粒子群优化BP算法在液压系统故障诊断中应用
发布时间：2021-06-17 13:37
及时准确地对液压系统故障进行监测、预报和诊断具有重要意义。阐述了BP（Back Propagation）神经网络故障模型的基本理论知识,针对BP网络的缺点,提出了利用粒子群算法优化BP网络,建立起PSO（particle swarm optimization）优化BP网络故障诊断模型。以液压系统柱塞泵故障为例进行了神经网络建模,并对建立的网络进行仿真。仿真结果测试正确,表明PSO优化的BP网络用于液压系统故障诊断的实用性和可行性。
【文章来源】：系统仿真学报. 2016,28(05)北大核心CSCD
【文章页数】：5 页
【部分图文】：
单隐层BP神经网络结构
第28卷第5期Vol.28No.52016年5月张捍东,等:粒子群优化BP算法在液压系统故障诊断中应用May,2016http:∥www.china-simulation.com1187BP网络的学习过程分为信息的正向传播和误差的方向传播。在信息的正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。如果在输出层得不到期望的结果，则转到误差的反向传播，将误差信号按照连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号逐渐减校BP神经网络的逼近结构[4-6]，如图2所示。图1单隐层BP神经网络结构图2BP神经网络逼近2粒子群优化算法粒子群优化算法(particleswarmoptimization,PSO)最早是由Kennedy和Eberhart在1995年提出的，它是一种群体智能的优化算法，在该优化算法中，所有优化问题都被抽象成鸟类的捕食行为，空间中的鸟代表优化问题中的潜在解，即算法中的“粒子”，在目标解空间中不停的进行全局搜索。通过一次次的改变自身的位置和速度，最终通过迭代找到最优解[7]。粒子在优化算法中，利用适应度值、位置和速度3项指标表示粒子的当前特征。适应度值表示该粒子的优劣程度，而位置和速度表示该粒子当前搜索的情况。Pbest指的是粒子个体在搜索过程中的得到的适应度最优的位置，而Gbest指的是所有粒子在搜索过程中的得到的最优适应度的位置。粒子每变换一次位置，就得到一个新的适应度值，通过比较该适应度值、个体极值适应度值和群体极值适应度值修正Pbest和Gbest。假设在一个N维的搜索空间中，有M个粒子组成一个种群，其中第m个粒子表示为一个M维的向量m12=(,,...,),1,2,...,,mmmNXxxxmM这个向量代表了在N维搜索空间中粒子的位置，也代表了目标优化问题的一个潜在解。根据优化问题有一个确定的目标函数，由目标?
2，x3，x4，x5分别表示柱塞泵的回油温度变化、流量、内泄流量、压力和补油压力波动。4.2BP网络参数设置本文提取的故障征兆的个数为5，故障的种类为4，故建立的BP神经网络输入神经元为5个，输出神经元为4个。因为单隐层的BP网络能够完成任意精度的函数逼近，因此本文建立了一个单隐层的BP网络。根据确定隐含层神经元个数的公式[10]，隐含层神经元个数k=4+5+;当取7时，k=10。隐含层的传递函数选为“tansig”，输出层的传递函数选为“logsig”，则建立起来的单隐层BP神经网络结构图如图3所示。图3BP神经网络故障诊断结构图设定BP网络的最大训练次数为1000，期望误差为0.01，学习效率为0.1。其余BP网络相关参数均取默认值。4.3粒子群参数设置粒子维数为所需要优化的权值和阈值的个数，设定粒子群的粒子数为20，最大允许迭代次数为300，加速度因子c1=c2=1.49445，并将粒子的速度范围限制为[–0.5,0.5]。PSO算法中的惯性权重ω体现了粒子继承前
【参考文献】：
期刊论文
[1]基于BP神经网络的变压器故障诊断模型[J]. 禹建丽,卞帅. 系统仿真学报. 2014(06)
[2]神经网络在故障诊断中的研究[J]. 孙丽欣,胡文亮. 化学工程与装备. 2014(02)
[3]粒子群优化BP算法在电力系统短期负荷预测中的应用[J]. 傅忠云. 重庆工学院学报(自然科学版). 2007(10)
本文编号：3235296
【文章来源】：系统仿真学报. 2016,28(05)北大核心CSCD
【文章页数】：5 页
【部分图文】：
单隐层BP神经网络结构
第28卷第5期Vol.28No.52016年5月张捍东,等:粒子群优化BP算法在液压系统故障诊断中应用May,2016http:∥www.china-simulation.com1187BP网络的学习过程分为信息的正向传播和误差的方向传播。在信息的正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。如果在输出层得不到期望的结果，则转到误差的反向传播，将误差信号按照连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号逐渐减校BP神经网络的逼近结构[4-6]，如图2所示。图1单隐层BP神经网络结构图2BP神经网络逼近2粒子群优化算法粒子群优化算法(particleswarmoptimization,PSO)最早是由Kennedy和Eberhart在1995年提出的，它是一种群体智能的优化算法，在该优化算法中，所有优化问题都被抽象成鸟类的捕食行为，空间中的鸟代表优化问题中的潜在解，即算法中的“粒子”，在目标解空间中不停的进行全局搜索。通过一次次的改变自身的位置和速度，最终通过迭代找到最优解[7]。粒子在优化算法中，利用适应度值、位置和速度3项指标表示粒子的当前特征。适应度值表示该粒子的优劣程度，而位置和速度表示该粒子当前搜索的情况。Pbest指的是粒子个体在搜索过程中的得到的适应度最优的位置，而Gbest指的是所有粒子在搜索过程中的得到的最优适应度的位置。粒子每变换一次位置，就得到一个新的适应度值，通过比较该适应度值、个体极值适应度值和群体极值适应度值修正Pbest和Gbest。假设在一个N维的搜索空间中，有M个粒子组成一个种群，其中第m个粒子表示为一个M维的向量m12=(,,...,),1,2,...,,mmmNXxxxmM这个向量代表了在N维搜索空间中粒子的位置，也代表了目标优化问题的一个潜在解。根据优化问题有一个确定的目标函数，由目标?
2，x3，x4，x5分别表示柱塞泵的回油温度变化、流量、内泄流量、压力和补油压力波动。4.2BP网络参数设置本文提取的故障征兆的个数为5，故障的种类为4，故建立的BP神经网络输入神经元为5个，输出神经元为4个。因为单隐层的BP网络能够完成任意精度的函数逼近，因此本文建立了一个单隐层的BP网络。根据确定隐含层神经元个数的公式[10]，隐含层神经元个数k=4+5+;当取7时，k=10。隐含层的传递函数选为“tansig”，输出层的传递函数选为“logsig”，则建立起来的单隐层BP神经网络结构图如图3所示。图3BP神经网络故障诊断结构图设定BP网络的最大训练次数为1000，期望误差为0.01，学习效率为0.1。其余BP网络相关参数均取默认值。4.3粒子群参数设置粒子维数为所需要优化的权值和阈值的个数，设定粒子群的粒子数为20，最大允许迭代次数为300，加速度因子c1=c2=1.49445，并将粒子的速度范围限制为[–0.5,0.5]。PSO算法中的惯性权重ω体现了粒子继承前
【参考文献】：
期刊论文
[1]基于BP神经网络的变压器故障诊断模型[J]. 禹建丽,卞帅. 系统仿真学报. 2014(06)
[2]神经网络在故障诊断中的研究[J]. 孙丽欣,胡文亮. 化学工程与装备. 2014(02)
[3]粒子群优化BP算法在电力系统短期负荷预测中的应用[J]. 傅忠云. 重庆工学院学报(自然科学版). 2007(10)
本文编号：3235296
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3235296.html
