基于SA-PSO优化的BP神经网络的电磁铁故障预测方法技术

本发明专利技术公开了基于SA‑PSO优化的BP神经网络的电磁铁故障预测方法，涉及阀体装配质量领域，其步骤包括：A、分析电磁铁产生的故障类型和故障原因，并根据故障类型分类及设定故障标签；B、根据故障原因和故障类型确定BP神经网络的结构及参数设置，建立三层神经网络即第一模型，C、确定粒子群的维度；D、初始化N维粒子的速度和参数；E、将步骤D中随机产生的粒子本身映射为BP神经网络的权值和阈值；F、将模拟退火算法与粒子群算法相结合并交替运行；G、当步骤F中的迭代次数和温度都达到要求，则停止内部降温降温；H、将第一模型和第二模型相结合，得到可靠的故障诊断结果。本发明专利技术具有搜索充分，快速诊断故障的优点。

【技术实现步骤摘要】
基于SA-PSO优化的BP神经网络的电磁铁故障预测方法
本专利技术涉及电磁铁质量领域，具体涉及基于SA-PSO优化的BP神经网络的电磁铁故障预测方法。
技术介绍
电磁铁是利用铁芯在通电之后产生的磁性来吸引衔铁实现开闭的作用或者是将某机械零件固定于一个位置把电能转化为机械能的一种元器件。目前电磁铁的应用十分广泛，例如我们经常见到的公交车或者地铁的车门启闭装置，都逐渐的将利用液压或者气压传动的方式转换为电磁铁来控制车门的开关，电磁铁不仅结构简单安装方便最主要的是响应灵敏。然而随着自动化程度的越来越高，电磁铁的可靠性对这些设备运行好坏起着至关重要的影响，小到一个简单的电磁阀大到在特殊工作环境的航空阀，都要注意产品可靠性的研究。从上世纪60年代开始人工神经网络，支持向量机，灰度理论，模糊数学及智能优化算法的发展越来越成熟，这些理论也被许多学者研究并应用于机械工程的故障诊断中。如轴承，齿轮系统，高压电力系统，甚至是精密航天机械。相比较于以上领域，故障诊断在电磁铁领域的应用发展的比较晚一些，最近几年许多学者开始将重心放在了电磁铁故障诊断领域。如：使用支持向量机应用于550kV高压断路器分合闸电磁铁的故障诊断研究，选取合适的核函数，将输入向量映射到线性可分的高维空间，解决了原始低维空间线性不可分的问题。另有学者将传统BP神经网络由于球阀阀体的故障诊断。但是使用传统的BP神经网络进行故障预测，并未进行参数的优化，或将导致在误差反向传播的时候学习速度很慢，且容易陷入局部最小，网络训练失败的可能性较大。专利技术内容为了克服
技术介绍
的不足，本专利技术提供一种搜索充分，快速诊断故障的基于SA-PSO优化的BP神经网络的电磁铁故障预测方法。本专利技术所采用的技术方案：基于SA-PSO优化的BP神经网络的电磁铁故障预测方法，其步骤包括：A、电磁铁制造企业在装配电磁铁之后，分析电磁铁产生的故障类型和故障原因，并根据故障类型分类及设定故障标签，将采集到的数据分为训练组和测试组；B、根据故障原因和故障类型确定BP神经网络的结构及参数设置，建立三层神经网络即第一模型，所述第一模型包括输入层，隐含层及输出层；C、确定粒子群的维度；D、初始化N维粒子的速度和参数，模拟退火算法的初始温度，温度下降率；E、将步骤D中随机产生的粒子本身映射为BP神经网络的权值和阈值；F、将模拟退火算法与粒子群算法相结合并交替运行，用于优化BP神经网络的权值和阈值，避免网络在训练过程中产生梯度消失，减少陷入局部极小值的情况，当全局极值没有达到最优的时候，采用模拟退火算法进行局部优化；G、当步骤F中的迭代次数和温度都达到要求，则停止内部降温降温，继续更新粒子的速度和位置，一旦全局极值达到要求，迭代次数也达到最大，就停止外部降温，即为第二模型，当达到预定的迭代次数时或者在低温状态连续几次的收敛，此时输出的全局最优值就转化为第一模型的权值和阈值；H、将第一模型和第二模型相结合，用测试组的数据进行测试，训练组的数据进行验证，得到可靠的故障诊断结果。所述步骤A中，故障类型包括：无故障、通电后不吸合、线圈发热、电磁响应慢以及铁芯吸力不足；故障原因包括：线圈两端电压，线圈匝数，交流电的频率，铁芯线圈间隙以及反力弹簧反力；上述采集到的数据分为9组训练集和1组测试集。所述步骤B中，进行测试之前，应该对采集到的数据进行去量纲归一化，通过如下公式将各个故障的每一组数据样本归一到[0，1]区间内：式中，a和b是常量；xmax，xmin是每组因子变量最大值和最小值；xi，x’i分别是归一化前和归一化后的值。所述步骤C包括：C1、初始化BP神经网络的权值和阈值和其他参数，根据样本确定神经网络的输入层隐含层输出层的个数，并根据如下公式计算出隐含层的节点数：式中，hid(b)为隐含层的节点数，imput为输入层的节点数，output为输出层的数目，k为一个[1，10]的随机数；C2、根据如下公式确定粒子群的维度：D＝hid1×(imput1+1)+hid(n)×[hid(n-1)+1]+output×[hid(n)+1]其中，D为粒子群的维度，hid1为第一层隐含层的数目，hid(n-1),hid(n)分别是第n-1,n层的隐含层数目，但当神经网络只含有一个隐含层的话，默认hid(n-1),hid(n)为零；C3、将故障原因x作为输入量，故障类型y作为输出量，根据经验公式计算出隐含层节点数β：其中α为1～10之间的一个常数；C4、BP神经网络中通过如下公式计算出中间层的输入量和输出量，输出层的输入量和输出量：bj＝f(sj)；yt＝f(et)；其中，sjbj分别是中间层的输入向量和输出向量，etyt分别是输出层的输入向量和输出向量，f(x)是本专利技术选用的sigmod激活函数；C5、利用误差方向传播来更新权值和阈值，通过如下公式计算出输出层各单元的误差反向传递给中间层，之后计算中间层和输入层之间的误差所述步骤D包括：D1、初始化粒子群和模拟退火算法的参数，确定粒子的速度和位置范围，初始化模拟退火算法的初温和温度下降率，而且为了加强模拟退火算法的性能，能有充分的搜索空间，必须设置较高的初温，然后将粒子本身映射为神经网络的权值和阈值；D2、初始化每个粒子的速度和位置，并根据适应度函数计算适应度值：其中，N为训练样本数，为第t次迭代第j个训练样本输入的网络实际输出；yj(t)为期望值，根据适应度值初步确定个体极值和全局极值。所述步骤E中，在粒子群算法的迭代过程中，通过粒子的运动来寻更优的位置，根据如下公式计算出粒子的下一个位置和速度：via(t+1)＝x(via(t)+c1r1[pia(t)-xia(t)]+c2r2[pga(t)-xga(t)])；xia(t+1)＝xia(t)+via(t+1)；为了避免迭代的过程中速度过大，通过如下公式限定速度的范围：其中，via(t)是指粒子当前的速度值，pia(t)是指第i个粒子迄今为止搜索到的最佳位置，pga(t)是整个粒子群搜索到的最优位置即为全局最佳。c1c2为加速常数通常为非负数，保证粒子能够通过局部最优值，r1r2在[0，1]上服从均匀随机分布，vmax为最大限制速度一般设置为非负数，速度的限制是为了限制粒子在遇到全局最优值的时候不会跳过，能保证粒子的搜索过程中能更加准确。所述步骤F中，比较粒子的适应度值和自身最优值Pbest，如果当前粒子的值小于自身最优值Pbest，则将当前值赋值给Pbest；并将Pbest设置为当前的全局最优gbest；接下来将比较适应度值和全局最优值gbest，若当前值比全局最优值gbest小，则将当前值赋给全局最优值gbest。所述步骤G中，若步骤F中的全局极值已经达到本文档来自技高网...

【技术保护点】
1.基于SA-PSO优化的BP神经网络的电磁铁故障预测方法，其特征在于，其步骤包括：/nA、电磁铁制造企业在装配电磁铁之后，分析电磁铁产生的故障类型和故障原因，并根据故障类型分类及设定故障标签，将采集到的数据分为训练组和测试组；/nB、根据故障原因和故障类型确定BP神经网络的结构及参数设置，建立三层神经网络即第一模型，所述第一模型包括输入层，隐含层及输出层；/nC、确定粒子群的维度；/nD、初始化N维粒子的速度和参数，模拟退火算法的初始温度，温度下降率；/nE、将步骤D中随机产生的粒子本身映射为BP神经网络的权值和阈值；/nF、将模拟退火算法与粒子群算法相结合并交替运行，用于优化BP神经网络的权值和阈值，避免网络在训练过程中产生梯度消失，减少陷入局部极小值的情况，当全局极值没有达到最优的时候，采用模拟退火算法进行局部优化；/nG、当步骤F中的迭代次数和温度都达到要求，则停止内部降温降温，继续更新粒子的速度和位置，一旦全局极值达到要求，迭代次数也达到最大，就停止外部降温，即为第二模型，当达到预定的迭代次数时或者在低温状态连续几次的收敛，此时输出的全局最优值就转化为第一模型的权值和阈值；/nH、将第一模型和第二模型相结合，用测试组的数据进行测试，训练组的数据进行验证，得到可靠的故障诊断结果。/n...

【技术特征摘要】
1.基于SA-PSO优化的BP神经网络的电磁铁故障预测方法，其特征在于，其步骤包括：
A、电磁铁制造企业在装配电磁铁之后，分析电磁铁产生的故障类型和故障原因，并根据故障类型分类及设定故障标签，将采集到的数据分为训练组和测试组；
B、根据故障原因和故障类型确定BP神经网络的结构及参数设置，建立三层神经网络即第一模型，所述第一模型包括输入层，隐含层及输出层；
C、确定粒子群的维度；
D、初始化N维粒子的速度和参数，模拟退火算法的初始温度，温度下降率；
E、将步骤D中随机产生的粒子本身映射为BP神经网络的权值和阈值；
F、将模拟退火算法与粒子群算法相结合并交替运行，用于优化BP神经网络的权值和阈值，避免网络在训练过程中产生梯度消失，减少陷入局部极小值的情况，当全局极值没有达到最优的时候，采用模拟退火算法进行局部优化；
G、当步骤F中的迭代次数和温度都达到要求，则停止内部降温降温，继续更新粒子的速度和位置，一旦全局极值达到要求，迭代次数也达到最大，就停止外部降温，即为第二模型，当达到预定的迭代次数时或者在低温状态连续几次的收敛，此时输出的全局最优值就转化为第一模型的权值和阈值；
H、将第一模型和第二模型相结合，用测试组的数据进行测试，训练组的数据进行验证，得到可靠的故障诊断结果。


2.根据权利要求1所述的基于SA-PSO优化的BP神经网络的电磁铁故障预测方法，其特征在于，所述步骤A中，
故障类型包括：无故障、通电后不吸合、线圈发热、电磁响应慢以及铁芯吸力不足；
故障原因包括：线圈两端电压，线圈匝数，交流电的频率，铁芯线圈间隙以及反力弹簧反力；
上述采集到的数据分为9组训练集和1组测试集。


3.根据权利要求1所述的基于SA-PSO优化的BP神经网络的电磁铁故障预测方法，其特征在于，所述步骤B中，进行测试之前，应该对采集到的数据进行去量纲归一化，通过如下公式将各个故障的每一组数据样本归一到[0，1]区间内：



式中，a和b是常量；xmax，xmin是每组因子变量最大值和最小值；xi，x′i分别是归一化前和归一化后的值。


4.根据权利要求1所述的基于SA-PSO优化的BP神经网络的电磁铁故障预测方法，其特征在于，所述步骤C包括：
C1、初始化BP神经网络的权值和阈值和其他参数，根据样本确定神经网络的输入层隐含层输出层的个数，并根据如下公式计算出隐含层的节点数：



式中，hid(b)为隐含层的节点数，imput为输入层的节点数，output为输出层的数目，k为一个[1，10]的随机数；
C2、根据如下公式确定粒子群的维度：
D＝hid1×(imput1+1)+hid(n)×[hid(n-1)+1]+output×[hid(n)+1]
其中，D为粒子群的维度，hid1为第一层隐含层的数目，hid(n-1),hid(n)分别是第n-1,n层的隐含层数目，但当神经网络只含有一个隐含层的话，默认hid(n-1),hid(n)为零；
C3、将故障原因x作为输入量，故障类型y作为输出量，根据经验公式计算出隐含层节点数β：



其中α为1～10之间的一个常数；
C4、BP神经网络中通过如下公式计算出中间层的输入量和输出量，输出层的输入量和输出量：



bj＝f(sj)；



yt＝f(et)；
其中，sjbj分别是中间层的输入向量和输出向量，etyt分别是...

【专利技术属性】
技术研发人员：庞继红，袁开宇，徐安察，付培红，李勇，綦法群，王国强，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33