[发明专利]一种基于改进粒子群优化算法的传感器故障监测方法

说明书

本发明公开了一种基于改进粒子群优化算法的传感器故障监测方法。改进型粒子群优化算法对预测传感器输出值的支持向量回归算法超参数进行寻优，根据粒子临近度动态调整粒子的惯性权重，粒子不断迭代，更新自身位置和速度，最终得到全局最优解。通过最优解位置对应的超参数建立传感器输出值的支持向量回归预测模型，实时预测传感器输出值，对比时间窗口内的传感器输出值和测量值，判断传感器故障类型。

技术领域

本发明涉及一种基于改进粒子群优化算法的传感器故障监测方法，属于设备故障监测领域。

背景技术

随工业设备日趋大型化、复杂化、自动化及智能化，为实现对设备运行状态的实时监测，大型工业设备通常配备了大量传感器。长期工作在高温、高压和高热应力的恶劣环境使得传感器常常成为整个设备可靠性最低的环节。当控制系统收到由故障传感器产生的错误信号时，可能会引起误报警、误诊断、误操作，甚至造成不可估量的损失。因此，快速准确地识别传感器故障具有重要意义。

目前，常见的传感器故障诊断方法是通过冗余生成残差。如果残差超出设定的阈值，则可以判断传感器存在故障。可以通过两种方式获得冗余，即物理冗余法和分析冗余法。物理冗余法是在同一个参数的不同测点，布置多个传感器，通过冗余计算残差来判断传感器的测量值是否为真实值，该方法简单明了，但是具体实施中，由于受现场实际环境限制，不一定能布置多个传感器，且高成本，高安装复杂性和低可靠性的缺陷，严重限制了其广泛应用。分析冗余法首先对传感器的信号进行分析和处理，通过分析不同系统变量之间的固有关系并建立相应的数学模型来获得冗余，此方法具有低成本，快速响应能力和对不同故障形式的强适应性的特点。

支持向量回归(Support Vector Regression，简称SVR)算法是一种具有良好预测精度的分析冗余方法。但SVR算法准确性高度依赖于其超参数的选取。粒子群优化(Particle swarm optimization，简称PSO)算法广泛应用于SVR算法的超参数寻优，取得了良好效果，但PSO算法也存在收敛速度慢和易陷入局部最优的缺点。上述算法的不足限制了现有传感器故障诊断方法的应用。

发明内容

发明目的：本发明的目的在于针对上述现有方法的不足，提供一种基于改进粒子群优化算法的传感器故障监测方法。在经典粒子群优化算法的基础上引入临近度控制粒子群优化算法的惯性权重，从而加快粒子群优化算法的收敛速度并引导其脱离局部最优解。

技术方案：本发明的一种基于改进粒子群优化算法的传感器故障监测方法，包括以下步骤：

s1、采集设备各传感器历史数据，所研究的传感器，其测量参数为y，设备其余传感器所测参数中，对y影响较大的参数，集合为s，则支持向量回归训练集为这里y_i是所研究传感器第i个测量值，作为支持向量回归输出量，s_i是其他传感器的第i个测量值，作为支持向量回归输入量，n是样本容量；

s2、设置粒子群算法的种群个数N，阈值λ，最大迭代次数t_max，设置模型参数的上下限，在模型参数上下限范围内随机生成初始粒子位置X⁰和速度V⁰，设定当前惯性权重计算方法为这里t为当前迭代次数；

s3、对种群中每个粒子，将粒子位置X对应的三维向量[C，ε，γ]设置为支持向量回归算法超参数，这里C是支持向量回归模型惩罚因子，ε是不敏感因子，γ高斯核函数带宽，通过当前训练集训练对应支持向量回归模型，计算对应支持向量回归模型在训练集上的均方根误差RMSE，当前粒子适应度fitness＝1/RMSE，根据各粒子适应度，记录全局粒子适应度最高位置和每个粒子历史适应度最高位置，分别称为全局最优解和粒子历史最优解；

s4、根据当前设定的惯性权重计算方法，计算粒子惯性权重；

s5、根据当前全局最优解、粒子历史最优解和惯性权重更新粒子速度和位置；