基於蟻群優化算法的故障診斷規則優化方法
2023-06-01 20:24:06
專利名稱:基於蟻群優化算法的故障診斷規則優化方法
技術領域:
本發明涉及智能故障診斷方法,尤其涉及一種基於蟻群優化算法的故障診斷規則優化方法,屬於模式識別技術領域。
背景技術:
故障診斷技術的發展主要經歷了人工診斷、現代診斷和智能診斷等三個階段,發展至今,故障診斷方法可劃分為基於解析模型的方法、基於信號處理的方法和基於知識的方法等。近年來,用於分類的基於人工智慧的數據挖掘技術在複雜系統故障檢測與診斷研究中得到廣泛應用。神經網絡通過學習用於表達故障診斷知識的連接權來實現故障與徵兆之間複雜的非線性映射關係。智能診斷方法由於具有以下的幾點優勢而日益受到診斷專家的青睞。(1) 能夠有效地利用診斷專家的知識和經驗。(2)具有診斷專家般的推理能力,自動實現從故障徵兆到故障原因的映射。(3)具備學習機制,能夠從過去的診斷實例中獲取診斷知識。(4)對診斷結果具有解釋能力。專家系統、模糊理論、神經網絡、粗集理論以及它們相互之間和它們與其它信息處理技術的融合是人工智慧手段的主要表現方法,在診斷領域中,它們受到越來越廣泛的重視。(1)專家系統診斷方法為完成一個診斷專家系統最基本的功能,它必須包含三個組成部分知識庫、推理機及人機接口。擴充部分包括全局資料庫、知識獲取部分和解釋部分。建立知識庫(尤其是獲取知識)通常是專家系統建造過程中的一個瓶頸問題。推理機是專家系統的組織控制結構,它能根據當前的輸入數據(如設備運行過程),運用知識庫的知識,按一定的搜索策略,對當前運行狀況進行診斷。(2)模糊診斷方法系統運行狀況從正常運行到故障產生是一個漸變過程,系統的 「故障」與「正常」屬於兩個模糊集。模糊邏輯診斷方法在於建立正確的故障徵兆與故障原因之間的從屬關係,構造出相應的診斷矩陣,實現故障徵兆與故障原因之間的映射。通過這種模糊映射關係,可以實現由模糊徵兆集獲得故障原因集。(3)神經網絡診斷方法由於神經網絡具有很強的非線性映射能力,能準確地模擬複雜設備的故障徵兆與故障原因之間的關係,並具有並行處理能力、自學習能力和記憶能力,因而已成功地應用於故障診斷領域。(4)粗集診斷方法粗集理論是基於不可分辨性的思想和知識簡化的方法,在保持分類能力不變的前提下,通過知識約簡,從數據中推理邏輯規則作為知識系統的模型。它在分類的意義下定義了模糊性和不確定性的概念。利用粗集理論對系統進行故障診斷決策表進行約簡處理,解釋系統各種故障表徵內在的冗餘性,為系統故障診斷提供了新的有效途徑
實際上,每個故障特徵模式樣本庫中的數據向量即代表一條診斷規則,但是由於缺乏先驗知識,採集樣本數據時考慮的屬性項較多,造成故障診斷規則比較長,而其中的一些屬性項與該類故障關係較小甚至沒有關係,所考慮的屬性項之間也存在冗餘關係。並且,不同的樣本數據向量往往對應同一類故障,因此故障診斷規則的故障類別預測精度比較低。
發明內容
本發明所要解決的技術問題在於克服現有故障診斷方法存在的故障診斷規則不夠簡約、冗餘較大,導致故障類別診斷精度比較低的不足,提供一種基於蟻群優化算法的故障診斷規則優化方法,通過該優化方法,可找到含較少屬性項、較高故障類別診斷精度的診斷規則。為便於公眾更好地理解本發明,以下首先對蟻群算法的基本原理及相關概念作一簡要介紹。蟻群算法(Ant Colony Optimization,AC0)源於上世紀90年代初,Dorigo等人通過模擬自然界螞蟻集體出巢,搜索最短覓食路徑的行為而提出的,並成功應用於解決TSP 問題。ACO算法具有正反饋、並行分布式計算、強魯棒性等優點,已受到國內外眾多研究者的關注。自然界蟻群覓食行為的基本思想是蟻群從蟻巢出發,在所經過的路徑上會釋放一種特殊分泌物——信息素,則該路徑上走過的螞蟻越多,留下的信息素也越多,後來的螞蟻更傾向於選擇信息素較多的路徑,因此,隨著時間的流逝,較優路徑上的信息量越來越大,而較差路徑上的信息素會因為揮發而逐漸消減,最終使整個蟻群找到到達食物源的最優路徑。蟻群算法是模擬自然界螞蟻根據可選擇路徑上先前螞蟻留下信息量的大小來選擇一條最佳路徑的一種啟發式智能仿生優化算法。螞蟻A從當前節點i轉移到下一可選節點alloewd中的J節點的狀態轉移概率可表示為
權利要求
1. 一種基於蟻群優化算法的故障診斷規則優化方法,所述故障診斷規則為系統故障特徵模式樣本庫中的故障模式樣本數據向量,其特徵在於,所述優化方法包括以下步驟步驟1、生成螞蟻可能行走的路徑和節點網格圖,原點表示蟻巢,橫坐標表示Cmax 個屬性項,縱坐標表示Olmax之間的正整數表示的屬性特徵值,表示最大的屬性特徵值,即Aiax=Hiax^1, D2,…,外_),代表示第i個屬性的最大特徵值,網格圖中橫坐標為i縱坐標為J·的節點表示第i個屬性項的第J·個特徵值,節點坐標亦表示為(i,力虛線表示不是螞蟻的行走路經,實線表示螞蟻可選擇的行走路徑;ι = Κ飄,J=Q-Di ;步驟2、初始化蟻群優化算法的參數,其中網格圖中各路徑的能見度,表示螞蟻位置處在坐標為(i-l,7)的節點上對坐標為(i,jO的節點的能見度,由節點(i,J·)表示的屬性特徵值的信息熵來量度,具體按照以下公式得到, Iog2 r-i¥(r|4 = Pp
2. 一種故障診斷規則約簡方法,所述故障診斷規則由至少一個條件項組成,其特徵在於,該方法包括以下步驟步驟1、設原故障診斷規則中包含#個條件項,#為自然數,按照下式計算只含單個條件項的診斷規則的診斷精度,
全文摘要
本發明公開了一種基於蟻群優化算法的故障診斷規則優化方法,用於智能故障診斷。本發明採用蟻群優化算法,通過約簡故障模式樣本數據向量的長度,將系統故障特徵模式樣本庫中的故障診斷規則(即故障模式樣本數據向量)進行約簡優化,剔除了故障診斷規則中冗餘的條件項,得到了具有更少的條件項、更高的故障診斷精度的最優診斷規則,從而可提高診斷現場故障問題的故障類別的準確率。本發明還公開了一種故障診斷規則約簡方法。
文檔編號G06N3/00GK102163300SQ201110099368
公開日2011年8月24日 申請日期2011年4月20日 優先權日2011年4月20日
發明者江駒, 浦黃忠, 王新華, 王道波, 甄子洋 申請人:南京航空航天大學