【技术实现步骤摘要】
一种基于改进的PSO优化PNN平滑因子的故障分类方法
本专利技术涉及故障检测方法
，具体涉及一种基于改进的PSO优化PNN平滑因子的故障分类方法。
技术介绍
随着生产制造技术的快速发展，人们对于主动掌握机械，交通，电力，军事，航空等行业设备在工程结构所存在的精确性，安全性和可靠性等各种内在要求逐渐增加。但是许多机械设备的结构变得越来越复杂，这些机械设备由于复杂性和各种运行因素的影响，如：自身磨损，高温高压，超大负荷，化学腐蚀和外部冲击等，其设备的性能和健康状态会随着时间的推移而发生退化，最终导致设备完全失效。所以，对机械设备及系统进行检测和维护也是十分重要的。为了让设备能够更长久的运行，降低设备在工作中出现损坏的几率，从而降低未知损坏以提高企业的利益。生产过程中，企业的关键设备一旦发生故障，不仅会导致生产中断，造成经济上的损失，还可能造成人员伤亡等安全事故。为了保证技术人员的安全和器件合格，要对这些机械设备按时检查。如果定期进行停工检查将会浪费财力物力以及人力。在此，这种故障诊断方法可以节约一定的成本，在不停止生产的前...
【技术保护点】
1.一种基于改进的PSO优化PNN平滑因子的故障分类方法,其特征在于，包括：/n获取待分类的故障样本；/n将所述故障样本输入到预先建立的故障分类模型函数中，得到所述故障样本的故障类型。/n
【技术特征摘要】
1.一种基于改进的PSO优化PNN平滑因子的故障分类方法,其特征在于，包括：
获取待分类的故障样本；
将所述故障样本输入到预先建立的故障分类模型函数中，得到所述故障样本的故障类型。
2.如权利要求1所述的故障分类方法，其特征在于，所述故障分类模型函数通过以下方法获取：
采用kalmanPSO算法优化概率神经网络得到初始模型函数；
采用预先分类好的故障样本对所述初始模型函数进行训练，得到所述故障分类模型函数。
3.如权利要求2所述的故障分类方法，其特征在于，所述故障分类模型函数为：
其中，Ni总体的样本数；Xik第i类第k个样本；σ平滑因子，其取值为[0,1]，X为每个模式单元的输入模式向量；
所述将所述故障样本输入到预先建立的故障分类模型函数中，得到所述故障样本的故障类型包括：
将获取的故障样本输入到所述模型函数中，获取其在各类故障情况下的概率密度函数值，当所述概率密度函数值最大时，输出的故障类别即为当前样本的故障类别；
其中，所述概率密度函数值为：gi(x)＝max(gi(x))，则x∈i,i＝1,2,3…K，K表示故障的总类别数，即竞争层神经元的个数。
4.如权利要求3所述的故障分类方法，其特征在于，所述采用kalmanPSO算法优化概率神经网络得到初始模型函数包括：
步骤101：设定粒子群算法的参数，将PNN网络的平滑因子作为粒子，迭代次数为P,种群规模为Q,σ∈[0,1]；
步骤102：初始化PNN网络：确定输入层，模式层，求和层和输出层的神经元个数分别为n,m,j，K，确定M个样本作为训练样本，N个样本作为测试样本；
步骤103：将故障数据集作为样本输入到概率神经网络中，训练所述初始化PNN网络；
步骤104：判断所述初始化PNN网络是否对所述训练参数进行正确分类，若是则返回步骤103继续对所述初始化PNN网络继续训练，若否则筛选出未正确分类的样本；
步骤105：将未正确分类的样本输入到KPSO-PNN中，计算损失函数值，更新最优平滑因子；
步骤106：判断PNN样本输出的损失函数是否小于γ，若是，则根据KPSO算法确定最优的平滑因子，根据该最优的平滑因子确定PNN网络；若否，则通过KPSO算法继续训练网络。
5.如权利要求4所述的故障分类方法，其特征在于，所述损失函数值为：
其中yi是实际输出，ti样本输出。
6.如权利要求5所述的故障分类方法，其特征在于，所述通过KPSO算法继续训练网络包括：
步骤201：对粒子速度和位置进行更新，计算粒子群中每个粒子的适应度，选出适应度值最大的粒子和适应度值最小的粒子；
步骤202：判断适应度最小粒子的适应度值是否小于0.25，若是，则采用云模型生成器对粒子...
【专利技术属性】
技术研发人员：汪友明，张天琦，刘辉，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西;61
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。