基于自适应周期变异粒子群优化BP神经网络的旋转机械故障诊断

摘要

在旋转机械故障诊断应用研究中,BP神经网络在网络结构选择、网络训练精度和网络泛化能力方面还存在很多问题；粒子群优化(PSO)算法作为一种优化方法被应用于BP神经网络的参数优化,但存在早熟收敛的问题,影响了神经网络的优化性能和诊断效果;提出了一种基于自适应周期变异粒子群优化BP神经网络(APMPSO BP)的算法模型,该算法通过改进粒子群自适应搜索策略来提高网络泛化性能,根据群体适应度方差以及当前粒子最优解来确定全局最优粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力,避免了算法的早熟收敛;通过实例验证和对比分析表明,采用APMPSO算法优化的BP网络在网络收敛速度、故障诊断准确度上都优于其它几种网络,证明该方法具有较高的诊断精度和效率.