【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。