[发明专利]基于蚁群优化算法的故障诊断规则优化方法

摘要

本发明公开了一种基于蚁群优化算法的故障诊断规则优化方法，用于智能故障诊断。本发明采用蚁群优化算法，通过约简故障模式样本数据向量的长度，将系统故障特征模式样本库中的故障诊断规则（即故障模式样本数据向量）进行约简优化，剔除了故障诊断规则中冗余的条件项，得到了具有更少的条件项、更高的故障诊断精度的最优诊断规则，从而可提高诊断现场故障问题的故障类别的准确率。本发明还公开了一种故障诊断规则约简方法。

主权项

1. 一种基于蚁群优化算法的故障诊断规则优化方法，所述故障诊断规则为系统故障特征模式样本库中的故障模式样本数据向量，其特征在于，所述优化方法包括以下步骤：步骤1、生成蚂蚁可能行走的路径和节点网格图，原点表示蚁巢，横坐标表示C_max个属性项，纵坐标表示0~D_max之间的正整数表示的属性特征值， D_max表示最大的属性特征值，即D_max=max(D₁, D₂, …, D_Cmax)，D_i表示第i个属性的最大特征值，网格图中横坐标为i纵坐标为j的节点表示第i个属性项的第j个特征值，节点坐标亦表示为（i，j）虚线表示不是蚂蚁的行走路经，实线表示蚂蚁可选择的行走路径；，；步骤2、初始化蚁群优化算法的参数，其中网格图中各路径的能见度，表示蚂蚁位置处在坐标为（i-1，l）的节点上对坐标为（i，j）的节点的能见度，由节点（i, j）表示的属性特征值的信息熵来量度，具体按照以下公式得到，，，式中，表示属性特征值的熵值，表示故障类数，表示类属性，表示第个属性，表示第个属性的第个特征值，表示数据属于第类的经验概率，，；按照下式初始化所有路径段的信息素，，式中，为路径上初始的信息素，C_max为表征故障的属性数目，；置蚁群优化算法的迭代次数；置每次派出蚂蚁只数为1只 ，算法循环一次表示派出一只蚂蚁；设置信息素强度、信息素挥发系数、权重因子；步骤3、进入循环，置蚁群优化算法的循环次数；步骤4、根据下式计算各条可选路径的选择概率，，式中，为蚂蚁选择走第个属性中第个特征值所代表的路径的概率，，；步骤5、蚂蚁从原点出发，根据各段可选路径的选择概率，产生同长度的随机数向量，首先考虑选择概率最高的路径段，它的选择概率与对应位的随机数进行比较，若选择概率高于或等于随机数，则该段路径被选中，成为预定的一段路径；若选择概率小于对应位的随机数，则考虑选择概率第二高的路径段，依次进行直至选中一段路径，若始终不满足判定条件，则随机选择一段路径；选择完一段路径之后，蚂蚁再从下一节点的可选路径中根据选择概率选择一段路径，直至蚂蚁走到尽头，从而生成蚂蚁的预定行走路径；步骤6、生成蚂蚁的实际行走路径，首先，预定行走路径中第1段必选的路径，以每一段路径所代表的条件项作为诊断规则的第1个条件项，计算其故障诊断精度，选择精度最高的条件项作为诊断规则的第1个条件项，它所对应的这段路径作为蚂蚁第1段必选的路径；接着，将预定行走路径中其它段路径分别与第1段必选路径相组合，其对应的故障诊断规则若能提高诊断精度，则该段路径为第2段必选路径，诊断规则增加1个条件项；若不能提高诊断精度，则没有选上第2段必走的路径，诊断规则不增加条件项；依次类推，直至考虑完预定行走路径的全部段路径，得到优化后的最终诊断规则，即为蚂蚁实际行走的路径；其中，所述诊断规则的故障预测精度根据下式得到，，式中，表示属于该类故障的样本数据被预测成属于该类的样本个数；表示不属于该类的样本数据被预测成不属于该类的样本个数；表示属于该类的样本数据被预测成不属于该类的样本个数；表示不属于该类的样本数据被预测成属于该类的样本个数；步骤7、按照下式更新所有路径的信息素，，式中，若第k只蚂蚁经过该段路径，则，否则，表示信息素强度，为第只蚂蚁在本次搜索中所走路径的总长度；为信息素挥发系数，的取值范围为；其中，在故障预测问题中，；步骤8、若搜索到的诊断规则的故障预测精度达到给定精度要求，或者蚁群优化算法的迭代次数超过设定值，则蚁群优化算法终止，并保存各种数据结果；若没有满足终止条件，则返回步骤3，进入下一循环。