基于粒子群优化算法的底盘发动机故障诊断方法及系统

摘要

本发明公开了一种基于粒子群优化算法的底盘发动机故障诊断方法及系统，所述诊断方法包括：采用动态惯性因子的粒子群优化算法，确定核主成分分析算法的核函数的参数；利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，并利用训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；采用参数确定好的核主成分分析算法确定监测数据是否为故障数据；当监测数据为故障数据时，将监测数据输入训练好的BP神经网络模型，确定监测数据对应的故障种类。本发明将粒子群优化算法、核主成分分析算法及BP神经网络模型结合，利用底盘发动机的润滑油液中含有丰富的故障信息，实现底盘发动机故障的高效和准确地诊断。

说明书

技术领域

本发明涉及故障诊断技术领域，特别是涉及一种基于粒子群优化算法的底盘发动机故障诊断方法及系统。

背景技术

底盘发动机是车辆的主要动力结构，是车辆的核心部分，一旦发生故障会影响到整个车辆的运行状况。而且随着技术的发展，发动机的构造也越来越精密，越来越复杂，传统的故障诊断方式势必会消耗大量的人力物力，且诊断正确率也并不理想。近年来，人工智能的发展为故障诊断提供了新的方案，基于数据驱动的故障诊断方法越来越多的应用到了实际当中，且取得了很好的效果。

现有的智能故障诊断方法有很多，其中运用较多的有神经网络、支持向量机、粗糙集理论、卡尔曼滤波、贝叶斯网络等。其中神经网络中最为成熟的就是BP神经网络模型，但是BP神经网络模型也存在着一些缺陷，比如易陷入局部极小值、收敛速度慢等，影响了故障诊断的精度。

发明内容

本发明的目的是提供一种基于粒子群优化算法的底盘发动机故障诊断方法及系统，以实现底盘发动机故障的高效和准确地诊断。

为实现上述目的，本发明提供了如下方案：

一种基于粒子群优化算法的底盘发动机故障诊断方法，所述诊断方法包括如下步骤：

获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；

利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；

利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；

获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；

采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；

当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。

可选的，所述动态惯性因子的粒子群优化算法的速度更新公式为：

所述动态惯性因子的粒子群优化算法的位置更新公式为：

所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：

w＝w

其中，

可选的，所述获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据，具体包括：

对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；

计算标准化处理后的润滑油液数据的核矩阵；

利用公式

求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。

可选的，采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，具体包括：

采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；

根据监测数据的非线性主成分，利用公式T

根据监测数据的非线性主成分，利用公式

判断所述监测数据的T

若所述判断结果表示是，则将所述监测数据确定为故障数据；

若所述判断结果表示否，则将所述监测数据确定为正常数据。

可选的，所述采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，之前还包括：

利用公式

利用公式

可选的，所述利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型，具体包括：

利用所述训练样本集，以BP神经网络模型输出的均方误差为适应度函数，采用粒子群优化算法确定BP神经网络模型的最佳初始权值和阈值，得到初始化后的BP神经网络模型；

利用所述训练样本集训练初始化后的BP神经网络模型，得到训练好的BP神经网络模型。

一种基于粒子群优化算法的底盘发动机故障诊断系统，所述诊断系统包括：

训练样本集建立模块，用于获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；

核主成分分析参数确定模块，用于利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；

BP神经网络模型训练模块，用于利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；

特征参数提取模块，用于获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；

故障诊断模块，用于采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；

故障种类确定模块，用于当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。

可选的，所述动态惯性因子的粒子群优化算法的速度更新公式为：

所述动态惯性因子的粒子群优化算法的位置更新公式为：

所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：

w＝w

其中，

可选的，所述特征参数提取模块，具体包括：

标准化处理子模块，用于对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；

核矩阵计算子模块，用于计算标准化处理后的润滑油液数据的核矩阵；

中心化处理子模块，用于利用公式

特征提取子模块，用于求取中心化处理后的核矩阵的特征值和特征向量，并将所述特征值和所述特征向量按照从大到小的顺序进行排序，得到排序后的特征值和特征向量作为监测数据。

可选的，所述故障诊断模块，具体包括：

主成分分析子模块，用于采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；

T

SPE统计量计算子模块，用于根据监测数据的非线性主成分，利用公式

判断结果子模块，用于判断所述监测数据的T

故障诊断子模块，用于若所述判断结果表示是，则将所述监测数据确定为故障数据；若所述判断结果表示否，则将所述监测数据确定为正常数据。

与现有技术相比，本发明的有益效果是：

本发明提出了一种基于粒子群优化算法的底盘发动机故障诊断方法及系统，所述诊断方法包括如下步骤：获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集；利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法；利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据；采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据；当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。本发明将粒子群优化算法、核主成分分析算法及BP神经网络模型结合，利用底盘发动机的润滑油液中含有丰富的故障信息，实现底盘发动机故障的高效和准确地诊断。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于粒子群优化算法的底盘发动机故障诊断方法的流程图；

图2为本发明提供的确定核主成分分析算法的核函数的参数的流程图；

图3为本发明提供的BP神经网络模型的结构图；

图4为本发明提供的BP神经网络模型的训练过程的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于粒子群优化算法的底盘发动机故障诊断方法及系统，以实现底盘发动机故障的高效和准确地诊断。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于粒子群优化算法的底盘发动机故障诊断方法，所述诊断方法包括如下步骤：

步骤101，获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集。

底盘发动机的润滑油液中含有丰富的故障信息，通过对润滑油中磨粒及其他理化性质参数的监测可以实现底盘发动机常见磨损故障的诊断。

本发明采用传感器得到底盘发动机润滑油液数据信息后，提取数据信息的原始特征参数：

(1)将采集到的正常运行状态的油液样本数据特征信息进行标准化处理，标准化处理之后其均值为0，方差为1，消除各个特征不同幅值对模型的影响。

(2)计算标准化处理后的样本数据集核矩阵。

(3)对核矩阵进行中心化处理，核矩阵中心化公式如下：

其中K代表中心化之前的核矩阵，

(4)求取核矩阵的特征值和特征向量，并按照从大到小的顺序排列。

步骤102，利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法。

对步骤101中提取到的原始特征参数采用核主成分分析方法进行降维和故障监测。其中核主成分分析方法的核函数采用高斯核函数：

exp(||x-y||

上式中w大于等于0，x和y为已知的向量。高斯核函数w参数的不同取值对于最终的降维结果和故障监测结果影响很大，这里采用粒子群优化算法对高斯核函数w参数进行优化。其中粒子群优化算法的原理如下：

假设共有m个粒子，每一个粒子都代表一个潜在的解，优化问题的变量为d个，则粒子群优化算法的搜索空间为d维，粒子通过不断追踪个体粒子的最优值和群体粒子的最优值来更新自己的速度和位置。其中：

上式中

上式中

用pbest代表个体粒子的最优值，用gbest代表群体粒子的最优值。粒子通过追踪个体最优值和群体最优值来不断更新自己的速度和位置，其更新公式如下：

上述更新公式中

这其中w值较大时，粒子群优化算法的全局搜索能力较强，但局部搜索能力就会较弱。w值较小时，粒子群优化算法的局部搜索能力较强而全局搜索能力就会较弱。采用动态惯性因子的方法可以达到最好的搜索效果，其公式如下：

w＝w

上式中w

步骤103利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；

其中标准BP神经网络模型如图3所示。

其中X表示输入，实际应用中取为降维后故障特征参数，有多少个特征参数便有多少个输入。Y表示输出，在实际应用中取为故障现象，有多少种故障现象便有多少个输出。模型中包括输入层，隐含层和输出层三部分，一般隐含层为一层，层与层之间全连接，层内不连接。隐含层的神经元个数一般有经验公式或者反复实验得到，经验公式如下：

其中n

传统的BP神经网络模型有收敛速度慢，易陷入局部极小值点的缺陷，本发明采用粒子群优化算法优化BP神经网络模型的初始权值和阈值可以明显改善BP神经网络模型的性能。如图4所示，其具体实施步骤如下：

根据实际情况确定BP神经网络模型的输入层、隐含层、输出层神经元个数，确定初始权值和阈值的总个数。

以神经网络模型输出的均方误差为粒子群优化算法的适应度函数，初始化粒子群优化算法的各个参数。

粒子群优化算法的迭代寻优，找到BP神经网络模型最佳初始权值和阈值。

以粒子群优化算法的寻优结果为BP神经网络模型的初始权值和阈值，用训练数据训练神经网络，得到具体的BP神经网络模型。

步骤104，获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据。

步骤104所述获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据，具体包括：对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；计算标准化处理后的润滑油液数据的核矩阵；利用公式

步骤105，采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据。

步骤105所述采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据，具体包括：采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；根据监测数据的非线性主成分，利用公式T

其中，T

如图2所示，步骤105具体为：

1)将采集到的正常运行状态的油液样本数据特征信息进行标准化处理，标准化处理之后其均值为0，方差为1，消除各个特征不同幅值对模型的影响。

2)选择适合的核函数，一般选择高斯核函数。

3)采用粒子群优化算法对高斯核函数的w参数进行优化，优化目标为故障监测准确率最高。

4)计算标准化处理后的样本数据集核矩阵。

5)对核矩阵进行中心化处理，核矩阵中心化公式如下：

其中K代表中心化之前的核矩阵，

6)求取核矩阵的特征值和特征向量，并按照从大到小的顺序排列。

7)计算正常运行的样本数据的非线性主成分。

8)计算正常运行样本数据的T

T

其中t

其中N代表样本个数，q是核主成分分析中保留的核主元个数，α是检验水平，F分布中当自由度为q、检验水平为α、条件为N-q时的分布临界值为F

其中k代表N个特征值中非零特征值的数目，q是保留的核主元个数。

SPE统计量的控制限计算如下：

其中θ

9)将采集到的测试样本数据同样按照上述步骤处理，计算出测试样本的T

步骤106，当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。

步骤105中实现了样本数据的降维和故障监测，对于无故障的数据存入数据库不予报警。监测到故障数据时，存入数据库并给予报警提示。

把监测到的故障数据当作BP神经网络模型的输入实现分类也即是故障诊断。

本发明以步骤105中得到的降维之后的故障数据为BP神经网络模型的输入，实现故障分类也即是故障诊断。

本发明还提供一种基于粒子群优化算法的底盘发动机故障诊断系统，所述诊断系统包括：

训练样本集建立模块，用于获取底盘发动机的历史的润滑油液数据，并进行特征参数提取，建立训练样本集。

核主成分分析参数确定模块，用于利用所述训练样本集，以故障监测的准确率为适应度函数，采用动态惯性因子的粒子群优化算法，确定用于底盘发动机故障诊断的核主成分分析算法的核函数的参数，得到参数确定好的核主成分分析算法。

所述动态惯性因子的粒子群优化算法的速度更新公式为：

所述动态惯性因子的粒子群优化算法的位置更新公式为：

所述动态惯性因子的粒子群优化算法的动态惯性因子更新公式为：

w＝w

其中，

BP神经网络模型训练模块，用于利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，获得初始化后的BP神经网络模型，并利用所述训练样本集对初始化后的BP神经网络模型进行训练，获得训练好的BP神经网络模型；

特征参数提取模块，用于获取底盘发动机的监测状态的润滑油液数据，并进行特征参数提取，得到监测数据。

所述特征参数提取模块，具体包括：标准化处理子模块，用于对监测状态的润滑油液数据进行标准化处理，获得标准化处理后的润滑油液数据；核矩阵计算子模块，用于计算标准化处理后的润滑油液数据的核矩阵；中心化处理子模块，用于利用公式

故障诊断模块，用于采用参数确定好的核主成分分析算法确定所述监测数据是否为故障数据。

所述故障诊断模块，具体包括：主成分分析子模块，用于采用参数确定好的核主成分分析算法计算监测数据的非线性主成分；T

故障种类确定模块，用于当所述监测数据为故障数据时，将所述监测数据输入训练好的BP神经网络模型，确定所述监测数据对应的故障种类。

与现有技术相比，本发明的有益效果是：

现有的故障诊断技术中一般没有故障监测环节或者故障监测准确率不高。本发明利用粒子群优化算法改进的核主成分分析方法实现了样本数据的降维和故障监测，提高了故障监测准确率，减少了后续故障诊断任务的工作量，提高了后续故障诊断方法的识别准确率。

现有的故障诊断方法中的BP神经网络模型方法存在一定的缺陷，比如易陷入局部极小值、收敛速度慢等。本发明利用粒子群优化算法对BP神经网络模型的初始权值和阈值进行寻优处理，提高了BP神经网络模型的全局搜索能力，加快了神经网络的收敛速度，在实际应用中提高了故障诊断的效率和准确率。

本说明书中等效实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，等效实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。