[发明专利]一种基于K2ABC算法的动量轮故障诊断方法及装置有效
申请号: | 201910535762.4 | 申请日: | 2019-06-20 |
公开(公告)号: | CN110443344B | 公开(公告)日: | 2022-05-06 |
发明(设计)人: | 戴光明;彭雷;王茂才;宋芳然 | 申请(专利权)人: | 中国地质大学(武汉) |
主分类号: | G06N3/00 | 分类号: | G06N3/00;G06N5/04;G06N7/00;G06F30/20 |
代理公司: | 武汉知产时代知识产权代理有限公司 42238 | 代理人: | 龚春来 |
地址: | 430000 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 k2abc 算法 动量 故障诊断 方法 装置 | ||
本发明公开了一种基于K2ABC算法的动量轮故障诊断方法及装置,本发明基于人工蜂群算法与K2算法相结合的K2ABC算法,并将其应用于动量轮故障诊断建模方法中,以克服现有动量轮故障诊断建模方法存在的计算复杂,模型不灵活等不足,使动量轮的故障诊断结果更准确。
技术领域
本发明涉及卫星动量轮故障诊断领域,同时涉及计算机技术中的贝叶斯网络结构学习领域,更具体的说,本发明涉及一种基于人工蜂群算法与K2算法相结合的K2ABC算法以及基于该算法的装置,该算法可以减少K2算法对节点序的依赖,以提高K2算法在动量轮故障诊断建模中的准确性。
背景技术
动量轮是卫星姿态控制系统的关键部件,传统的卫星动量轮故障诊断技术如观测器法、专家系统法等无法更好的解决卫星动量轮故障中存在的不确定性。贝叶斯网作为一种概率网络,在不确定性问题的推理上有着明显的优势,贝叶斯网络结构学习所建立的模型会影响最终推理结果的准确性。贝叶斯网结构学习是一个NP难问题,K2算法是常用的贝叶斯网结构学习算法,但K2算法存在过度依赖模型节点顺序的问题。由于K2算法在运行前需要给定节点排序,该排序在大多数情况下是未知的,通常根据专家经验来确定,然而专家经验无法保证客观性与准确性,当节点数较多时也难以实现。此外实验表明,节点排序会对K2算法的学习效果产生影响,较优的节点排序能够让K2算法学习出更加拟合样本数据的网络结构,而较差的节点排序会导致K2算法的学习效果下降。因此,研究如何获取较优的节点排序对K2算法以及贝叶斯网络结构学习都有着积极的影响,从而更好的对卫星动量轮故障进行诊断。
发明内容
本发明的目的是提出一种基于人工蜂群算法与K2算法相结合的K2ABC 算法与装置,并将其应用于动量轮故障诊断建模方法中,以克服现有动量轮故障诊断建模方法存在的计算复杂,模型不灵活等不足,使动量轮的故障诊断结果更准确。
本发明解决其技术问题所采用的技术方案是:构造一种基于K2ABC算法的动量轮故障诊断方法,包含如下步骤:
S1、基于K2ABC算法结合动量轮故障数据建立动量轮故障的贝叶斯网络模型;
S2、基于步骤S1所建立的贝叶斯网络模型,利用贝叶斯网络参数学习获得模型中各网络节点的参数;
S3、基于步骤S2所获得的带有节点参数的模型以及获得的证据信息,采用贝叶斯网络推理算法,对可能引发动量轮发生故障的各种原因进行概率计算;其中,证据信息指的是在应用时对某个节点或者多个节点添加状态信息来推理对其它节点状态的影响;
S4、通过对比推理阶段计算出的概率,找出其中后验概率最大的节点,作为最终的诊断结果。
进一步地,在本发明的基于K2ABC算法的动量轮故障诊断方法中,步骤 S1中K2ABC算法包括以下步骤:
S101、获取动量轮故障数据,动量轮故障数据为离散数据;
S102、提取故障数据中的变量作为待构建网络模型中的节点;
S103、设置算法执行参数;
S104、对蜂群进行随机初始化,计算初始蜂群的适应度值;
S105、雇佣蜂对新食物源进行搜索,并利用基于K2搜索与相关度的适应度函数计算各食物源的适应度值,并根据贪婪机制选择需要保留的食物源;
S106、按下式计算各食物源被选择的概率:
其中,pi为第i个食物源被选择的概率,fiti为第i个食物源对应的适应度函数值,max(fit)为所有食物源对应的适应度函数值的最大值;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国地质大学(武汉),未经中国地质大学(武汉)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910535762.4/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种检测点料一体机
- 下一篇:一种调控纳米分子神经网络电脉冲发放行为的方法