[发明专利]一种基于改进的PSO优化PNN平滑因子的故障分类方法

说明书

本发明涉及故障检测方法技术领域，具体涉及一种基于改进的PSO优化PNN平滑因子的故障分类方法，利用故障样本建立神经网络模型包括：获取已分类正确的样本；将故障样本输入到KPSO‑PNN模型中；训练神经网络模型，直到样本全部正确分类。本专利主要对出现机械故障类型进行判断，概率神经网络主要是解决分类的问题，其中平滑因子σ是在有限的模式样本中提炼出能反映整个样本空间的参数。由于目前σ的取值都是基于经验或有限样本聚类的方法,并不能将空间的概率特性完整地表达出来。基于此，本专利采用卡尔曼粒子群算法对σ进行最优选取，并采用云模型对部分粒子重新生成，加速因子随着迭代步数进行更新，使得粒子具有良好的局部和全局搜索能力，提高了速度的收敛性。

技术领域

本发明涉及故障检测方法技术领域，具体涉及一种基于改进的PSO优化PNN平滑因子的故障分类方法。

背景技术

随着生产制造技术的快速发展，人们对于主动掌握机械，交通，电力，军事，航空等行业设备在工程结构所存在的精确性，安全性和可靠性等各种内在要求逐渐增加。但是许多机械设备的结构变得越来越复杂，这些机械设备由于复杂性和各种运行因素的影响，如：自身磨损，高温高压，超大负荷，化学腐蚀和外部冲击等，其设备的性能和健康状态会随着时间的推移而发生退化，最终导致设备完全失效。所以，对机械设备及系统进行检测和维护也是十分重要的。为了让设备能够更长久的运行，降低设备在工作中出现损坏的几率，从而降低未知损坏以提高企业的利益。生产过程中，企业的关键设备一旦发生故障，不仅会导致生产中断，造成经济上的损失，还可能造成人员伤亡等安全事故。为了保证技术人员的安全和器件合格，要对这些机械设备按时检查。如果定期进行停工检查将会浪费财力物力以及人力。在此，这种故障诊断方法可以节约一定的成本，在不停止生产的前提下进行设备故障诊断，在诊断之后对需要更换或者维修的设备进行停产，确保人员安全和较高的产品质量。

发明内容

为了解决现有技术中人为停工检测机械故障会浪费大量时间和人力的技术问题，本申请提供一种基于改进的PSO优化PNN平滑因子的故障分类方法。

一种基于改进的PSO优化PNN平滑因子的故障分类方法,包括：

获取待分类的故障样本；

将所述故障样本输入到预先建立的故障分类模型函数中，得到所述故障样本的故障类型。

其中，所述故障分类模型函数通过以下方法获取：

采用kalmanPSO算法优化概率神经网络得到初始模型函数；

采用预先分类好的故障样本对所述初始模型函数进行训练，得到所述故障分类模型函数。

其中，所述故障分类模型函数为：

其中，N_i总体的样本数；X_ik第i类第k个样本；σ平滑因子，其取值为[0,1]，X为每个模式单元的输入模式向量；

所述将所述故障样本输入到预先建立的故障分类模型函数中，得到所述故障样本的故障类型包括：

将获取的故障样本输入到所述模型函数中，获取其在各类故障情况下的概率密度函数值，当所述概率密度函数值最大时，输出的故障类别即为当前样本的故障类别；

其中，所述概率密度函数值为：gi(x)＝max(gi(x))，则x∈i,i＝1,2,3…K，K表示故障的总类别数，即竞争层神经元的个数。

其中，所述改进后的PSO算法通过以下方法获取：

其中，采用kalmanPSO算法优化概率神经网络得到初始模型函数包括：

步骤101：设定粒子群算法的参数，将PNN网络的平滑因子作为粒子，迭代次数为P,种群规模为Q,σ∈[0,1]；