求5所述的液压关键元件智能监测平台，其特征在于，在蜻蜓优化算法中，使用步进向量ΔP和位置向量P来进一步确保搜寻结果，更新公式为：

式中，s₁为割裂权重，u₁为结队权重，c₁为缔盟权重，f₁为猎食影响因子，e₁为仇敌影响因子，θ为惯性权重；S_i是经过分隔后，第i个目标的方位；U_i是在结队完成后的第i个目标方位；C_i是全体目标聚合后的第i个目标在聚集群体中的方位，F_i是第i个目标在搜寻到确切的食物源的方位；E_i是第i个目标在发现群体的仇敌后所处的方位；d为当前迭代层次，为第d+1次迭代方位更新步长；第i只蜻蜓在d+1时的方位更新如下：

式中，为当前d代种群方位，/>为d+1代种群方位；

经由自主适应调剂权重s₁、u₁、c₁、f₁、e₁和θ，可以节制DA的收敛速率，调理DA的搜寻机能；如果处于失去邻近解的境遇下，加入了随机飞行Levy方式；那么，第i只蜻蜓在迭代d+1次时的地址更新如下：

式中，x表示地址向量的维数；Levy函数的计算公式为：

式中，r₁和r₂为均匀分布在[0,1]范围内的随机向量，β_a为常数，脉冲τ的计算方法如下：

即脉冲函数Γ(a)为：

当a是整数时，即：

Γ(a)＝(a-1)！。

8.根据权利要求7所述的液压关键元件智能监测平台，其特征在于，蜻蜓优化算法伪代码为：

输入：种群大小L₁，最大迭代次数T₁，影响权重s₁、u₁、c₁、f₁、e₁,惯性权重θ，常数β

输出：寻优的解

蜻蜓种群P_i，(i＝1,2...，L₁)的初始化

步长向量ΔP_i，(i＝1,2...，L₁)的初始化

While当前迭代次数小于T₁或没有达到最小误差精度

完成所有蜻蜓的目标值的计算

完成食物源和天敌的更新

更新θ、s₁、u₁、c₁、f₁、e₁

计算S、U、C、F、E

完成领域半径的更新

if一个蜻蜓个体周围最少存在一个个体

更新速度向量

更新位置向量

else

更新位置向量

end if

基于变量的边界检查并完成新的位置的修正

end while。

9.根据权利要求1所述的液压关键元件智能监测平台，其特征在于，数据采集模块所采集的数据有液压中油液的温度、压力、污染度、金属磨粒、水分、密度、粘度、介电常数以及水分活度。