[发明专利]基于优化粒子群算法和神经网络的柴油机故障诊断方法

说明书

本发明公开了基于优化粒子群算法和神经网络的柴油机故障诊断方法，它涉及柴油机故障诊断技术领域。它包括对粒子群算法的寻优过程进行改进、用优化过的粒子群算法对径向基函数神经网络的参数进行寻优、构建出最优径向基函数神经网络以及用得出的最佳径向基函数神经网络进行数据测试，利用优化的粒子群算法选取出径向基函数神经网络参数进行训练，得到最优径向基函数神经网络，运用最优径向基函数神经网络进行柴油机的故障诊断，相较于常用的粒子群算法，改进的粒子群算法能够更快地收敛，且不易陷入局部极值，能更快、更好地构建出最优径向基函数神经网，改进的粒子群和径向基函数神经网络能够在柴油机故障诊断中达到更高的准确率。

技术领域

本发明涉及柴油机故障诊断技术领域，具体涉及基于优化粒子群算法和神经网络的柴油机故障诊断方法。

背景技术

由于柴油机的结构复杂，并且在一些领域的工作状况复杂，使得其比一般生产设备发生故障的概率更高。因此对柴油机故障进行快速准确的诊断，对于保证柴油机正常工作意义重大。柴油机结构的复杂性，使某些传统故障诊断方法耗时长、准确率低。近年来，随着人工智能技术的发展，将人工智能引入故障诊断的研究正逐步展开。如：支持向量机、模糊理论、BP、径向基函数神经网络等，凭借着大规模并行协同处理、容错与联想、以及学习能力强的特点，正日益成为人工智能重要的理论方法，得到广泛应用。但神经网络算法存在收敛时间长、陷入局部极小值导致算法无法收敛的局限性，因此需要改善神经网络性能，加速网络收敛，避免局部极小值出现，以一种优化的神经网络进行柴油机故障诊断。

发明内容

本发明要解决的技术问题是提供基于优化粒子群算法和神经网络的柴油机故障诊断方法，能够优化神经网络性能，加速网络收敛，避免局部极小值出现，提高使用径向基函数神经网络进行柴油机故障诊断的准确率。

为解决上述技术问题，本发明的技术方案为：包括粒子群算法迭代过程的优化、通过优化粒子群算法得到建立最优径向基函数神经网络的参数、构建出最优径向基函数神经网络以及用得出的最佳径向基函数神经网络进行数据测试，利用优化的粒子群算法选取出径向基函数神经网络参数进行训练，得到最优径向基函数神经网络，运用最优径向基函数神经网络进行柴油机的故障诊断，具体包括如下步骤：

S1、对标准粒子群算法进行优化，加快算法寻优的速度，避免算法陷入局部极值：

S101、对粒子群算法的权重参数按照构建的非线性函数进行更新优化，以此加快收敛的速度，并且保证较高的精度；

S102、对粒子群算法的两个学习因子更新公式进行改进，保证粒子在运算前期具有较好的全局搜索能力，同时保证粒子在运算后期有较强的局部收敛能力，使收敛速度加快；

S103、对粒子群算法的速度更新公式进行改进，使得如果粒子在上一次迭代中朝着全局最优方向飞行，那么在下一次迭代中的粒子飞行速度不变，否则按照公式进行更新速度；

S2、通过优化后的粒子群算法中粒子个体之间的协作，最终达到群体最优，通过个体与群体最佳位置的多次迭代，得到建立最优径向基函数神经网络的参数：

S201、用构成径向基函数神经网络所需要的参数构成改进粒子群算法中的粒子；

S202、将构成的粒子代入目标函数中，得到初始适应度值；

S203、通过优化后的粒子群算法进行粒子位置及速度的更新，并计算更新之后的适应度值；

S204、判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，满足其中一项条件即可停止迭代，取当前迭代出来的粒子作为最佳粒子，用构成粒子的参数作为最佳径向基函数神经网络的参数；若不满足条件，则继续执行S203，直到满足结束迭代条件得出最佳径向基函数神经网络参数；