CN117708771A - 一种基于itsobp的综合传动装置故障预测算法 - Google Patents
一种基于itsobp的综合传动装置故障预测算法 Download PDFInfo
- Publication number
- CN117708771A CN117708771A CN202410160662.9A CN202410160662A CN117708771A CN 117708771 A CN117708771 A CN 117708771A CN 202410160662 A CN202410160662 A CN 202410160662A CN 117708771 A CN117708771 A CN 117708771A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- itsobp
- individual
- data set
- training
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 68
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000002431 foraging effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 201000004569 Blindness Diseases 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000269849 Thunnus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于ITSOBP的综合传动装置故障预测算法,包括以下步骤:S1、采集传动装置的离合器油压传感器数据;S2、通过TOPSIS算法对油压传感器数据进行预处理,得到模型输入数据集;将模型输入数据集分为测试数据集和训练数据集;S3、对于训练数据集,采用改进的金枪鱼群算法构造BP神经网络(ITSOBP)进行训练得到优化后的BP神经网络(ITSOBP);S4、将测试数据集输入到优化后的BP神经网络(ITSOBP)中,对离合器进行故障预测,输出预测结果。本发明利用多个随机变量和自适应变量来计算当前解所在位置,从而可以搜索空间中的不同区域,有效地避免局部最优,收敛于全局最优,弥补了在训练过程中参数选择的盲目性的缺陷,提高了回归预测模型的预测精度。
Description
技术领域
本发明涉及人工智能故障诊断技术领域,具体为一种基于ITSOBP的综合传动装置故障预测算法。
背景技术
综合传动装置主要通过离合器摩擦元件的结合与分离实现动力的传递与中断,因此离合器的可靠性很大程度决定了综合传动装置的可靠性。离合器发生的故障种类较多,同时导致离合器发生故障的原因也很多,离合器故障检测对综合传动装置的可靠性具有非常重要的意义。
目前各种基于人工智能的算法已经广泛应用到故障诊断领域;故障树分析法计算规模大,工作繁琐,过多占用内存,也导致了故障预测中的运行速度变慢;专家系统知识获取困难、知识库局限于存储的弊端也无法保证预测结果的效率和正确性;支持向量机对于核函数选取的随意性与对大规模训练的局限性导致预测结果缺乏准确性。
与其他算法相比,BP神经网络无论在网络理论还是在性能方面已比较成熟,其突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定,并且随着结构的差异其性能也有所不同;但需要注意的是,BP神经网络也有着一些缺陷,如:BP神经网络中极小值比较多,所以很容易陷入局部极小值而得不到全局最优值;训练次数多使得学习效率低,收敛速度慢等。
发明内容
针对现有技术中故障分析算法训练次数多使得学习效率低,收敛速度慢等不足,本发明采用的技术方案是:一种基于ITSOBP的综合传动装置故障预测算法,其特征在于包括以下步骤:
S1、采集传动装置的离合器油压传感器数据;
S2、通过TOPSIS算法对油压传感器数据进行预处理,得到模型输入数据集;
将模型输入数据集分为测试数据集和训练数据集;
S3、对于训练数据集,采用改进的金枪鱼群算法构造BP神经网络(ITSOBP)进行训练得到优化后的BP神经网络(ITSOBP);
S4、将测试数据集输入到优化后的BP神经网络(ITSOBP)中,对离合器进行故障预测,输出预测结果。
步骤S2中,通过TOPSIS算法对油压传感器数据进行预处理,得到模型输入数据集,是对采集的油压传感器原始数据通过TOPSIS算法进行评价排序并归一化处理,从中提取出关键属性信息构建数据集,具体为:
S201、构造决策矩阵,设n个具有m个参数指标的评价对象,得到一个n×m的决策矩阵;
S202、判断m个参数指标是否需要进行正向化处理,如果需进行正向化处理,则将常见的极大型指标、极小型指标、中间型指标以及区间型指标均转化为极大型指标,得到正向矩阵;
S203、正向矩阵标准化:将正向矩阵消除量纲,并进行标准化处理,得到标准化后的矩阵Z;
S204、对于标准化后的矩阵Z,计算每一个评价对象与最大值、最小值的距离;
S205、利用评价对象与最大值、评价对象与最小值的距离通过计算得分;
S206、对评价对象进行得分排序,得到归一化处理后的评价结果,做为输入模型的训练数据集。
步骤S202中,如果m个参数指标不需要进行正向化处理,则转步骤S204。
步骤S3中,改进的金枪鱼群算法通过正余弦优化算法实现,利用多个随机变量和自适应变量来计算当前解所在位置,以搜索空间中的不同区域,收敛于全局最优,再通过改进的金枪鱼群算法对BP神经网络进行优化,具体为:
S301、随机生成初始化种群:改进的金枪鱼群算法通过在搜索空间中均匀随机生成初始种群来启动优化过程,其数学模型为:
(11)
其中,为第t次迭代的第i个个体的位置,ub和lb分别为搜索空间的上界和下界,NP为金枪鱼种群的数量,rand为 [0,1]内的第一随机数;
S302、指定第一、二自由参数a和z,其中第一自由参数a,用于确定金枪鱼在初始阶段跟随最佳个体和前一个体的程度,第二自由参数z大于0且小于0.5;
S303、根据不同觅食策略计算金枪鱼适应度,并更新α1、α2和p,控制个体向最佳个体和前一个个体移动趋势;
(13)
(14)
(20)
其中,α 1是控制个体向最佳个体的权重系数、α 2为前一个个体移动趋势的权重系数,t表示当前迭代次数,tmax表示最大迭代次数,p为第一中间变量;
S304、判断rand是否小于z;如果小于z则更新式(11),进行训练数据集的迭代运算;
S305、当迭代次数没有达到最大,则返回步骤S303;当迭代次数达到最大时,输出经过训练的训练数据集至训练BP神经网络,构建预测模型。
当觅食策略为螺旋觅食策略时,即进行螺旋搜索故障点时,rand大于等于z且小于0.5,同时满足大于等于rand时,更新式(12),进行训练数据集的迭代运算;转步骤S305;
(12)
(15)
(16)
其中,为第t次迭代的第i个个体的位置,/>是第t+1次迭代的第i个个体的位置,/>是第t次迭代的第i-1个个体的位置,/>是当前最佳个体的位置,/>为第二中间变量,l为第三中间变量,ebl为第四中间变量,b为 [0,1]内的第二随机数。
当进行螺旋搜索故障点时,可能会陷入局部最优解,需要使金枪鱼群算法(TSO)具有全局探索能力,即rand大于等于z且小于0.5,同时满足t/tmax小于rand,更新式(17),进行训练数据集的迭代运算;转步骤S305;
(17)
(18)
其中,为第t次迭代的第i个个体的位置,/>是第t+1次迭代的第i个个体的位置, r2为0到2/>的随机数,/>为0到2之间的随机数,r4为0到1的随机数,/>表示在t次迭代时最优个体位置变量的第i维的位置,c为第二常数,r1表示下一个解的位置区域在当前解和最优解之内或者之外,较小的r1的值有助于增强算法的局部开发能力,较大的r1的值有助于提高算法的全局探索能力,同时r1的值随迭代次数逐渐减小,平衡了算法局部开发和全局搜索的能力;/>为第一~第三随机因子,第一随机因子r2定义了当前解朝向或者远离最优解多远; 第二随机因子/>为最优解给出一个随机权值,是为了随机强调/>或者忽略最优解在定义候选解移动距离时的影响效果; 第三随机因子r4平等地切换正弦和余弦函数。
当觅食策略为抛物线合作觅食策略时,即当进行抛物线合作搜索或在周围搜索故障点时,当rand大于等于z且rand大于等于0.5时,更新式(19),进行训练数据集的迭代运算;转步骤S305;
(19)
其中,为第t次迭代的第i个个体的位置,/>是第t+1次迭代的第i个个体的位置,/>是当前最佳个体的位置,TF是一个值为1或-1的随机数,p为第一中间变量。
与现有技术相比,本发明具有以下有益技术效果及优点:
1.本发明提供一种基于ITSOBP的综合传动装置故障预测算法,使用Topsis算法对数据进行预处理,与其他综合评价算法(层次分析法、灰色关联度分析等)相比避免了数据的主观性,不需要目标函数,可以很好的表达多个影响指标的综合影响力度,对于数据的分布以及样本量、指标多少无严格限制;
2.本发明方法采用改进的金枪鱼群优化算法(ITSO),利用多个随机变量和自适应变量来计算当前解所在位置,从而可以搜索空间中的不同区域,有效地避免局部最优,收敛于全局最优;
3.本发明方法通过改进的金枪鱼群优化算法(ITSO)对BP神经网络的主要参数进行优化,弥补了在训练过程中参数选择的盲目性的缺陷,提高了回归预测模型的预测精度。
附图说明
图1为本发明基于ITSOBP的综合传动装置故障预测算法的主体框架图;
图2为本发明方法中对油压传感器数据进行预处理的数据处理算法模型图;
图3为本发明方法中应用的BP神经网络构成图。
具体实施方式
下面结合附图对本发明进行详细说明,但本发明的保护范围不受附图所限。
本发明提供一种基于ITSOBP的综合传动装置故障预测算法,如图1 所示:包括以下步骤:
S1、采集传动装置的离合器油压传感器数据;
S2、通过TOPSIS算法对油压传感器数据进行预处理,得到模型输入数据集,是对采集的油压传感器原始数据通过TOPSIS算法进行评价排序并归一化处理,从中提取出关键属性信息构建数据集,具体如图2所示:
S201、构造决策矩阵,设n个具有m个参数指标的评价对象,得到一个n×m的决策矩阵;
S202、判断m个参数指标是否需要进行正向化处理,如果需进行正向化处理,则将常见的极大型指标、极小型指标、中间型指标以及区间型指标均转化为极大型指标,得到正向矩阵M;
具体地,参数指标为极小型指标时,将极小型指标转化为极大型指标的公式为:
,其中/>是极大型指标,x i 是第i(i=1,2,…,n)个评价对象的指标,x max是评价对象中的最大指标,x min是评价对象中的最小指标;
参数指标为中间型指标时,指定{x i }为一组中间型指标序列,将中间型指标转化为极大型指标的公式为:
,
其中,最佳值为x best ;
参数指标为区间型指标时,指定{x i }为一组区间型指标序列,将区间型指标转化为极大型指标的公式为:
其中,最佳的区间为[a 0 , b 0];a 0,b 0为指定的自由参数;
S203、正向矩阵标准化:将正向矩阵消除量纲,设n维m组矩阵为,
对标准化后的矩阵Z;公式如下:
,式中,Z ij 为矩阵Z中的每一个元素,x ij 为矩阵X中的每一个元素;
S204、对于标准化后的矩阵Z,计算每一个评价对象与最大值、最小值的距离;
S205、利用评价对象与最大值、评价对象与最小值的距离通过计算得分;
S206、对评价对象进行得分排序,得到归一化处理后的评价结果,做为输入模型的训练数据集。
进一步地,步骤S202中,如果m个参数指标不需要进行正向化处理,则转步骤S204。
S3、对于训练数据集,采用改进的金枪鱼群算法构造BP神经网络(ITSOBP)进行训练得到优化后的BP神经网络(ITSOBP);
改进的金枪鱼群算法通过正余弦优化算法实现,利用多个随机变量和自适应变量来计算当前解所在位置,以搜索空间中的不同区域,收敛于全局最优,再通过改进的金枪鱼群算法对BP神经网络进行优化,具体为:
S301、随机生成初始化种群:改进的金枪鱼群算法通过在搜索空间中均匀随机生成初始种群来启动优化过程,其数学模型为:
(11)
其中,为第t次迭代的第i个个体的位置,ub和lb分别为搜索空间的上界和下界,NP为金枪鱼种群的数量,rand为 [0,1]内的第一随机数;
S302、指定第一、二自由参数a和z,其中第一自由参数a,用于确定金枪鱼在初始阶段跟随最佳个体和前一个体的程度,第二自由参数z大于0且小于0.5;
S303、根据不同觅食策略计算金枪鱼适应度,并更新α 1、α 2和p,控制个体向最佳个体和前一个个体移动趋势;
(13)
(14)
(20)
其中,α 1是控制个体向最佳个体的权重系数、α 2为前一个个体移动趋势的权重系数,t表示当前迭代次数,tmax表示最大迭代次数,p为第一中间变量;
S304、判断rand是否小于z;如果小于z则更新式(11),进行训练数据集的迭代运算;
S305、当迭代次数没有达到最大,则返回步骤S303;当迭代次数达到最大时,输出经过训练的训练数据集至训练BP神经网络,构建预测模型。
金枪鱼群通过形成紧密的螺旋来追逐猎物,除了追逐猎物,成群的金枪鱼还相互交换信息,每一条金枪鱼都跟在前一条鱼的后面,因此可以在相邻的金枪鱼之间共享信息,基于上述原理,当觅食策略为螺旋觅食策略时,即进行螺旋搜索故障点时,rand大于等于z且小于0.5,同时满足大于等于rand时,更新式(12),进行训练数据集的迭代运算;转步骤S305;
(12)
(15)
(16)
其中,为第t次迭代的第i个个体的位置,/>是第t+1次迭代的第i个个体的位置,/>是第t次迭代的第i-1个个体的位置,/>是当前最佳个体(食物)的位置,/>为第二中间变量,l为第三中间变量,ebl为第四中间变量,b为 [0,1]内的第二随机数。
当最优个体找不到食物时,盲目跟随最优个体觅食不利于群体觅食,因此,通过正余弦优化算法对其进行改进,在算法中会生成多个初始随机候选解,并使它们基于正弦和余弦的数学模型向外波动或向最优解的方向波动,利用多个随机变量(r1~r4)和自适应变量(、/>)来计算当前解所在位置,从而可以搜索空间中的不同区域,有效地避免局部最优,收敛于全局最优,它使每个个体都能在更广阔的空间里探索,并使TSO具有全局探索能力。
当进行螺旋搜索故障点时,可能会陷入局部最优解,需要使金枪鱼群算法(TSO)具有全局探索能力,即rand大于等于z且小于0.5,同时满足t/tmax小于rand时,更新式(17),进行训练数据集的迭代运算;转步骤S305;
(17)
(18)
其中,为第t次迭代的第i个个体的位置,/>是第t+1次迭代的第i个个体的位置, r2为0到2/>的随机数,/>为0到2之间的随机数,r4为0到1的随机数,/>表示在t次迭代时最优个体位置变量的第i维的位置,c为第二常数,r1表示下一个解的位置区域在当前解和最优解之内或者之外,较小的r1的值有助于增强算法的局部开发能力,较大的r1的值有助于提高算法的全局探索能力,同时r1的值随迭代次数逐渐减小,平衡了算法局部开发和全局搜索的能力;/>为第一~第三随机因子,第一随机因子r2定义了当前解朝向或者远离最优解多远; 第二随机因子/>为最优解给出一个随机权值,是为了随机强调/>或者忽略最优解在定义候选解移动距离时的影响效果; 第三随机因子r4平等地切换正弦和余弦函数。
金枪鱼除了形成螺旋觅食外,还形成抛物线合作觅食,金枪鱼以食物为参照点形成抛物线形,此外,金枪鱼通过在周围搜索来寻找食物,假设两种方法的选择概率均为50%,则两种方法同时进行,即当进行抛物线合作搜索或在周围搜索故障点时,当rand大于等于z且rand大于等于0.5时,更新式(19),进行训练数据集的迭代运算;转步骤S305;
(19)
其中,为第t次迭代的第i个个体的位置,/>是第t+1次迭代的第i个个体的位置,/>是当前最佳个体(食物)的位置,TF是一个值为1或-1的随机数,p为第一中间变量。
BP神经网络(Back Propagation Neural Network)是一种基于误差反向传播算法(Back Propagation Algorithm)的人工神经网络,也是应用最广泛的神经网络之一,它可以用来解决分类、回归、模式识别、数据挖掘等多种问题。
BP神经网络由输入层、隐层和输出层组成,其中隐层可以包含多个神经元,用于处理输入数据的非线性映射关系,BP神经网络的训练过程包括前向传播和反向传播两个步骤,BP神经网络的构成如图3所示。
神经网络在训练时,误差的反向传播过程,其实就是用训练模型的输出层上所有神经元的值减去实际值获得误差值,在通过反向传播来不断地调整权值和阈值,通过求得的误差,对各层神经元权值及阈值的偏导数方向和大小进行修正,一直到误差达到我们预设的条件为止,训练结束。
通过步骤S3,构造BP神经网络(ITSOBP)进行训练得到优化后的BP神经网络(ITSOBP);
S4、将测试数据集输入到优化后的BP神经网络(ITSOBP)中,对离合器进行故障预测,输出预测结果。
本实施例的研究对象为某型装甲车辆的综合传动装置,通过现有的装备试验台采集离合器油压传感器信号的数据值,通过TOPSIS算法对数据进行预处理,将预处理后筛选的评价高的信号的数据值通过改进的金枪鱼群算法优化BP神经网络(ITSOBP)进行试验,采集得到的数据值作为实验的初始数据。
对采集的数据通过TOPSIS算法进行评价排序并归一化处理,采用改进的金枪鱼群优化算法优化BP神经网络(ITSOBP)对某型装甲车辆综合传动装置中的离合器进行故障预测,利用多个随机变量和自适应变量来计算当前解所在位置,从而可以搜索空间中的不同区域,有效地避免局部最优,收敛于全局最优,弥补了在训练过程中参数选择的盲目性的缺陷,提高了回归预测模型的预测精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本实例发明,凡在本发明的精神和原则之内,所做的任何修改,等同替换、改进等,均应包含在本发明的保护范围内。
Claims (7)
1.一种基于ITSOBP的综合传动装置故障预测算法,其特征在于包括以下步骤:
S1、采集传动装置的离合器油压传感器数据;
S2、通过TOPSIS算法对油压传感器数据进行预处理,得到模型输入数据集;
将模型输入数据集分为测试数据集和训练数据集;
S3、对于训练数据集,采用改进的金枪鱼群算法构造BP神经网络(ITSOBP)进行训练得到优化后的BP神经网络(ITSOBP);
S4、将测试数据集输入到优化后的BP神经网络(ITSOBP)中,对离合器进行故障预测,输出预测结果。
2.根据权利要求1所述的基于ITSOBP的综合传动装置故障预测算法,其特征在于:步骤S2中,通过TOPSIS算法对油压传感器数据进行预处理,得到模型输入数据集,是对采集的油压传感器原始数据通过TOPSIS算法进行评价排序并归一化处理,从中提取出关键属性信息构建数据集,具体为:
S201、构造决策矩阵,设n个具有m个参数指标的评价对象,得到一个n×m的决策矩阵;
S202、判断m个参数指标是否需要进行正向化处理,如果需进行正向化处理,则将常见的极大型指标、极小型指标、中间型指标以及区间型指标均转化为极大型指标,得到正向矩阵;
S203、正向矩阵标准化:将正向矩阵消除量纲,并进行标准化处理,得到标准化后的矩阵Z;
S204、对于标准化后的矩阵Z,计算每一个评价对象与最大值、最小值的距离;
S205、利用评价对象与最大值、评价对象与最小值的距离通过计算得分;
S206、对评价对象进行得分排序,得到归一化处理后的评价结果,做为输入模型的训练数据集。
3.根据权利要求2所述的基于ITSOBP的综合传动装置故障预测算法,其特征在于:步骤S202中,如果m个参数指标不需要进行正向化处理,则转步骤S204。
4.根据权利要求1所述的基于ITSOBP的综合传动装置故障预测算法,其特征在于:
步骤S3中,改进的金枪鱼群算法通过正余弦优化算法实现,利用多个随机变量和自适应变量来计算当前解所在位置,以搜索空间中的不同区域,收敛于全局最优,再通过改进的金枪鱼群算法对BP神经网络进行优化,具体为:
S301、随机生成初始化种群:改进的金枪鱼群算法通过在搜索空间中均匀随机生成初始种群来启动优化过程,其数学模型为:
(11)
其中,为第t次迭代的第i个个体的位置,ub和lb分别为搜索空间的上界和下界,NP为金枪鱼种群的数量,rand为[0,1]内的第一随机数;
S302、指定第一、二自由参数a和z,其中第一自由参数a,用于确定金枪鱼在初始阶段跟随最佳个体和前一个体的程度,第二自由参数z大于0且小于0.5;
S303、根据不同觅食策略计算金枪鱼适应度,并更新α 1、α 2和p,控制个体向最佳个体和前一个个体移动趋势;
(13)
(14)
(20)
其中,α 1是控制个体向最佳个体的权重系数、α 2为前一个个体移动趋势的权重系数,t表示当前迭代次数,tmax表示最大迭代次数,p为第一中间变量;
S304、判断rand是否小于z;如果rand小于z则更新式(11),进行训练数据集的迭代运算;
S305、当迭代次数没有达到最大,则返回步骤S303;当迭代次数达到最大时,输出经过训练的训练数据集至训练BP神经网络,构建预测模型。
5.根据权利要求4所述的基于ITSOBP的综合传动装置故障预测算法,其特征在于:当觅食策略为螺旋觅食策略时,即进行螺旋搜索故障点时, rand大于等于z且小于0.5,同时满足大于等于rand时,更新式(12),进行训练数据集的迭代运算;转步骤S305;
(12)
(15)
(16)
其中, 是第t+1次迭代的第i个个体的位置,/>是第t次迭代的第i-1个个体的位置,/>是当前最佳个体的位置,/>为第二中间变量,l为第三中间变量,ebl为第四中间变量,b为[0,1]内的第二随机数。
6.根据权利要求5所述的基于ITSOBP的综合传动装置故障预测算法,其特征在于:
当进行螺旋搜索故障点时,可能会陷入局部最优解,需要使金枪鱼群算法(TSO)具有全局探索能力,即rand大于等于z且小于0.5,同时满足t/tmax小于rand时,更新式(17),进行训练数据集的迭代运算;转步骤S305;
(17)
(18)
其中, r2为0到2的随机数,/>为0到2之间的随机数,r4为0到1之间的随机数,/>表示在t次迭代时最优个体位置变量的第i维的位置,c为第二常数,r1表示下一个解的位置区域在当前解和最优解之内或者之外,较小的r1的值有助于增强算法的局部开发能力,较大的r1的值有助于提高算法的全局探索能力,同时r1的值随迭代次数逐渐减小,平衡了算法局部开发和全局搜索的能力;/>为第一~第三随机因子,第一随机因子r2定义了当前解朝向或者远离最优解多远; 第二随机因子/>为最优解给出一个随机权值,是为了随机强调/>或者忽略/>最优解在定义候选解移动距离时的影响效果; 第三随机因子r4平等地切换正弦和余弦函数。
7.根据权利要求4所述的基于ITSOBP的综合传动装置故障预测算法,其特征在于:
当觅食策略为抛物线合作觅食策略时,即当进行抛物线合作搜索或在周围搜索故障点时,当rand大于等于z且rand大于等于0.5时,更新式(19),进行训练数据集的迭代运算;转步骤S305;
(19)
其中,为第t次迭代的第i个个体的位置,/>是第t+1次迭代的第i个个体的位置,/>是当前最佳个体的位置,TF是一个值为1或-1的随机数,p为第一中间变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160662.9A CN117708771B (zh) | 2024-02-05 | 2024-02-05 | 一种基于itsobp的综合传动装置故障预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160662.9A CN117708771B (zh) | 2024-02-05 | 2024-02-05 | 一种基于itsobp的综合传动装置故障预测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708771A true CN117708771A (zh) | 2024-03-15 |
CN117708771B CN117708771B (zh) | 2024-04-26 |
Family
ID=90148225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160662.9A Active CN117708771B (zh) | 2024-02-05 | 2024-02-05 | 一种基于itsobp的综合传动装置故障预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708771B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
CN115147651A (zh) * | 2022-07-05 | 2022-10-04 | 西安理工大学 | 水电机组轴心轨迹的识别方法 |
CN116050241A (zh) * | 2022-11-02 | 2023-05-02 | 西安石油大学 | 基于pca-tso-bpnn模型的海底管道腐蚀速率预测方法 |
CN116294286A (zh) * | 2023-03-21 | 2023-06-23 | 淮阴工学院 | 一种新型化工企业废水回收的高效制冷调节器 |
CN116846565A (zh) * | 2022-02-14 | 2023-10-03 | 郑州轻工业大学 | 一种基于saa-ssa-bpnn的网络安全态势评估方法 |
CN116992341A (zh) * | 2023-06-27 | 2023-11-03 | 合肥工业大学 | 一种轴承故障诊断的分类方法 |
-
2024
- 2024-02-05 CN CN202410160662.9A patent/CN117708771B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894270A (zh) * | 2010-07-26 | 2010-11-24 | 中国科学院遥感应用研究所 | 面向遥感影像分类的样本自动选取方法 |
CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
CN116846565A (zh) * | 2022-02-14 | 2023-10-03 | 郑州轻工业大学 | 一种基于saa-ssa-bpnn的网络安全态势评估方法 |
CN115147651A (zh) * | 2022-07-05 | 2022-10-04 | 西安理工大学 | 水电机组轴心轨迹的识别方法 |
CN116050241A (zh) * | 2022-11-02 | 2023-05-02 | 西安石油大学 | 基于pca-tso-bpnn模型的海底管道腐蚀速率预测方法 |
CN116294286A (zh) * | 2023-03-21 | 2023-06-23 | 淮阴工学院 | 一种新型化工企业废水回收的高效制冷调节器 |
CN116992341A (zh) * | 2023-06-27 | 2023-11-03 | 合肥工业大学 | 一种轴承故障诊断的分类方法 |
Non-Patent Citations (1)
Title |
---|
冯登放: ""基于机器学习的网络流量异常预警系统的设计与实现"", 《信息科技辑》, 15 December 2022 (2022-12-15), pages 1 - 6 * |
Also Published As
Publication number | Publication date |
---|---|
CN117708771B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858506B (zh) | 一种面向卷积神经网络分类结果的可视化算法 | |
CN110288048B (zh) | 一种svm有向无环图的海底管道风险评估方法 | |
CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
US7324979B2 (en) | Genetically adaptive neural network classification systems and methods | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
WO2008016109A1 (fr) | Procédé d'optimisation de jeu de données d'apprentissage pour dispositif d'identification du signal et dispositif d'identification du signal capable d'optimiser le jeu de données d'apprentissage | |
CN109543741A (zh) | 一种基于改进人工蜂群的fcm算法优化方法 | |
CN112926640B (zh) | 一种基于两阶段深度特征选择的癌症基因分类方法、设备及存储介质 | |
CN113096806A (zh) | 基于医学影像算法和区块链的疾病预测系统 | |
CN117117859A (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
CN111507365A (zh) | 一种基于模糊聚类的置信规则自动生成方法 | |
CN115564983A (zh) | 目标检测方法、装置、电子设备、存储介质及其应用 | |
Phan et al. | Efficiency enhancement of evolutionary neural architecture search via training-free initialization | |
CN115796358A (zh) | 一种碳排放预测的方法及终端 | |
CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 | |
CN117708771B (zh) | 一种基于itsobp的综合传动装置故障预测算法 | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
CN111626341A (zh) | 一种面向水下目标识别的特征级信息融合方法 | |
CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
CN113746813B (zh) | 基于两阶段学习模型的网络攻击检测系统及方法 | |
CN112801971A (zh) | 一种基于把目标视为点改进的目标检测方法 | |
Sohail et al. | Selection of optimal texture descriptors for retrieving ultrasound medical images | |
CN118364342B (zh) | 一种火控计算机电源模块故障诊断方法 |
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 |