[发明专利]基于粒子群算法优化BP神经网络模型故障诊断方法

说明书

根据本发明的基于粒子群算法优化BP神经网络模型故障诊断方法，包括以下步骤：S1,数据采集；S2，建立BP故障诊断器；S3，确定PSO粒子的维度；S4，初始化粒子的速度及位置；S5，将每一个粒子的每一个初始位置进行赋值，得到PSO‑BP故障诊断器；S6，PSO‑BP故障诊断器对S1中数据进行故障诊断，得到第一诊断结果；S7，计算粒子的适应度值；S8，更新最低适应度值粒子的速度及位置；S9，将更新位置按照顺序进行赋值，得到第三模型；S10，重复步骤S5‑S9，判断满足结束的条件，若判断为是，进入下一步，若判断为否，回到S5；S11，得到最优粒子，将最优粒子的每个维度上的位置按顺序进行赋值，得到最终诊断模型；S12，使用最终诊断模型进行故障诊断，得到故障诊断结果。

技术领域

本发明涉及一种故障诊断方法，具体涉及一种基于粒子群算法优化BP神经网络模型故障诊断方法。

背景技术

制冷系统在生产与生活各个领域中应用的越来越广泛,其结构较为复杂，自动化程度较高，在运行过程中难免会发生各种各样的故障，带障运行造成系统COP下降，引起不健康、不舒适的工作或居住环境，造成资源的浪费，产品的亏损，设备的损坏。研究表明故障造成的制冷系统的能耗增加可达30％。定期检修会造成过度维修或维修不足,大量的人力物力资源被应用于制冷系统的故障诊断，结果却不尽如人意。从“人工智能(ArtificialIntelligence)”最初在1956年Dartmouth学会上被提出，到20世纪60年代专家系统与人工神经网络的发展，专家系统、人工神经网络、支持向量机、模糊集理论等在机械工程的故障诊断中应用的越来越广泛。如电力行业，滚动轴承，转动机械，航天飞行器技术。

相较于这些领域，故障诊断在制冷空调领域的应用开发要晚一些。大数据的挖掘应用对空调领域故障诊断与检测及用户行为预测有很大的影响。各类神经网络及其优化方法在各个不同的领域均有应用的范例。如：将主元分析法与概率神经网络复合，提取制冷系统故障样本主要特征，对其进行故障诊断。将小波变换与BP神经网络相结合，剔除测量数据中的噪声，提高数据质量，监测冷水机组故障，提高冷水机组故障诊断效率。然而传统BP神经网络在离心式冷水机组故障诊断中具有收敛速度慢以及易陷入局部极小等缺陷。

发明内容

本发明是为了解决上述问题而进行的，针对冷水机组过程数据的非线性以及BP神经网络对权值及阈值寻优易陷入局部最优的问题，本发明一方面的目的在于提供一种基于粒子群算法优化BP神经网络模型故障诊断方法。在传统BP神经网络的基础上，引入粒子群算法(PSO)，改变了原误差迭代计算方式，通过找到粒子的最优位置确定一定网络结构下最优的网络参数，通过不同网络结构最佳性能的对比，找到结构、参数均达到最优的网络。用改进的PSO优化BP算法可有效减少过程诊断中漏报及误报的发生，从而提高故障诊断的准确性。

本发明提供了一种基于粒子群算法优化BP神经网络模型故障诊断方法，其特征在于，包括以下步骤：

S1,数据采集,得到训练组数据和测试组数据；

S2，建立BP(误差反向传播)神经网络模型的BP故障诊断器,即第一模型，确定BP神经网络的拓扑结构，该拓扑结构包括神经网络输入层数、权值以及阈值；

S3，确定PSO(粒子群算法)粒子的维度；

S4，初始化粒子群算法中的粒子的速度及位置,在一个区间内随机产生粒子的初始速度及初始位置；

S5，将上一步随机产生的每一个粒子的每一个初始位置赋值给第一模型中的权值与阈值，得到PSO-BP故障诊断器，即第二模型；

S6，第二模型对S1中训练组数据进行故障诊断，得到第一诊断结果；

S7，用第一诊断结果来计算粒子的适应度值，得到适应度值最低的粒子，即最低适应度值粒子；