基于蚂蚁算法的故障诊断研究.docx

  1. 1、本文档共7页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

?

?

基于蚂蚁算法的故障诊断研究

?

?

王亮+焦孟孟

【摘要】本文利用旅行商问题与模拟故障诊断之间数据样本的离散特性,构建多维空间距离最优的蚂蚁算法来解决故障模式识别的问题,其计算快捷,具有一定的鲁棒性,对未知数据也能进行检测,经过实际验证效果良好。

【关键词】蚂蚁算法;多维空间;距离优化

【Abstract】Thetravellingsalesmanproblem(TSP)andanalogfaultdiagnosisbetweensampledataofdiscretecharacteristics,constructingmultidimensionalspaceoptimaldistanceofantalgorithmtosolvetheproblemoffaultpatternrecognition,itscalculationisquick,withcertainrobustness,ofunknowndatacouldalsobeusedtotest,afterverifytheactualeffectisgood.

【Keywords】Antalgorithm;Multidimensionalspace;Distanceoptimization

0引言

模拟故障诊断故障数据库较为常用的处理方法是利用BP神经网络进行训练,其具有构造简单、理论上可无限接近任意函数、响应快、自适应能力强等特点,但由于其使用的算法是MATLAB软件库中的沿梯度下降算法,这种算法在处理多维或复杂数据情况下存在计算数据多、收敛速度慢的问题,而且经常会遇到最小值上下振荡和陷入局部极小点不能跳出的问题。

蚁群算法是近年来根据仿生学原理新兴的一种计算方法,该算法主要有以下特点:智能搜索、全局优化,而且具有鲁棒性、正反馈、分布式计算、易与其它算法相结合等特点[1]。其最著名应用是解决了于旅行商(TSP)问题。本文通过使用蚁群算法替代沿梯度下降算法,使网络或系统兼有神经网络的广泛映射能力和蚁群算法的快速全局收敛等特点,并通过对模拟电路实际例子的故障自动诊断进行判别,最终取得比较理想的效果,具有很广的应用前景。

2蚂蚁算法在故障诊断中的应用

2.1软件环境介绍

首先利用Pspice软件对选定的电路进行分析,主要是确定故障种类,确定故障参数,利用软件进行单故障状态下的多次故障多参数采集,最终由所有故障种类和正常状态构成数据集合。

其次在Matlab设计程序对Pspice软件生成的数据进行读取,读取后的数据进行预处理后利用蚂蚁算法对数据集合中最小类间车距进行计算,训练完成后,利用训练好的网络按照规则对检验样本进行检验,确定故障种类。

2.2程序步骤

Matlab中程序设计步骤及故障判断原则。

第一步:对样本数据进行归一化处理,优化不同故障的类间差距;

第二步:对归一化的数据取均值(各要素分别取均值),构造类似多维空间的坐标数据;

第三步:对处理后的数据按照蚂蚁算法进行最短距离分析。

最短距离分析步骤如下:

第一步:假设有N种故障,M种参数,按照蚂蚁算法最后到最小距离顺序为W(N*M)矩阵(其为各种故障数据的排序矩阵);

第二步:将测试样本Q进行测试,其数据插入到矩阵W中,从第一列开始,然后计算距离得到距离X1,然后插入第二列得到距离X2,依次类推,得到距离数据向量X,共N+1维;

第三步:筛选出向量中距离最小的两个数据,若数据在一起说明两次插入的中间数据即为故障类型,若数据不在一起,说明判断失败;

第四步:最小数据的维数相加后再加1,然后除以2就得到W矩阵中与测试数据相似的故障类型,从而得出结论。

3故障诊断实例

本文以参考论文[3]中的负反馈电路进行诊断,故障类型一样,共9种。通过PSPISE软件对数据进行分析,得到270组数据并通过Matlab对数据进行提取处理,利用蚂蚁算法进行排序,对90组测试数据进行检验,故障正确率为97%。

4结束语

本文提出一种把故障参数当做多维坐标,把故障判断化为找到最小距离的方法。通过实际验证与文献[3]相比,方法简单,计算速度非常快,尤其时判别时只需很少的计算步骤,判断准确率比原文相比有2个点的提高,具有很大的研究价值。

【参考文献】

[1]李学识.基于蚁群算法的电路测试研究[D].华南师范大学,2007,06.

[2]魏蛟龙,等.基于蚁群算法的故障诊断研究[J].微计算机信息,2007,06.

[3]蒋周娜.基于小波神经网络的模拟电路故障诊断方法研究及系统实现[D].西安电子科技大学,2010,5.

[责任编辑:杨玉洁]

科技视界2016年7期

科技视界的其它文章

教室空气净化

文档评论(0)

132****3356 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档