基于PSO优化的BP神经网络预测电梯故障的方法技术

本发明专利技术公开了基于PSO优化的BP神经网络预测电梯故障的方法。现有PSO粒子群算法初期惯性权重的值还不够大，后期惯性权重值减小得不够快。本发明专利技术对标准PSO算法进行改进，将改进PSO算法得到的全局最优值作为BP的权重和偏置，得到改进PSO算法优化的BP神经网络。本发明专利技术改进PSO算法在迭代初期具有比标准PSO算法更大的惯性权重，使粒子收敛于全局最优值的能力得到提升，具有较强的全局搜索能力；在迭代后期搜索到最优值大致范围时，改进PSO算法具有比标准PSO算法更小的惯性权重，使得改进PSO算法比标准PSO算法展现了更多粒子群的多样性，完成精细搜索。

BP neural network prediction method of elevator fault based on PSO optimization

【技术实现步骤摘要】
基于PSO优化的BP神经网络预测电梯故障的方法
本专利技术涉及智能电梯安全监测
，具体涉及基于PSO优化的BP神经网络预测电梯故障的方法。
技术介绍
在当今快速发展的科技社会中，故障预测开始朝着自动化、智能化的方面发展，很多混合智能算法也因此兴起。PSO粒子群算法是一种智能搜寻算法，能够快速找到问题的最优解，但PSO粒子群算法本身又容易陷入局部最优。粒子群算法的惯性权重ω呈线性递减，初期惯性权重值大，收敛速度快，粗略搜索，有利于全局搜索，符合早期需要粒子探索能力的要求；而后期惯性权重值小，收敛速度慢，精细搜索，有利于粒子找到全局最优值。但也存在一些问题。第一，若粒子群初期就搜寻到较优点，则希望粒子快速收敛到全局最优点，但初期惯性权重的值还不够大，粒子的收敛速度还有待提高；第二，迭代后期，因为惯性权重值呈线性减小，减小得不够快，使精细搜索的能力不强。
技术实现思路
本专利技术的目的是针对现有技术的不足，提出一种基于PSO优化的BP神经网络预测电梯故障的方法。本专利技术包括以下步骤：步骤一、通过安装于电梯轿厢上的传感器网络，获得故障原因实验数据样本，并通过安装于轿厢上数据传输设备将数据上传至数据库；然后，从故障原因实验数据样本中提取出电梯运行特征参数；步骤二、对故障原因实验数据样本进行筛选，将故障原因实验数据样本分成训练数据样本和测试数据样本；步骤三、建立PSO与BP神经网络相结合的电梯运行故障预测模型：设定改进PSO算法的粒子群规模和迭代代数；依据电梯运行特征参数与电梯运行故障原因的对应关系，利用改进PSO算法优化确定BP神经网络的权重和偏置；然后，把改进PSO算法的粒子群规模、改进PSO算法的迭代代数、优化后的BP神经网络的权重、BP神经网络的偏置和训练数据样本作为输入值代入确定好权重和偏置的BP神经网络中进行训练，得到未经测试的预测模型；将测试数据样本输入至未经测试的预测模型中，检验模型的预测精度，若预测精度未达到预设值，则同步增大传感器网络中各传感器的数据采集量，回到步骤一；若预测精度达到预设值，则得到PSO与BP神经网络相结合的电梯运行故障预测模型。改进PSO算法是对标准PSO算法的改进，改进过程如下：1)将标准PSO算法的学习因子C1、C2以及惯性权重ω、位置X和速度V初始化，并将故障原因实验数据样本输入到适应度函数，得到粒子个体历史最优值Pbest和粒子全局最优值Gbest粒子全局最优值Gbest为BP神经网络的权重以及BP神经网络的偏置；2)计算迭代次数k时各个粒子i与粒子全局最优值Gbest的距离Lki，然后计算粒子距离惯性权重：式(1)中，ωmax为最大惯性权重值，ωmin为最小惯性权重值，这里取ωmax＝0.9，ωmin＝0.4；min为求解最小值，max为求解最大值。接着，计算粒子迭代次数惯性权重：式(2)中，kmax为最大迭代次数，这里取kmax＝100。从而得到惯性权重ω：公式(3)中a和b是系数，这里取a＝b＝0.5。3)根据公式(4)计算出每个粒子的位置，并根据公式(5)计算出每个粒子的速度。迭代次数k+1时的粒子位置X(k+1)与迭代次数k时的粒子位置X(k)的关系式为：X(k+1)＝X(k)+V(k+1)(4)迭代次数k+1时的粒子速度表达式为：V(k+1)＝ωV(k)+C1R1(Pbest-X(k))+C2R2(Gbest-X(k))(5)式(5)中，R1和R2为[0,1]之间的随机数，V(k)为迭代次数k时的进化速度，k＝0时，V(k)为一个随机数；学习因子C1和C2呈线性规律变化，表达式分别为：其中，C1∈[C1min,C1max]，C2∈[C2min,C2max]，学习因子最小值C1min＝C2min＝0.5，学习因子最大值C1max＝C2max＝2.5。4)由公式(6)的适应度函数计算出每个粒子的当前适应度值，若某个粒子当前适应度值Erro比粒子个体历史最优值Pbest小，则粒子个体历史最优值Pbest更新为该粒子的当前适应度值；若更新后的粒子个体历史最优值Pbest比粒子全局最优值Gbest小，则将更新后的粒子个体历史最优值Pbest赋值给粒子全局最优值Gbest；适应度函数表达式为：Erro＝|Y-y|(6)式(6)中，Y表示PSO神经网络输入层输入的真实值，即故障原因实验数据样本；y表示PSO神经网络输出层输出的预测值。5)判断是否满足杂交条件，即判断连续迭代h次后粒子全局最优值Gbest是否保持不变，h≥8，是则执行第6步，否则执行第7步；6)引入杂交变异，从全局最优值Gbest周围选取N个粒子，N≥80，再从N个粒子中选取距离全局最优值Gbest最近的m个较优粒子两两随机杂交，m≥15，产生m个子代粒子pnew时就停止杂交，用m个子代粒子替换m个较优粒子，回到步骤2)。7)判断是否满足终止条件Erro≤300，是则输出全局最优值Gbest，否则回到步骤2)。优选的，获取故障原因实验数据样本的过程包括以下步骤：步骤1)：建立数据采集的传感器网络；步骤2)：采集电梯运行时轿厢加速度、轿厢的载重、轿厢箱体工作环境噪声以及轿厢x、y和z三个方向的振动数据，得到故障原因实验数据样本。其中，传感器网络中每个传感器采集轿厢加速度、轿厢的载重、轿厢箱体工作环境噪声以及轿厢x、y和z三个方向的振动中的一种特征参数。优选的，电梯运行特征参数的提取过程如下：对采集到的故障原因实验数据样本依据小波模极大值法进行降噪处理，并进行特征参数提取，得到电梯运行特征参数。优选的，电梯运行特征参数与电梯运行故障原因的对应关系确定如下：对电梯历史特征大数据的各项特征参数进行分析，获取电梯运行故障原因与电梯运行特征参数的对应关系。电梯运行特征参数与电梯运行故障原因的对应关系确定后，对电梯运行故障原因进行编码，每一种电梯运行故障原因出现的概率作为未经测试的预测模型的输出，故障原因实验数据样本作为未经测试的预测模型的输入，以此建立未经测试的预测模型输入到输出的映射关系。优选的，每个子代粒子pnew都根据公式(7)杂交得到：公式(7)中pnew为子代粒子，和为两个较优粒子，c为[0，1]之间的随机数。本专利技术与现有技术相比，具有的有益效果如下：(1)本专利技术对标准PSO算法进行改进，将改进PSO算法得到的全局最优值作为BP的权重和偏置，得到改进PSO算法优化的BP神经网络。本专利技术改进PSO算法在迭代初期具有比标准PSO算法更大的惯性权重ω，使粒子收敛于全局最优值的能力得到提升，具有较强的全局搜索能力，能够进行大范围搜索；在迭代后期搜索到最优值大致范围时，改进PSO算法具有比标准PSO算法更小的惯性权重ω，使得改进PSO算法比标准PSO算法展现了更多粒子群的多样性，且偏重的局部开发能力得到增强，完成精细搜本文档来自技高网...

【技术保护点】
1.基于PSO优化的BP神经网络预测电梯故障的方法，其特征在于：该方法包括以下步骤：/n步骤一、通过安装于电梯轿厢上的传感器网络，获得故障原因实验数据样本，并通过安装于轿厢上数据传输设备将数据上传至数据库；然后，从故障原因实验数据样本中提取出电梯运行特征参数；/n步骤二、对故障原因实验数据样本进行筛选，将故障原因实验数据样本分成训练数据样本和测试数据样本；/n步骤三、建立PSO与BP神经网络相结合的电梯运行故障预测模型：设定改进PSO算法的粒子群规模和迭代代数；依据电梯运行特征参数与电梯运行故障原因的对应关系，利用改进PSO算法优化确定BP神经网络的权重和偏置；然后，把改进PSO算法的粒子群规模、改进PSO算法的迭代代数、优化后的BP神经网络的权重、BP神经网络的偏置和训练数据样本作为输入值代入确定好权重和偏置的BP神经网络中进行训练，得到未经测试的预测模型；将测试数据样本输入至未经测试的预测模型中，检验模型的预测精度，若预测精度未达到预设值，则同步增大传感器网络中各传感器的数据采集量，回到步骤一；若预测精度达到预设值，则得到PSO与BP神经网络相结合的电梯运行故障预测模型；/n改进PSO算法是对标准PSO算法的改进，改进过程如下：/n1)将标准PSO算法的学习因子C1、C2以及惯性权重ω、位置X和速度V初始化，并将故障原因实验数据样本输入到适应度函数，得到粒子个体历史最优值P...

【技术特征摘要】
1.基于PSO优化的BP神经网络预测电梯故障的方法，其特征在于：该方法包括以下步骤：
步骤一、通过安装于电梯轿厢上的传感器网络，获得故障原因实验数据样本，并通过安装于轿厢上数据传输设备将数据上传至数据库；然后，从故障原因实验数据样本中提取出电梯运行特征参数；
步骤二、对故障原因实验数据样本进行筛选，将故障原因实验数据样本分成训练数据样本和测试数据样本；
步骤三、建立PSO与BP神经网络相结合的电梯运行故障预测模型：设定改进PSO算法的粒子群规模和迭代代数；依据电梯运行特征参数与电梯运行故障原因的对应关系，利用改进PSO算法优化确定BP神经网络的权重和偏置；然后，把改进PSO算法的粒子群规模、改进PSO算法的迭代代数、优化后的BP神经网络的权重、BP神经网络的偏置和训练数据样本作为输入值代入确定好权重和偏置的BP神经网络中进行训练，得到未经测试的预测模型；将测试数据样本输入至未经测试的预测模型中，检验模型的预测精度，若预测精度未达到预设值，则同步增大传感器网络中各传感器的数据采集量，回到步骤一；若预测精度达到预设值，则得到PSO与BP神经网络相结合的电梯运行故障预测模型；
改进PSO算法是对标准PSO算法的改进，改进过程如下：
1)将标准PSO算法的学习因子C1、C2以及惯性权重ω、位置X和速度V初始化，并将故障原因实验数据样本输入到适应度函数，得到粒子个体历史最优值Pbest和粒子全局最优值Gbest，粒子全局最优值Gbest为BP神经网络的权重以及BP神经网络的偏置；
2)计算迭代次数k时各个粒子i与粒子全局最优值Gbest的距离Lki，然后计算粒子距离惯性权重：



式(1)中，ωmax为最大惯性权重值，ωmin为最小惯性权重值，这里取ωmax＝0.9，ωmin＝0.4；min为求解最小值，max为求解最大值；
接着，计算粒子迭代次数惯性权重：



式(2)中，kmax为最大迭代次数，这里取kmax＝100；
从而得到惯性权重ω：



公式(3)中a和b是系数，这里取a＝b＝0.5；
3)根据公式(4)计算出每个粒子的位置，并根据公式(5)计算出每个粒子的速度；
迭代次数k+1时的粒子位置X(k+1)与迭代次数k时的粒子位置X(k)的关系式为：
X(k+1)＝X(k)+V(k+1)(4)
迭代次数k+1时的粒子速度表达式为：
V(k+1)＝ωV(k)+C1R1(Pbest-X(k))+C2R2(Gbest-X(k))(5)
式(5)中，R1和R2为[0,1]之间的随机数，V(k)为迭代次数k时的进化速度，k＝0时，V(k)为一个随机数；学习因子C1和C2呈线性规律变化，表达式分别为：






其中，C1∈[C1min,C1max]，C2∈[C2min,C2max]，学习因子最小值...

【专利技术属性】
技术研发人员：魏义敏，周晓雨，陈文华，潘骏，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33