基于新型粒子群优化粒子滤波的故障诊断方法

合集下载

基于粒子群优化LS-WSVM的电机断条故障诊断

2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载电机、转子断3条满载电机的10个周期的定子电流信号即1000个数据进行三层分解，求出每个节点信号的能量，得到的特征向量如下表所示：
2.2 小波变换
选择db6小波分别对正常电机、转子断1条满载电机、转子断3条满载电机的10个周期的定子电流信号即1000个数据进行三层分解，求出每个节点信号的能量，得到的特征向量如下表所示：
0.01
0.005
0.07 0.06
dB
0.05 0.04 0.03 0.02 0.01 0 25 30 35 40 45 50 频率 /Hz 55 60 65 70 75
0
(1+2s)f
30
35
40
45
50 频率 /Hz
55
60
65
70
2.2 小波变换
小波变换是在傅里叶变换的基础上发展起来的。傅里叶变换是用正弦函数来逼近信号，小波变换是用小波函数来逼近信号。小波变换可以对信号进行局部分析，其窗口函数的面积固定但是形状可以改变。在信号的低频部分，窗口函数在时域较宽，分辨率低，在频域较窄，分辨率高；在信号的高频部分，窗口函数在时域较窄，分辨率高，在频域较宽，分辨率低。这个优点正好符合我们对信号分析的要求，故小波变换被誉为“数学显微镜”。
n 2 i 1 i i i i
2.3 最小二乘小波支持向量机
最小二乘支持向量机基本原理最小二乘支持向量机（Least squares Support Vector Machines,LS-SVM）是将标准支持向量机的不等式约束用等式约束代替，即将式（3.10）中的 ≥用=代替。且将误差平方和损失函数作为训练集的经验损失，将优化问题简化成求方程组的问题，大大提高了求解的速度。

基于改进粒子滤波的故障诊断方法研究

电工材料2020No.6引言随着国民经济的不断提高，电力工业得到了大力发展，为顺应我国智能大电网的发展理念，电力系统的稳定运行得到了广泛关注。

因此，为提高电力系统的可靠性，对电气设备进行准确的故障诊断成为亟待解决的问题。

目前国内网已有诸多学者对电气设备故障诊断做出了相关研究。

文献[1]提出了基本粒子滤波算法，将其应用于控制领域；文献[2]将粒子滤波算法应用在了电气设备，发现粒子滤波算法存在实时性问题；文献[3]引入残差平滑值，运用粒子滤波算法进行了故障诊断研究；文献[4]运用神经网络对粒子滤波算法进行了相应改进，提高了故障诊断的速度；文献[5]提出了一种只能粒子滤波算法，对粒子滤波算法进行了优化，提高了故障诊断的精度。

基于上述研究，为提高电气设备故障诊断的准确性，运用粒子群优化了粒子滤波算法，随后基于CUDA 并行算法，提出了一种PSOPF 并行算法，并运用该算法进行了故障诊断。

1粒子群优化粒子滤波算法1.1基于CUDA 的PSOPF 算法并行算法引入线程-粒子对应策略，提出一种基于CU-DA 的PSOPF 并行算法，其思路为：（1）建立线程数，其数量与粒子数相同；（2）应用线程-粒子对应策—————————————作者简介：杨沈洋（1983-），男（汉族），湖北孝感人，工程师，主要从事特高压直流输电技术、换流站运维管理、柔性直流技术的研究。

收稿日期：2020-04-03基于改进粒子滤波的故障诊断方法研究杨沈洋（国网湖北省电力有限公司直流运检公司，湖北宜昌443000）摘要：针对电气设备的非线性故障诊断研究，提出了一种改进型粒子滤波算法。

对粒子群优化粒子滤波(PSOPF)算法的并行性进行分析；基于CUDA 并行计算架构，实现了一种PSOPF 并行算法。

最后引入基于残差平滑值的故障诊断，运用PSOPF 并行算法对风电机组变桨距及双馈风电机进行故障诊断。

结果表明，当进行故障诊断时，采用该改进型PSOPF 并行算法结合残差平滑法具有更高的优越性。

基于粒子群优化LSSVM的模拟电路故障诊断方法

基于粒子群优化LSSVM的模拟电路故障诊断方法焦鹏;王新政;谢鹏远【期刊名称】《现代电子技术》【年(卷),期】2013(000)008【摘要】Aiming at insufficient diagnosis information and parameter tolerance of the traditional fault diagnosis methods, an analog circuit fault diagnosis method based on least square support vector machine(LSSVM)is proposed in this paper. The parameters of LSSVM are optimized with particle swarm optimization(PSO)algorithm to improve the accuracy of fault diagnosis. The experimental results demonstrated the feasibility and effectiveness of the proposed method.% 针对模拟电路故障诊断中存在的诊断信息不充分、参数容差及元器件的非线性等问题，利用最小二乘支持向量机(LSSVM)在小样本情况下良好的学习能力和泛化能力建立基于LSSVM的模拟电路故障分类模型。

同时为提高故障诊断精度，采用粒子群优化(PSO)算法对LSSVM 的参数进行优化，避免了参数选择的盲目性。

最后以典型滤波器电路的故障诊断为例进行了仿真验证。

实验结果证明基于PSO的LSSVM模型可有效改善遍历搜索引起的效率问题，其故障分类准确性及模型诊断效率都得到提高。

【总页数】4页(P35-38)【作者】焦鹏;王新政;谢鹏远【作者单位】海军航空工程学院研究生管理大队，山东烟台 264001;海军航空工程学院科研部，山东烟台 264001;中国人民解放军91055部队，浙江台州318050【正文语种】中文【中图分类】TN710-34;V241.4【相关文献】1.基于改进PSO-LSSVM的模拟电路诊断方法 [J], 胡天骐;单剑锋;宋晓涛2.基于粒子群优化的LSSVM在模拟电路故障诊断中的应用 [J], 李璇;彭继刚;王凯歌3.基于迁移学习LSSVM的模拟电路故障诊断 [J], 庄城城;易辉;张杰;刘帅4.基于改进PSO算法优化LSSVM的模拟电路软故障诊断方法 [J], 丁国君;王立德;申萍;刘彪5.基于小波变换和CFA-LSSVM模拟电路故障诊断 [J], 谈恩民;王存存;张欣然因版权原因，仅展示原文概要，查看原文内容请购买。

基于粒子群模糊聚类算法的电机故障诊断方法

基于粒子群模糊聚类算法的电机故障诊断方法摘要：针对模糊C均值聚类算法（FCM）对于异常点较为敏感和对高维数据处理效果较差的缺陷，利用PSO算法较强的全局搜索能力和高效的优化性能，提出了一种新的以采用隶属度作为粒子编码为基础的基于粒子群的模糊聚类算法。

该算法中粒子根据模糊聚类中的隶属度进行编码，采用了一种新的约束策略用于保证FCM的约束条件，从而优化了FCM 算法的聚类结果。

将该算法应用于电机故障诊断中，实验表明，该算法弥补了FCM 算法的缺陷，提高了聚类的效率和准确性，改善了故障诊断结果。

关键词：粒子群优化算法；模糊C均值；故障诊断1.概述目前，电机故障诊断已进入人工智能方法阶段，现在比较热门的方法包括神经网络方法、粒子群算法[1]以及模糊聚类[2]等方法。

作为一种交替优化算法，FCM在寻找全局最优值时通常可起到较好的效果。

但是，当数据集中含有一些噪音值，或者当数据的维数较高时，FCM很难发现全局最优。

在这种情况下，结合以群为基础的随机优化算法，便能较大的提高FCM的全局优化能力。

本文结合粒子群优化算法提出了一种新的基于粒子群的模糊聚类算法，文中称之为PSO-U-FCM。

该算法中粒子依照模糊聚类中的隶属度进行编码，采用新的策略保证模糊聚类中约束条件的实现。

利用该算法极大地提高了FCM的聚类效果，并且有效的提高了故障诊断的性能。

2.相关算法介绍2.1 模糊C均值聚类算法模糊C均值聚类算法可描述如下[3]：已知样本集X为，n为样本的个数，每个样本有k个属性。

设要将n个样本分为类，第i个样本对第k类的隶属度记为，需满足：（1）；（2）。

FCM的目标函数为：（2.1）m是加权指数。

其中为第i类的聚类中心，通过2.2式计算得出，而隶属度由2.3式得出。

（2.2）（2.3）FCM即是先给出初始方案，通过2.2式与2.3式反复迭代，最终使得目标函数式2.1达到最小。

2.2 粒子群优化算法粒子群优化算法的基本思想是通过群体中个体之间的合作和信息共享来寻找最优解，是一种基于群体智能方法的进化计算技术。

基于粒子滤波的分布式故障诊断

中图分类号：Ｔ２３Ｐ７文献标识码：Ａ文章编号：１０－７７２０）３０００００９８（０８０－０３－４
Ｄｉｔｉｕｅａｌｉｇｏｉａｅｎｐｒｉｌｌｅｉｇｓｒｂｔｄｆｕｔｄａｎｓｓｂｓｄｏａｔｃｅｆｔｒｎｉ
（岛科技大学自动化与电子工程学院。青山东青岛２６４）６０２摘要：针对非线性、非高斯环境下多传感器的系统故障诊断问题，提出了一种新的基于粒子滤波的分布
式故障诊断方法。通过粒子滤波得到的状态估计值的全概率分布信息可用于故障检测。首先建立系统分布式故障诊断模型，由于通信限制，假设各传感器只能向信息融合中心传输二进制数。在各观测值独立同分布的条件下，出了分布式故障诊断算法，提包括本地判决的设计和融合中心的准则设计。仿真结果表明了所提出算法的有效性和优越性。关键词：粒子滤波；故障诊断；布式；状态估计分
ቤተ መጻሕፍቲ ባይዱ
Ｑｉｇａ６０２，ｈｎ）ｎｄｏ２６４Ｃｉａ
Ａｂｓｒｃ：Ａｉｉｇａｔａｌａｎｓｓｆｒｎｎｌｎａ，ｎ— ｕｓａｓｓｅｍｏｉｏｅｍｕｔｐｅｅｓｒｔａｔｍｎｔｈｅｆｕｔｄｉｇｏｉｏｏｉｅｒｎｏＧａｓｉｎｙｔｍｓｎｔｒｄｂｙｌｉｌｓｎｏｓ，ａｎｏｅａｔｃｅｆｌｅｎｇｂａｅｐｐｏｃｏｄｓｒｂｕｅａｔｄｉｇｏｉｓｄｖｌｐｄ．ｅｏｔｄａｔｇｓｉｈｔｔｖｌｐｒｉｌｔｒｓｄａｒａｈｔｉｔｉｉｉｔｄｆｕｌａｎｓｓｉｅｅｏｅＯｎｆｉａｖｎａｅｓｔａｈｅｓｃｍｐｅｅｐｒｂｂｌｔｓｒｂｕｉｎｉｆｒｔｏｆｓａｅｅｔｍａｉｎｆｏｐａｔｃｅｆｌｅｎｇｉｔｌｚｄｆｒｆｕｔｄｔｃｉｎ．ｏｌｔｏａｉｉｙｄｉｔｉｔｏｎｏｍａｉｎｏｔｔｓｉｔｏｒｍｒｉｌｔｒｓｕｉｉｅａｌｅｅｔｏｉｉｏ

《基于粒子群优化算法与LSTM的齿轮箱故障检测方法研究》

《基于粒子群优化算法与LSTM的齿轮箱故障检测方法研究》一、引言随着现代机械设备日趋复杂化，故障诊断成为工业领域的一项重要任务。

特别是在涉及到关键机械结构如齿轮箱等部位，其故障的及时发现与处理对于保障设备正常运行、减少经济损失具有重要意义。

传统的故障检测方法往往依赖于人工经验或简单的信号处理技术，但这些方法在面对复杂多变的故障模式时往往显得捉襟见肘。

因此，本文提出了一种基于粒子群优化算法与长短期记忆网络（LSTM）的齿轮箱故障检测方法，以实现更加精确、高效的故障检测与识别。

二、齿轮箱故障的特点齿轮箱是机械系统中的重要组成部分，其故障类型多样且复杂。

常见的故障包括齿轮磨损、断齿、点蚀等，这些故障会导致齿轮箱的振动、噪声等信号发生变化。

因此，通过分析这些信号的变化，可以有效地检测和识别齿轮箱的故障。

三、粒子群优化算法粒子群优化算法（Particle Swarm Optimization, PSO）是一种基于群体行为的优化算法，其通过模拟鸟群、鱼群等生物群体的行为规律，寻找问题的最优解。

在本文中，我们利用PSO算法对LSTM模型的参数进行优化，以提高模型的故障检测与识别能力。

四、LSTM模型LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），它能够有效地处理序列数据中的长期依赖问题。

在齿轮箱故障检测中，我们可以通过LSTM模型学习正常与异常状态下的振动、噪声等信号的时序特征，从而实现对故障的检测与识别。

五、基于PSO-LSTM的齿轮箱故障检测方法本方法首先通过传感器采集齿轮箱的振动、噪声等信号，然后利用PSO算法对LSTM模型的参数进行优化。

优化的目标是使得模型在训练过程中的损失函数最小，从而获得最佳的模型参数。

最后，利用优化后的LSTM模型对采集的信号进行处理，提取出其中的时序特征，实现对齿轮箱故障的检测与识别。

六、实验与分析我们使用实际生产环境中的齿轮箱数据进行了实验。

基于粒子群优化的自动故障诊断系统设计与应用

基于粒子群优化的自动故障诊断系统设计与应用随着机器领域的不断发展，自动化系统在日常工作中得到广泛使用。

但是，由于设备的老化、使用不当等原因，自动化系统常常会出现各种故障。

故障对生产造成了很大的影响，因此自动故障诊断系统的研发显得非常迫切。

本文将介绍一种基于粒子群优化的自动故障诊断系统设计与应用。

一、背景分析自动故障诊断是指通过专门的诊断软件或硬件，对故障设备进行诊断和分析的一种技术。

传统的自动故障诊断方法主要是基于专家系统，由专家编写规则和诊断流程。

但这种方法存在以下几个局限性：（1）规则、流程编写复杂度高，需要大量专家参与编写。

（2）诊断效率会受到专家水平和人员配备的影响。

（3）只能适用于已知故障模式。

面对以上问题，基于智能优化算法的自动故障诊断方法逐渐被研究和应用。

本文将介绍一种基于粒子群优化的自动故障诊断系统。

二、粒子群优化算法简介粒子群优化算法（Particle Swarm Optimization，PSO）是一种自适应搜索算法。

其最初是由Russell Eberhart和James Kennedy 于1995年提出的，被称为“鸟群觅食”的模型。

PSO算法模拟鸟群觅食的过程，通过群体协作和信息交换来寻找最优解。

PSO算法的核心思想是利用粒子（即搜索空间中的一个点）在搜索空间中不断寻找最优解。

在搜索过程中，每个粒子都保存了自己的位置和速度。

根据自己的最优位置和全局最优位置的距离，粒子以一定的速度更新自己的位置。

通过不断迭代，粒子不断靠近最优解。

三、基于PSO的自动故障诊断系统设计基于PSO的自动故障诊断系统具体设计如下：（1）建立故障数据库。

在平常维护设备时，需要对设备进行检测和记录，将设备故障、故障原因、故障模式等信息保存到故障数据库中。

（2）数据采集和特征提取。

通过传感器或其它探头，获取设备的工作状态信息，例如温度、电流等。

然后对数据进行特征提取，提取出与故障相关的特征。

（3）建立PSO模型。

电力系统故障诊断的量子粒子群优化算法

电力系统故障诊断的量子粒子群优化算法随着电力系统的不断发展，电力系统的故障诊断也变得越来越重要。

近年来，量子粒子群优化算法（PSO）作为一种新型的优化算法，由于其算法的简单性、良好的全局搜索能力以及良好的收敛性能，已经被广泛应用于电力系统故障诊断领域。

量子粒子群优化算法（PSO）是由Kenneth Kennedy和 Russell Eberhart在1995年开发的一种独特的优化算法，它是一种以粒子模型为基础、利用群体搜索思想和粒子群算法来求解复杂优化问题的迭代优化算法。

它可以有效地解决电力系统故障诊断的参数优化问题，并能够有效地提高故障诊断精度，有效提高可靠性和稳定性。

首先，量子粒子群优化算法（PSO）可以从众多参数中获得最优解。

PSO在寻找最优解方面具有很强的优势，可以有效减少搜索空间大小，从而减少搜索次数，提高搜索效率。

其次，PSO算法可以有效解决电力系统故障诊断的参数优化问题。

PSO算法在解决故障诊断参数优化问题的过程中，可以利用期望函数的值，通过比较期望函数值的大小，来更新搜索空间中的各种参数，最终将搜索空间中的参数确定下来。

此外，PSO算法还可以与其他故障诊断算法相结合，来提高故障诊断的精度。

例如，可以将PSO与正交实验（OAT）结合起来，将OAT 用于参数确定，将PSO用于参数优化，从而提高故障诊断的精度。

最后，PSO算法具有良好的收敛性能，使其在电力系统故障诊断方面具有很大的优势。

另外，PSO算法在解决复杂优化问题时，其算法的简单性和良好的全局搜索能力也是其重要优势。

因此，量子粒子群优化算法（PSO）是电力系统故障诊断的有效工具，可以有效改善故障诊断的精度。

PSO算法在解决参数优化问题时，具有良好的收敛性能、减少搜索空间大小的优势，以及简单的算法和良好的全局搜索能力。

此外，PSO算法还可以与其他故障诊断算法相结合，来提高故障诊断精度，从而获得更好的可靠性和稳定性。

总之，量子粒子群优化算法（PSO）是一种新型的优化算法，它对电力系统故障诊断技术有重要的意义。

基于粒子群优化粒子滤波和cuda加速的故障诊断方法

摘要在非线性系统中，粒子滤波需要大量粒子才能保证状态估计的准确度，这降低了算法的实时性，导致故障诊断的准确率和实时性不佳。针对该问题，提出基于ＧＰＵ平台的粒子群优化粒子滤波（ＰＳＯＰＦ）并行算法。通过分析ＰＳＯＰＦ算法的并行性，设计并实现一种基于ＣＵＤＡ并行计算架构的ＰＳＯＰＦ并行算法，利用大量的ＧＰＵ线程对算法进行加速。为解决拒绝重采样对ＧＰＵ全局内存的非合并访问带来的执行效率低问题，通过改进拒绝重采样并行算法，使线程束中的线程对同一内存区段中的粒子进行重采样，提高了其执行效率。通过对风力机组变桨距系统故障诊断验证了算法的有效性。实验结果表明，该方法可满足故障诊断准确率和实时性的要求。
ＫｅｙｗｏｒｄｓＧＰＵＰａｒｔｉｃｌｅｆｉｌｔｅｒＰＳＯＲｅｓａｍｐｌｉｎｇＶａｒｉａｂｌｅｐｉｔｃｈｓｙｓｔｅｍＦａｕｌｔｄｉａｇｎｏｓｉｓ
０引言
随着以风力发电为代表的清洁能源快速发展，风
电机组的装机规模快速增长。如何保证风电机组安全稳定的运行，已成为不可忽视的问题。变桨距系统作为风电机组运行的关键，能够保证高风能利用系数、减轻干扰载荷和风力制动。因此，对变桨距系统进行故
第３７卷第４期２０２０年４月
计算机应用与软件ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｖｏｌ３７Ｎｏ．４Ａｐｒ．２０２０
基于粒子群优化粒子滤波和ＣＵＤＡ加速的故障诊断方法
曹洁１，２李钊１王进花１余萍１
１（兰州理工大学电气工程和信息工程学院甘肃兰州７３００５０）２（甘肃省制造业信息化工程研究中心甘肃兰州７３００５０）
ＣａｏＪｉｅ１，２ＬｉＺｈａｏ１ＷａｎｇＪｉｎｈｕａ１ＹｕＰｉｎｇ１

基于改进粒子滤波的非线性系统故障诊断

基于改进粒子滤波的非线性系统故障诊断吕佳志【摘要】粒子滤波在非线性系统的故障诊断中,存在着粒子样本退化和突变状态难以跟踪的问题.为此提出一种基于无迹变换和遗传变异改进的粒子滤波算法,通过无迹变换将粒子转移到高似然区域,遗传算法代替重采样消除粒子多样性退化的问题,再利用对数似然函数和作为评价指标来进行故障诊断.仿真实验结果表明,改进的算法可有效提高滤波精度,在连续搅拌反应器变量发生突变时,能够有效、准确地诊断出故障.【期刊名称】《机械制造与自动化》【年(卷),期】2019(000)004【总页数】5页(P183-187)【关键词】无迹变换;遗传变异;似然函数;故障诊断;非线性系统【作者】吕佳志【作者单位】江南大学轻工过程先进控制教育部重点实验室,江苏无锡214122【正文语种】中文【中图分类】TP277.30 引言如何提高产品质量，降低产品的不合格率，增加设备的安全性，减少停产时间，减少制造成本，提高故障诊断技术的准确率在制造业中成为不可或缺的关键问题[1]。

工业系统中的故障种类多且难以检测，近年来以kalman滤波方法为基础，建立起基于滤波器的故障诊断方法，在线性高斯系统中得到了广泛的应用。

对于非线性高斯系统，EKF是将非线性函数在sigma估计点通过泰勒级数形式进行变换，进行近似线性化来充当线性函数，但近似方法往往会引起滤波值和协方差的较大误差。

相对传统的kalman滤波器，粒子滤波器完全突破了kalman线性高斯性的条件限制，克服了kalman只能用于高斯密度分布线性系统的缺点，可用于任意非线性非高斯系统的状态估计，能够很好地过滤掉系统的过程噪声和量测噪声，能够较准确地反应出状态信息并及时发现异常突变的情况，有较强的鲁棒性。

粒子滤波的思想是依据大数定理的蒙特卡洛积分结合贝叶斯估计的近似运算。

通过经验分布产生一组附带权值的粒子集合，来近似系统状态的概率密度函数，通过求取所有粒子和以及均值来近似积分函数运算，从而获得状态最小方差估计的过程。

基于混合粒子滤波的故障诊断方法

基于混合粒子滤波的故障诊断方法董欣【摘要】结合了模糊递归神经网络和粒子群算法,在此基础上改进粒子滤波的故障诊断方法.故障诊断作为智能控制的研究热点,其算法层出不穷.粒子滤波故障诊断作为基于解析模型的状态估计诊断方法的一种,一直在工业生产中起着重要的作用,但其自身的缺点也限制了它的进一步发展,保留粒子滤波的优势,提出一种基于混合算法的粒子滤波故障诊断方法,该方法不但一定程度上解决了权值退化的问题,而且改进了粒子群算法,并结合神经网络算法在啤酒发酵温控系统中形成了故障检测、预测和辨识为一体的故障诊断方法.%A novel fault diagnosis method is proposed in this paper which is improved with DRFNN and PSO on basis of PF. There are much more algorithms about fault diagnosis because it has become the spot in intelligent control. As one of status estimation diagnostic methods based on the analytical model, particle filter fault diagnosis has been playing an important role in industrial production. However, it is limited by its shortcoming for its further development, a new particle filter fault diagnosis method based on hybrid algorithm is proposed in this paper, which retains the advantages of the particle filter, and it not only solved the problem of the weight degradation to a certain extent, but also improved particle swarm optimization. A system includes fault detection, prediction and recognized is realized with neural network in the beer fermentation temperature control system.【期刊名称】《计算机系统应用》【年(卷),期】2012(021)012【总页数】4页(P206-209)【关键词】粒子滤波;粒子群优化算法;免疫原理;故障诊断;神经网络【作者】董欣【作者单位】渤海大学管理学院,锦州121000【正文语种】中文故障诊断(fault diagnosis)是工业生产制造中非常重要的一个环节, 对于故障诊断的传统分类方法是基于数学模型、基于知识和基于信号处理三类[1]. 近年来层出不穷的故障诊断方法已经不能单纯的被划分到其中一类, 所以新的划分方法被提出来, 在文献 5中对目前出现的故障诊断方法提出了新的划分, 主要分为两大类: 一种是包括基于解析模型方法和数据驱动方法的定量分析方法; 另一种是包括图论方法、专家系统、定性仿真的定性分析法. 其中对于定量分析的研究更为深入, 其中基于解析模型的方法又分为状态估计、参数估计、等价空间. 基于解析模型的故障诊断方法是利用系统的精确的数学模型和可观测输入输出量构造残差信号, 表示实际值和模型期望值之间的差异, 然后针对残差信号进行故障诊断分析. 粒子滤波器就是属于状态估计这个类别, 而针对非线性系统常用的神经网络是属于数据驱动方法下的机器学习, 与之并列的是支持向量机. 粒子滤波器的使用主要是基于它可以处理噪声服从非高斯分布的非线性系统状态估计问题, 当滤波残差的绝对值超过阈值时, 就可以判断为系统发生故障[2-4].粒子滤波(particle filter)又称序列蒙特卡洛估计,近几年应用十分广泛, 但其中的问题也日益凸现出来,主要是权值退化问题, 进而提出了许多解决办法, 其中基于粒子群优化的粒子滤波算法作为引进智能算法的代表有着明显的优势[6-8], 保留了粒子群优化算法的可调参数少, 易于实现的优势, 同时权值退化问题也得到了解决, 在实际应用当中起着重要作用. 然而对于粒子群优化算法本身存在的缺点, 也影响着整个算法的性能, 它是通过将新的量测值引入到采样分布之中去, 然后利用滤波算法进行优化, 持续的更新粒子的速度, 从而使采样分布向后验概率比较高的区域运动, 提高算法的预估精度, 重采样过程中粒子会缺乏多样性, 也就是粒子枯竭的问题, 最后陷入局部最优.DRFNN同时具有递归神经网络和模糊逻辑特点,是一种典型的动态神经网络, 其中模糊逻辑具有定性知识表达的能力, 所以DRFNN在处理参数漂移、强干扰、非线性、不确定性等问题上表现出了较好的性能.动态递归模糊神经网络具有一个特别的递归层, 目的是通过前馈神经网络中的附加状态反馈神经元来描述系统的非线性动态行为. 也就是存在记忆功能, 神经网络作为机器学习的代表, 对于故障辨识有更大的优势. 递归层能存储系统过去的信息, 从而增加网络对动态信息的处理能力. 尤其是故障信息的存储, 使系统可以在发生故障后立即排查故障种类, 采取措施.本文结合故障检测、故障预测和故障辨识的方法对系统进行维护, 其中故障检测使用粒子滤波算法,故障预测和故障辨识使用神经网络, 两种方法结合比单一方法更加全面, 可以实现故障的排查和解除, 使系统更加完善.1 混沌理论采用混沌原理初始化粒子群的好处在于提高了初始化种群的遍历能力, 混沌同时有随机性和确定性,其内部是有规律变化的, 因此对一些看似随机的混沌理论系统仍然可以进行短期的估计和预测. 因为这种特殊的特性, 混沌理论经常被引入到一些算法当中避免整个过程陷入到局部最忧. 采用混沌原理来初始化种群比标准的初始种群多了随机性, 比其他的改进算法(增加参数控制)减少了人为因素对系统的影响, 更加智能自动化.本文采用混沌原理来初始化粒子种群, 增加了种群的多样性, 也同时避免复杂化算法而影响算法性能.在混沌系统当中Logistic映射和Lorenz方程式最为典型的混沌系统, 本文采用的是 Logistic映射(即虫口模型). 设定xn 是某种昆虫第n年内的个体数目, 这个数目与年份有关, n只取整数值, 关系函数如下所示:即Logistic映射的取值范围可以设定在[0, 1]之间,而参数μ则决定了Logistic映射的稳定点、周期规律和混沌行为. 当μ的取值在[3.56994567,4]时系统发生混沌. 初始种群时先随机选取序列, 然后把序列经过上述公式迭代产生新的运动轨迹, 在每条运动轨迹当中都有m个序列, 这里的m称之为种群规模.2 改进的方法2.1 标准的粒子群优化算法Kennedy 和Eberhart于1995年提出了基于群体智能的并行优化算法—粒子群优化方法(particle swarm optimizer, PSO). 算法中每个粒子代表着一个可能的解,种群规模为m, 在D维空间当中S={, ,…,}. 在搜索空间中, 粒子不断通过和向目标点运动.从速度和位置更新公式可以看出, 粒子会陷入局部最优, 为了改变这种情况许多学者做了很多研究,比如Carlisle的自适应PSO(adptive PSO, APSO), Black well的“带电粒子”PSO(charged PSO, CPSO), Mullen的个体最优衰减PSO(p-best decay PSO, PBDPSO)等.近几年无论是从计算模型、算法结构还是信息传递的拓扑结构等方面都进行了有效的改进. 然而为了控制种群的多样性从而引入额外的机制或者参数, 这也增加了更多的待调整的参数. 这也将使人为因素对算法结果的影响增大, 使算法的自适应和智能性大大减弱.在提高算法的准确性的前提下也不可以牺牲PSO算法的简单而高效的性能, 如果计算过于复杂, 就失去了PSO原本的特将免疫遗传算法的思想融入到粒子当中, 采用遗传算法的编码机制, 染色体将包括粒子的当前位置和速度与前一刻的位置和速度、适应度函数值、惯性权重, 也就是和、和、f、ω构成一个序列作为染色体的基因, 把待解的问题的可能解依然用粒子表示, 结合免疫原理(生物免疫系统对于外来的抗体原会自动产生一种相应的抗体来抵御入侵, 在生物释放抗体之后, 通过抗体和抗原的结合来破坏抗原, 根据抗体的浓度, 它们之间会产生刺激与抑制反应)可以保持种群的多样性, 利用免疫原理中的多样度、亲和度、适应度来调节抗体的被选择机率的大小. 借鉴免疫遗传算法中的定义, 若有种群规模为 m每个抗体的长度为n, 等位基因的种类为s则信息熵可定义为而亲和度可表示为亲和度越大说明两种抗体越相似, 也就是说两种粒子的轨迹相似, 若这样的粒子在种群中所占的比例较大, 那么就抑制其被选的可能性.与此同时考虑抗体的适应度也就是粒子的适应度函数值的大小, 其值越大, 被选择的几率越大.2.2 故障诊断方法步骤步骤 1. 初始化, 随机抽取种群, 确定种群规模、最大迭代次数和抗体长度.步骤2. 把初始种群经过Logistic映射, μ的取值为3.57, 随机生成m序列作为新的种群.步骤3. 初始化粒子的速度和位置, 确定学习因子和惯性权重的大小.步骤4. 当迭代次数小于最大的迭代次数时, 执行以下循环操作1) 计算各抗体(粒子)的适应度值, 按照大小排序.据公式PSO-PF和IPSO-PF2) 计算各抗体之间的亲和度值, 相似抗体浓度大的被选择机率小, 浓度小的被选择机率大, 根据x 来选择抗体.3) 重复 1)找到适应度最大的两个抗体作交叉变异操作.4) 根据速度和位置更新公式更新粒子的速度和当前位置, 并同步更新粒子群的全局步骤 5 获取状态输出, 求出残差, 分析残差, 进行故障诊断.3 仿真故障诊断的发展已经比较成熟, 但是故障预测和分类却一直是研究热点, 神经网络作为数据驱动的故障诊断方法的一种, 在非线性系统中有着良好的表现, 基于解析模型的方法和数据驱动的方法是两类不同类型的方法, 但在实际应用当中系统的复杂性和故障的多种多样使得一种方法不能同时满足故障诊断和预测, 在一个系统中结合两种方法可以实现故障检测、故障预测和故障辨识. 在本文中基于混合算法的粒子滤波算法实现了对系统的故障检测,改进的粒子群算法可以实现对系统的故障预测, 而模糊递归神经网络的记忆功能可以实现对故障的分类也就是故障辨识.采用啤酒发酵罐的温控系统作为测试对象, 啤酒的发酵过程一般采取预测控制为主, 由于其过程是在啤酒发酵母的参与下, 对麦汁的某些组成进行性代谢而将其口味变为啤酒风味而成的, 而发酵母对温度的要求又十分精确, 当温度变化时, 发酵母有可能会早期沉淀、衰老、死亡等状况影响啤酒本身的口味. 在控制过程中尽量避免有故障发生, 若发生故障要尽早采取措施.发酵罐的单温段对象模型为取种群规模为500, 采样时间点为0, 1, …, 600. 残差阈值设定在-0.15～0.15方差Q=1, b=b0=25, 代价因子 Cfalse=0.2, Cmiss=0.8. 其中故障的发生由参数b的调变模拟, 0≤k≤300时系统工作正常工作, 当301≤k≤600时, b跳变为5 b0. 仿真结果中根的均方根误差为1.6821、1.3012, 所以从这点可以看出基于混合算法的粒子滤波算法的诊断方法的精确度得到了一定的提高.图1和2中可以看出, 基于混合算法的粒子滤波算法明显优于基于传统的粒子群优化的粒子滤波算法. 改进后的粒子滤波故障诊断优化了权值问题, 使其保持了多样性, 提高了故障诊断的精确性, 一定程度上增强了粒子滤波的中粒子的滤波能力. 在系统当中, 故障预测部分的误报率和漏报率已经得到了验证,最后对故障诊断中的故障辨识进行仿真.从图 3中可以看出, 系统刚开始时, 神经网络对系统故障存储信息不多, 所以在排查辨识时会有波动,在系统基本稳定之后, 对系统的故障种类有了全面的存储, 再对其辨识, 基本处于稳定状态.图1 PSO-PF和Hy-PF的漏报率仿真结果图2 PSO-PF和Hy-PF的误报率仿真结果图3 系统模拟故障诊断误差仿真结果4 结语本文在改进了传统的粒子群优化算法的基础之上结合遗传免疫理论, 提出了一种基于混合算法的粒子滤波算法, 混沌理论的运用使粒子群初始化时就优于传统的初始种群, 增加了种群的多样性. 利用故障检测、故障预测和故障辨识的方法对系统的故障诊断提出了一个新的方向.参考文献【相关文献】1 Frank PM. Fault diagnosis in dynamics systems using analytical and knowledge-based redundancy: a survey and some new results. Automatica, 1990,26(3):459-474.2 Palade V, Bocaniala putational Intelligence in Fault Diagnosis. Springer,2010.3 Baah GK, Podgurski A, Harrold MJ. The Probabilistic Program Dependence Graph and Its Application to Fault Diagnosis. Software Engineering, IEEE Trans. on, 2010,36(4):528-545.4 Yoshimura M, Frank PM, Ding X. Survey of robust residual generation and evaluation methods in observer-based fault detection systems. Journal of Process Control,1997,7(6):403-424.5 Patton RJ, Frank PM, Clark RN. Issues of Fault Diagnosis for Dynamic Systems. London: Springer-Verlag, 2000.6 周东华,叶银忠.现代故障诊断与容错控制.北京:清华大学出版社,2000.7 周东华,胡艳艳.动态系统的故障诊断技术.自动化学报,2009,35(6):748-758.8 Baker RS, Corbett AT, Aleven V. More accurate student modeling through contextual estimation of slip and guess probabilities in Bayesian knowledge tracing. ITS2008: Proc.of the 9th International Conference on Intelligent Tutoring Systems. Berlin: Springer-Verlag, 2008: 406-415.。

基于粒子群算法的模拟电路故障诊断方法

2010 年 6 月第 25 卷第 6 期
电工技术学报
TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY
Vol.25 No. 6 Jun. 2010
基于粒子群算法的模拟电路故障诊断方法
何怡刚祝文姬周炎涛刘美容
（湖南大学电气与信息工程学院长沙 410082）
Keywords： Analog circuits, fault diagnosis, wavelet packet decomposition, particle swarm optimization, BP neural network
1 引言
模拟电路故障诊断技术自 20 世纪 60 年代开始研究以来，取得不少成就，研究者们提出了很多方法[1-5]，其中元件参数辨识方法要求提供较多的诊断
系数）序列的采样点能量。
（4）特征矢量的构造：系统故障时会对各频带内的采样点能量有较大的影响，故以能量为特征矢
量 F，F 的构造如下：考虑 L 类故障识别问题，设样本的 k 层小波包
分解的各频段的能量值为 E=(E0,E1,E2,E3, … ) ， Emax=max(E)，Emin=min(E)
将小波变换作为预处理器，电路的输出信号经小波变换，提取其低频信号进行一定变换后作为故障的特征，但是，直接将信号的高频成分作为噪声舍弃，可能导致信号有效成分的损失，且单纯从系统的输出信号分析，故障模糊集较多，分辨率不高。基于此，本文利用小波包分解来实现故障特征的提取。
人工神经网络中的 BP 网络结构简单、可塑性强，具有良好的自适应、自学习、极强的非线性逼近、大规模并行处理和容错能力等特点[2-3,9-10]。它的产生归功于 BP 算法的获得，但是，BP 算法是一种采用沿梯度下降的搜索算法，因而对初始权相量敏感，很容易收敛于局部极小点。粒子群优化（Particle Swarm Optimizer, PSO）算法是由 Kennedy 等人于 1995 年提出的一种随机搜索全局优化的新方法，属于群体智能算法[14-18]。它的基本思想源于对人工生命和鸟群捕食行为的研究，是一种种群的全局搜索策略，并有着潜在竞争力的神经网络学习算法。蔡金锭等[14]采用了粒子群算法来优化 BP 神经网络，并且将优化后的神经网络应用于电力电子电路故障的诊断，取得较好的效果。但是，模拟电路不同于电力电子电路，模拟电路由于元件容差与参数的连续性等因素的影响，其故障状态是多种多样的，而电力电子电路的故障状态只有短路和开路（即硬故障[3]），而没有考虑模拟电路中常会出现的软故障[3]的问题。因此，本文主要针对模拟电路的软故障提出了一种基于粒子群算法与神经网络相结合的模拟电路故障诊断方法。该法通过小波包变换、主元分析和归一化处理得到故障特征信息，并通过粒子群算法来优化 BP 网络，采用优化后的神经网络来实现模拟电路故障的诊断。文中将结合电路实例来对其诊断方法的原理与实现进行深入的研究。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＡｓａｔａｉｅＦｈｒａｅｎＰｒｃｗｒｐｉｚｔｎ（Ｓ —Ｆｌｒｈｏｐｅｉｎａｉａｐｄｉｂｔｃ：ＰｒｃｉｅｓｄｏａｉｅＳａｍＯｔａｉＰＯＰ）ａｏｉｍｉｎｔｒｃｓａｄｅｓｙｔｐｅｒｔｌｂｔｌｍｉｏｇｔｓｅｌｒｎ
ｌｃｌｐｉｒ，ｗｉｈｃｎｈｒｌａｉｙｔｅｒｑｉｍｅｔｏｕｔｄａｎｓｓｏｅｅａｕｅｃｎｒｌｓｓｍｎｐｗｅｌｔｏｏａｔｏｍｕｆｉｈｃａａｄｙｓｔｆｈｅｕｒｓｅｎｆｆｌｉｇｏｉｆｔｍｐｒｔｒｏｔｙｔｉｏｒｐａ．ＴａｏｅｎｓｌｅｔｅｅｐｏｌｍｓａｎｗｐｒｃｅｓｒｏｔｚｔｎｐｒｉｌｉｅａｄＮＰＯ・Ｆｓｉｂｅｆｒｆｕｔｄａｎｓｗｓｏｖｈｓｒｂｅ，ｅａｉｌｗａｔｍｐｉａｉａｔｅｆｔｒｎｍｅＳＰｕｔｌｏａｌｉｇｏｉａｍｉｏｃｌａｓｐｏｏｅ．ＴｉａｇｒｈｉｔｄｃｄｔｅｃｇｉｏｕｅｏｎｉｉｕｌｏｇｏｐｏｏｔｚｈｔｏｏｐａｉｇｐｒｃｅｒｐｓｄｈｓｌｏｉｍｎｒｕｅｈｏｎｔｎｒｌｆｉｄｖｄａｓｔｒｕｓｔｐｉｅｔｅｍｅｈｄｆｒｕｄｔａｉｌｓｔｏｉｍｉｎｔａｄｉｒｖｄｔｅｓｅｄｕｄｔｔａｅｙＡｓａｒｓｌｔｅｓｐｒｒｐｒｃｅｖｌｃｔａｔｔｔｍａｌｐｏａｉｔｎｎｍｐｏｅｈｐｅｐａｅｓｔｇ．ｅｕｔｈｕｅｉａｔｌｅｏｉｃｎｍｕａｅｗｉａｓｌｒｂｂｌｙａｄｒ，ｏｉｙｈｉｉｒｖｈｅｒｈａｉｔ．Ｍｅｎｈｌ，ｄｅｔｈａｄｍ．ｎｔｌａｉｎｏｎｉｆｒｒｐｒｃｅｔｅｄｖｒｉｆｓｍｐｅｓｍｐｏｅｔｅｓａｃｌｙｂｉａｗｉｅｕｏｔｅｒｎｏｉｉａｉｔｆｏｎｅｏａｔｌ，ｈｉｅｓｙｏａｌｓｉｉｚｏｉｉｔｅｓｒｄｎｕｅ．ＴｅｓｍｕａｉｎｒｓｌｈｗｔａＳＰｍｐｏｅｈｒｃｓｏｎｏｕｔｅｓｃｍｐｒｄｗｔＳＰ，ａｄｉｉｈｉｌｔｅｕｔｓｏｈｔＮＰＯ— ＦｉｒｖｓｔｅｐｅｉｉｎａｄｒｂｓｎｓｏａｅｉＰＯ－Ｆｎｔｓｏｓｈ
关键词：子群优化；粒粒子滤波；温控系统；变异；故障诊断
中图分类号：Ｐ８Ｔ１３文献标志码：Ａ
Ｆａｌｉｇｏｉａｅｎｎｅｐａｔｃｅｓｒｐｔｍｉａｉｎｐａｔｃｅｆｌｅｕｔｄａｎｓｓｂｓｄｏｗｒｉｌｗａｍｏｉｚｔｏｒｉｌｔｒｉ
ＣＨＥｈ — ｎ’ Ｂ — ｎ，ＷＵＰｎｌｎ，ＴＡＮＭｅｇｃｕＬｈｏｘｎＮＺｉｍｉ，ＯＹｕｍｉｇａ－ｇＩｎ — ｈ，ＩＳａ－ｉ，ＺｏＨＡＯＷｅ — ｅｎｋ
（ｃｏｌｆＡｔｍｔｎａｊｇＵｉｒｔｃｎｅｎｅｈｏｏｙａｎｉｇｕ２０９，Ｃｉ）Ｓｈｏｏｕｏａｉ，ＮｎｉｎｅｓｙｏＳｉｃｄＴｃｎｌ，ＮｇＪａｓ１０４ｈｎｏｎｖｉｆｅａｇｎａ
ｈｔ：／ｗ．ｃ．ｎｔ／ｗｗｊａｃｐｏ
ｄｉ１．７４Ｓ．．０７２１．０３ｏ：３２／ＰＪ１８．０２０４２０
基于新型粒子群优化粒子滤波的故障诊断方法
陈志敏薄煜明，，吴盘龙，田梦楚，黎绍鑫，赵文科
（南京理工大学自动化学院，南京２０９）１０４
（通信作者电子邮箱ｃｅｚｉｉ８．ｏ）｝ｈｎｈｎ８ｃｎｍ＠１
摘
要：对基于粒子群优化算法的粒子滤波（Ｓ —Ｆ算法精度不高，易陷入局部最优，针ＰＯＰ）容难以满足电厂温控系
统故障诊断的需求，出一种适用于故障诊断的新型粒子群优化粒子滤波（ＰＯＰ）法。该算法引入社会个体对提ＮＳ－Ｆ算群体的认知规律优化了粒子更新的方式，并且完善了粒子速度的更新策略，对优势速度赋有较小概率的变异，高了提粒子的寻优能力，同时随机初始化劣势速度，保证了样本的多样性。实验结果表明，ＰＯＰ与Ｓ —Ｆ相比，ＰＯＰＮＳ－Ｆ的诊断。
ＩＳ０ — ０１ＳＮ１０１９８
２１ — ２００２０ — １
计算机应用，０２３（）４２— ３，３２１，２２：３４５４９
文章编号：０１— ０１２１）２—０３０１０９８（０２０４２— ４
ＣＥＮＪＩＵＯＤＹＩＤ
2psopf算法粒子群算法是一种有效的全局寻优算法j它通过群体中粒子的合作与竞争产生的群体智能指导优化搜索旧1ps0方法与pf融合一j关键是利用粒子所经历的最优状态值pdbet和粒子中的目标函数值最大的粒子的状态值p蛔通过式5和式6对每个粒子的速度和位置进行实时更新从而使粒子不断地向真实状态逼近
ＪｕｎｆＣｍｐｔｒＡｐｌａｉｎｏｒａｏｏｕｅｐｉｔｓｌｃｏ