[发明专利]一种基于改进径向基神经网络的船舶设备故障诊断方法

说明书

本发明公开了一种基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器；对船舶设备采集训练样本数据，将训练样本数据导入构造的神经网络分类器进行分类训练，得到训练好的神经网络分类器；对船舶设备采集测试数据，将采集的测试数据导入训练好的神经网络分类器进行故障分类，判断是否出现故障，本发明方法能够提高故障诊断的准确性、增加故障诊断的适用性，同时能够满足船舶故障诊断的实时性要求。

技术领域

本发明涉及一种基于改进径向基神经网络的船舶设备故障诊断方法，属于LY07信息感知与识别技术。

背景技术

故障诊断是利用故障数据采集、故障检测、故障定位、故障报警等技术，综合运用各种检查和测试方法，发现系统和设备是否存在故障并针对故障信息及时产生报警信号的过程。由于船舶设备承担任务的特殊性、重要性，需要对船舶中许多关键设备状态数据进行不间断采集，并不断分析，以期在关键设备发生故障时能够以最短的时间，最小的代价发现故障、定位故障并及时发出报警。如何构建低延迟、高吞吐且持续可靠运行的在线诊断系统，是当前亟待解决的问题。

为此，在船舶航行过程中需要一种故障诊断方法能够高效准确地对发生的设备故障进行诊断。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于改进径向基神经网络的船舶设备故障诊断方法，该方法能够提高故障诊断的准确性、增加故障诊断的适用性，同时能够满足船舶故障诊断的实时性要求。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于改进径向基神经网络的船舶设备故障诊断方法，通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器。对船舶设备采集训练样本数据，将训练样本数据导入构造的神经网络分类器进行分类训练，得到训练好的神经网络分类器。对船舶设备采集测试数据，将采集的测试数据导入训练好的神经网络分类器进行故障分类，判断是否出现故障。

通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器的方法，包括以下步骤：

步骤1，确定改进人工蜂群算法的输入参数，所述输入参数包括蜜源数量SN，最大迭代次数T、当前迭代次数t＝0，连续迭代次数更新上限L以及蜜源X，其中将RBF神经网络参数作为蜜源X的结构参数。RBF神经网络参数包括RBF神经网络隐含层激励函数中心的数目C、中心值x_c和激励函数宽度r。

步骤2，利用反向学习方法对蜜源X＝{X₁,X₂,X₃,…,X_SN}的每一维进行初始化，其中，SN为蜜源数量。先随机生成解搜索空间。再对每个蜜源求其反向解。

步骤3，计算各个解x_ij的适应度值并进行排序，适应度值最差的被选为侦查蜂，剩下的前一半为引领蜂，后一半为守望蜂，并记录最优值。

步骤4，引领蜂根据可当前解状态自动调整步长的自适应局部搜索方法在邻域内进行搜索，若搜索到的新解优于当前解，则用新解替换当前解v_ij，否则，保留当前解。

可当前解状态自动调整步长的自适应局部搜索方法:

其中，v’_ij为改进后引领蜂搜索得到的新蜜源的第j维分量，v_ij为引领蜂搜索到的当前蜜源的第j维分量，v_bestj为本轮迭代中最优蜜源的第j维分量，v_kj为从每轮迭代前m个较优的蜜源中随机选取的一个蜜源的第j维分量，m为一个[0,SN/2t]上的随机数；

步骤5，采用下式选出本轮迭代中最优的解作为全局最优解X_best，以供跟随蜂使用。