[发明专利]基于蚁群优化算法的故障诊断规则优化方法

说明书

技术领域

本发明涉及智能故障诊断方法，尤其涉及一种基于蚁群优化算法的故障诊断规则优化方法，属于模式识别技术领域。

背景技术

故障诊断技术的发展主要经历了人工诊断、现代诊断和智能诊断等三个阶段，发展至今，故障诊断方法可划分为基于解析模型的方法、基于信号处理的方法和基于知识的方法等。近年来，用于分类的基于人工智能的数据挖掘技术在复杂系统故障检测与诊断研究中得到广泛应用。神经网络通过学习用于表达故障诊断知识的连接权来实现故障与征兆之间复杂的非线性映射关系。

智能诊断方法由于具有以下的几点优势而日益受到诊断专家的青睐。

(1)  能够有效地利用诊断专家的知识和经验。

(2)  具有诊断专家般的推理能力，自动实现从故障征兆到故障原因的映射。

(3)  具备学习机制，能够从过去的诊断实例中获取诊断知识。

(4)  对诊断结果具有解释能力。

专家系统、模糊理论、神经网络、粗集理论以及它们相互之间和它们与其它信息处理技术的融合是人工智能手段的主要表现方法，在诊断领域中，它们受到越来越广泛的重视。

（1）专家系统诊断方法：为完成一个诊断专家系统最基本的功能，它必须包含三个组成部分：知识库、推理机及人机接口。扩充部分包括全局数据库、知识获取部分和解释部分。建立知识库(尤其是获取知识)通常是专家系统建造过程中的一个瓶颈问题。推理机是专家系统的组织控制结构，它能根据当前的输入数据(如设备运行过程)，运用知识库的知识，按一定的搜索策略，对当前运行状况进行诊断。

（2）模糊诊断方法：系统运行状况从正常运行到故障产生是一个渐变过程，系统的“故障”与“正常”属于两个模糊集。模糊逻辑诊断方法在于建立正确的故障征兆与故障原因之间的从属关系，构造出相应的诊断矩阵，实现故障征兆与故障原因之间的映射。通过这种模糊映射关系，可以实现由模糊征兆集获得故障原因集。

（3）神经网络诊断方法：由于神经网络具有很强的非线性映射能力，能准确地模拟复杂设备的故障征兆与故障原因之间的关系，并具有并行处理能力、自学习能力和记忆能力，因而已成功地应用于故障诊断领域。

（4）粗集诊断方法：粗集理论是基于不可分辨性的思想和知识简化的方法，在保持分类能力不变的前提下，通过知识约简，从数据中推理逻辑规则作为知识系统的模型。它在分类的意义下定义了模糊性和不确定性的概念。利用粗集理论对系统进行故障诊断决策表进行约简处理，解释系统各种故障表征内在的冗余性，为系统故障诊断提供了新的有效途径

实际上，每个故障特征模式样本库中的数据向量即代表一条诊断规则，但是由于缺乏先验知识，采集样本数据时考虑的属性项较多，造成故障诊断规则比较长，而其中的一些属性项与该类故障关系较小甚至没有关系，所考虑的属性项之间也存在冗余关系。并且，不同的样本数据向量往往对应同一类故障，因此故障诊断规则的故障类别预测精度比较低。

发明内容

本发明所要解决的技术问题在于克服现有故障诊断方法存在的故障诊断规则不够简约、冗余较大，导致故障类别诊断精度比较低的不足，提供一种基于蚁群优化算法的故障诊断规则优化方法，通过该优化方法，可找到含较少属性项、较高故障类别诊断精度的诊断规则。

为便于公众更好地理解本发明，以下首先对蚁群算法的基本原理及相关概念作一简要介绍。

蚁群算法（Ant Colony Optimization，ACO）源于上世纪90年代初，Dorigo等人通过模拟自然界蚂蚁集体出巢，搜索最短觅食路径的行为而提出的，并成功应用于解决TSP问题。ACO算法具有正反馈、并行分布式计算、强鲁棒性等优点，已受到国内外众多研究者的关注。

自然界蚁群觅食行为的基本思想是：蚁群从蚁巢出发，在所经过的路径上会释放一种特殊分泌物——信息素，则该路径上走过的蚂蚁越多，留下的信息素也越多，后来的蚂蚁更倾向于选择信息素较多的路径，因此，随着时间的流逝，较优路径上的信息量越来越大，而较差路径上的信息素会因为挥发而逐渐消减，最终使整个蚁群找到到达食物源的最优路径。

蚁群算法是模拟自然界蚂蚁根据可选择路径上先前蚂蚁留下信息量的大小来选择一条最佳路径的一种启发式智能仿生优化算法。

蚂蚁                                                从当前节点转移到下一可选节点中的节点的状态转移概率可表示为

                      （1）