[发明专利]基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法

摘要

本发明涉及一种基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法。本发明从船舶柴油机油液监测系统中采集油样，对采集到的油样进行元素浓度检测，获得反映柴油机磨损故障位置的油液特征；确定输入特征参数变量的参考值集合，建立初始规则库，计算关于输入特征参数变量与参考值的相似度；对规则库中被激活的规则进行融合推理，确定故障类型的信度值，取信度最大值所对应的故障类型作为故障定位模型的输出；构建优化模型，采用蚁群算法对优化模型进行求解，获得最优的规则库，最优规则库作为最终的船舶柴油机故障定位模型，利用最优规则库获得更精确的故障类型辨识结果。本发明中的并集的置信规则库规则少，优化参数少，优化时间短。

主权项

1.基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法，包括以下各步骤：(1)柴油机常见磨损故障主要有主轴承异常磨损(B)，缸套‑活塞环异常磨损(C)，活塞异常磨损(P)和润滑油污染(L)四种磨损故障，正常情况(N)和这四种磨损故障构成了模型的辨识框架，记为Y，Y＝{N,B,C,P,L}；(2)从中速柴油机在线油液监测系统中采集油样，共采集110瓶；通过原子发射光谱仪对采集到的油液进行化学元素浓度检测；将油液中的Fe，Al，Pb，Si化学元素的浓度作为输入特征参数变量x₁(t),x₂(t),x₃(t),x₄(t),其单位为mg/L,t为样本编号，且t∈[1,T]，T为样本总数；x₁(t),x₂(t),x₃(t),x₄(t)与其对应的故障类型Y(t)表示成样本集合S＝{[x₁(t),x₂(t),x₃(t),x₄(t),Y(t)]|t＝1,...,T}，[x₁(t),x₂(t),x₃(t),x₄(t),Y(t)]为一个样本向量；x₁(t)∈[a₁,a₂]，其中a₁，a₂分别为样本中x₁(t)的最小值和最大值；x₂(t)∈[b₁,b₂]，其中b₁，b₂分别为样本中x₂(t)的最小值和最大值；x₃(t)∈[c₁,c₂]，其中c₁，c₂分别为样本中x₃(t)的最小值和最大值；x₄(t)∈[d₁,d₂]，其中d₁，d₂分别为样本中x₄(t)的最小值和最大值；(3)建立置信规则库，用于描述输入特征参数变量x₁(t),x₂(t),x₃(t),x₄(t)与故障类型之间的非线性映射关系，其中第k条规则R_k(k＝1,...,K)的表示形式如下：其中，K为置信规则库的规则总数，第k条规则的初始规则权重为为输入特征参数变量x_i(t)的参考值集合，F_i,1，分别为输入特征参数变量x_i(t)的最小和最大取值；η_M,k为第k条规则中第M个故障类型的置信度，Y_M为第M个故障类型，‘∨’表示并集；(4)将T个样本向量[x₁(t),x₂(t),x₃(t),x₄(t),Y(t)|t＝1,...,T]中的输入特征参数变量x_i(t)分别用信息等价转换方法转换为置信度分布的形式，如(4‑a)所示，其中，输入特征参数变量x_i(t)与参考值F_j的相似度分布为：S(x_i(t))＝{F_i,j,β_i,j|j＝1,...,J_i,i＝1,...,4}    (4‑a)通过式(4‑b)‑(4‑d)计算输入特征参数变量x_i(t)与参考值F_j的相似度；β_i,j+1＝1‑β_i,j        (4‑c)β_i,j'＝0 j'≠j,j+1    (4‑d)(5)根据步骤(4)获得输入特征参数变量x_i(t)与参考值的相似度β_i,j(i＝1,...,4；j＝1,...,J_i；)，计算置信规则库中每一规则的激活权重g_k(k＝1,...,K)计算公式如下：其中表示第k条初始规则权重；(6)采用解析证据推理规则对规则库中被激活的规则进行融合推理，确定每一样本对应的故障类型Y'，具体步骤如下：(6‑1)设定输出组合O＝{(Y_m,η_m),m＝1,...,M}，其中η_m为第m个故障相对应的置信度，其计算公式如下：其中K为总的规则条数，M为故障类型数量，此处M＝5，η_m,k为初始给定第k条规则所对应的第m个故障类型的信度；(6‑2)根据步骤(6‑1)计算出训练集对应的五种故障类型的信度分布{(N,η₁),(B,η₂),(C,η₃),(P,η₄),(L,η₅)}，根据公式(6‑2‑a)得到输入特征参数变量(x₁(t),x₂(t),x₃(t),x₄(t))对应的故障类型估计结果为：Y'(t)＝arg max{η₁,η₂,η₃,η₄,η₅}    (6‑2‑a)(7)对基于并集置信规则库的故障定位模型进行优化，具体步骤如下：(7‑1)确定优化参数集合其中F_i,j为第i个输入特征参数变量的参考值，为第k条规则的初始权重，η_m,k为第k条规则中第m个故障类型所对应的信度值；(7‑2)将误分率er作为目标函数，建立优化模型：s.t.lb_i≤F_i,j≤ub_i    (7‑2‑b)F_i,1＝lb_i         (7‑2‑c)F_i,j＝ub_i         (7‑2‑d)0≤η_m,k≤1       (7‑2‑f)其中，E_t(t＝1,...,T)表示分类结果是否正确，若真实的故障Y与模型估计的故障Y'相同时，则E_t为0，反之为1，如(7‑2‑h)所示；式(7‑2‑b)‑(7‑2‑g)表示优化参数需要满足的约束条件；(8)利用蚁群算法对优化模型进行求解,其具体步骤如下：(8‑1)对蚁群算法的参数进行初始化，包括转移概率常数p,初始种群中蚂蚁的个数ant，最大迭代次数times，步长系数全局最优误分率gbv；初始种群中每一蚂蚁为一个置信规则库的参数X_l(l＝1,...,ant)，由输入特征参数变量的参考值、初始规则权重和输出故障类型对应的置信度组成；(8‑2)根据置信规则库进行故障分类，并根据(7‑2‑a)获得种群中每一蚂蚁对应的置信规则库对训练样本的误分率er_l(l＝1,...,ant)；(8‑3)如果er_l小于全局最优误分率gbv，则gbv＝er_l，则该蚂蚁对应的置信规则库为最优规则库gbi，该规则库的参数为最优参数X_b，且X_b＝X_l其对应的种群误分率最小，为er_b，重复ant次；(8‑4)计算最小误分率er_b与每一个误分率er_l(l＝1,...,ant)的差比P_l；(8‑5)若差比P_i<p，i∈0[1,ant],则对第i组规则库参数X_i进行修改X_newi＝X_i+(2*rand‑1)*lamda,i∈0[1,...,ant]      (8‑5)其中rand为[0,1]内的一个随机数；(8‑6)利用新生成的X_newi规则库对训练样本进行故障分类，并根据(7‑2‑a)获得新的误分率er_newi；(8‑7)将er_newi与er_i进行比较，如果er_newi<er_i,则X_i＝X_newi，er_i＝er_newi,如果er_newi<gbv，则最优规则库的参数为X_newi；(8‑8)重复步骤(8‑3)至(8‑7)，直到达到最大迭代次数times；获得最小误分率gbv和最优规则库gbi，该最优规则库作为最终的船舶柴油机故障定位模型，并根据该模型对测试样本数据，重复步骤(4)至(6)得到更为精确的估计输出故障Y'。