[发明专利]一种新型拖拉机故障诊断系统及故障诊断方法

说明书

本发明提供一种新型拖拉机故障诊断系统及故障诊断方法，采用IAV‑NIWD‑QMPCPSO算法对BP神经网络的结构进行优化；利用NIWD算法改变传统PSO算法在不同时期的搜索能力，提高粒子寻优的精度；针对粒子迭代过程中搜索空间有限的问题，提出QMPCPSO算法，利用MPCPSO将粒子群分为主群和从群，据此改进标准粒子群的速度更新公式，加强粒子群中粒子之间的信息交流，获取更大寻优空间；利用QPSO算法克服粒子每一代的位置量子化，据此改进标准粒子群的位置更新公式，克服连续变化引起的粒子搜索范围有限的缺陷。本发明引入随着迭代次数增加变异几率增加的改进自适应变异算法，进一步提升粒子的寻优空间。

技术领域

本发明本发明属于故障诊断技术领域，尤其涉及一种基于IAV-NIWD-QMPCPSO算法的新型拖拉机故障诊断系统及故障诊断方法。

背景技术

随着现代农业机械化技术的不断发展，农场中随处可见各式各样的大型农业器械，其中应用最多的就是拖拉机。柴油机作为拖拉机的动力源，其健康状况将直接影响到拖拉机的性能及安全性，柴油机故障具有机理复杂性、故障多样性以及多故障并发性等诸多特点，针对柴油机的故障诊断已成为目前的研究热点之一。

伴随着近年来人工智能的飞速发展，基于深度学习的神经网络故障诊断方法已经成为柴油机故障诊断的重要方式，BP（Back Propagation）神经网络具有良好的非线性映射能力，因而被广泛应用于柴油机故障诊断中。但是目前的柴油机故障诊断中大多基于单BP神经网络建立诊断模型，局限性较大，当网络的训练数据少或者不具有代表性时，会严重影响网络的泛化能力及预测能力，而且BP神经网络还缺乏跳出局部最优解的能力，由此导致故障诊断精度不够。

现有技术中也有采用粒子群优化算法（Particle Swarm Optimization，PSO）来优化BP神经网络，进而建立故障诊断模型的方式。 PSO算法虽然具有收敛速度快的优点，但是同时也存在容易过早收敛、容易陷入局部最优等缺点。因此，亟需设计一种新型的故障模型来更精确地获取柴油机故障信息。

发明内容

针对现有技术中存在不足，本发明提供了一种新型拖拉机故障诊断系统及故障诊断方法，采用IAV-NIWD- QMPCPSO算法对BP神经网络的结构进行优化，大大提高了故障诊断效率和诊断精度。

本发明是通过以下技术手段实现上述技术目的的。

一种新型拖拉机故障诊断方法，包括如下步骤：

步骤1：数据采集单元通过拖拉机CAN总线采集拖拉机相关参数数据，并对采集到的参数数据进行筛选解析，获取与拖拉机故障相关性较大的参数数据；

步骤2：故障诊断单元对解析后得到的参数数据进行预处理；

步骤3：建立基于IAV-NIWD- QMPCPSO算法的故障诊断模型，进行故障诊断：

步骤3.1：建立8-8-5-5的4层BP神经网络拓扑结构，包括输入层、第一隐含层、第二隐含层和输出层，向输入层中输入学习样本，最终对应有相应的期望输出和实际输出；初始化BP神经网络的各层节点数、权值、阈值；

步骤3.2：利用IAV-NIWD- QMPCPSO算法对BP神经网络进行优化；

步骤3.2.1：确定IAV-NIWD- QMPCPSO算法中的粒子维度；

步骤3.2.2：划分IAV-NIWD- QMPCPSO主群和从群；

步骤3.2.3：确定粒子适应度函数；

步骤3.2.4：对主群、从群中的粒子进行速度及位置更新：

对PSO算法惯性权重进行优化，惯性权重的更新公式如下：