專利名稱：基于蟻群優(yōu)化算法的故障診斷規(guī)則優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能故障診斷方法，尤其涉及一種基于蟻群優(yōu)化算法的故障診斷規(guī)則優(yōu)化方法，屬于模式識別技術(shù)領(lǐng)域。
背景技術(shù)：
故障診斷技術(shù)的發(fā)展主要經(jīng)歷了人工診斷、現(xiàn)代診斷和智能診斷等三個階段，發(fā)展至今，故障診斷方法可劃分為基于解析模型的方法、基于信號處理的方法和基于知識的方法等。近年來，用于分類的基于人工智能的數(shù)據(jù)挖掘技術(shù)在復(fù)雜系統(tǒng)故障檢測與診斷研究中得到廣泛應(yīng)用。神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)用于表達(dá)故障診斷知識的連接權(quán)來實(shí)現(xiàn)故障與征兆之間復(fù)雜的非線性映射關(guān)系。智能診斷方法由于具有以下的幾點(diǎn)優(yōu)勢而日益受到診斷專家的青睞。(1) 能夠有效地利用診斷專家的知識和經(jīng)驗(yàn)。(2)具有診斷專家般的推理能力，自動實(shí)現(xiàn)從故障征兆到故障原因的映射。(3)具備學(xué)習(xí)機(jī)制，能夠從過去的診斷實(shí)例中獲取診斷知識。(4)對診斷結(jié)果具有解釋能力。專家系統(tǒng)、模糊理論、神經(jīng)網(wǎng)絡(luò)、粗集理論以及它們相互之間和它們與其它信息處理技術(shù)的融合是人工智能手段的主要表現(xiàn)方法，在診斷領(lǐng)域中，它們受到越來越廣泛的重視。(1)專家系統(tǒng)診斷方法為完成一個診斷專家系統(tǒng)最基本的功能，它必須包含三個組成部分知識庫、推理機(jī)及人機(jī)接口。擴(kuò)充部分包括全局?jǐn)?shù)據(jù)庫、知識獲取部分和解釋部分。建立知識庫(尤其是獲取知識)通常是專家系統(tǒng)建造過程中的一個瓶頸問題。推理機(jī)是專家系統(tǒng)的組織控制結(jié)構(gòu)，它能根據(jù)當(dāng)前的輸入數(shù)據(jù)(如設(shè)備運(yùn)行過程)，運(yùn)用知識庫的知識，按一定的搜索策略，對當(dāng)前運(yùn)行狀況進(jìn)行診斷。(2)模糊診斷方法系統(tǒng)運(yùn)行狀況從正常運(yùn)行到故障產(chǎn)生是一個漸變過程，系統(tǒng)的 “故障”與“正?！睂儆趦蓚€模糊集。模糊邏輯診斷方法在于建立正確的故障征兆與故障原因之間的從屬關(guān)系，構(gòu)造出相應(yīng)的診斷矩陣，實(shí)現(xiàn)故障征兆與故障原因之間的映射。通過這種模糊映射關(guān)系，可以實(shí)現(xiàn)由模糊征兆集獲得故障原因集。(3)神經(jīng)網(wǎng)絡(luò)診斷方法由于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，能準(zhǔn)確地模擬復(fù)雜設(shè)備的故障征兆與故障原因之間的關(guān)系，并具有并行處理能力、自學(xué)習(xí)能力和記憶能力，因而已成功地應(yīng)用于故障診斷領(lǐng)域。(4)粗集診斷方法粗集理論是基于不可分辨性的思想和知識簡化的方法，在保持分類能力不變的前提下，通過知識約簡，從數(shù)據(jù)中推理邏輯規(guī)則作為知識系統(tǒng)的模型。它在分類的意義下定義了模糊性和不確定性的概念。利用粗集理論對系統(tǒng)進(jìn)行故障診斷決策表進(jìn)行約簡處理，解釋系統(tǒng)各種故障表征內(nèi)在的冗余性，為系統(tǒng)故障診斷提供了新的有效途徑
實(shí)際上，每個故障特征模式樣本庫中的數(shù)據(jù)向量即代表一條診斷規(guī)則，但是由于缺乏先驗(yàn)知識，采集樣本數(shù)據(jù)時(shí)考慮的屬性項(xiàng)較多，造成故障診斷規(guī)則比較長，而其中的一些屬性項(xiàng)與該類故障關(guān)系較小甚至沒有關(guān)系，所考慮的屬性項(xiàng)之間也存在冗余關(guān)系。并且，不同的樣本數(shù)據(jù)向量往往對應(yīng)同一類故障，因此故障診斷規(guī)則的故障類別預(yù)測精度比較低。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有故障診斷方法存在的故障診斷規(guī)則不夠簡約、冗余較大，導(dǎo)致故障類別診斷精度比較低的不足，提供一種基于蟻群優(yōu)化算法的故障診斷規(guī)則優(yōu)化方法，通過該優(yōu)化方法，可找到含較少屬性項(xiàng)、較高故障類別診斷精度的診斷規(guī)則。為便于公眾更好地理解本發(fā)明，以下首先對蟻群算法的基本原理及相關(guān)概念作一簡要介紹。蟻群算法(Ant Colony Optimization，AC0)源于上世紀(jì)90年代初，Dorigo等人通過模擬自然界螞蟻集體出巢，搜索最短覓食路徑的行為而提出的，并成功應(yīng)用于解決TSP 問題。ACO算法具有正反饋、并行分布式計(jì)算、強(qiáng)魯棒性等優(yōu)點(diǎn)，已受到國內(nèi)外眾多研究者的關(guān)注。自然界蟻群覓食行為的基本思想是蟻群從蟻巢出發(fā)，在所經(jīng)過的路徑上會釋放一種特殊分泌物——信息素，則該路徑上走過的螞蟻越多，留下的信息素也越多，后來的螞蟻更傾向于選擇信息素較多的路徑，因此，隨著時(shí)間的流逝，較優(yōu)路徑上的信息量越來越大，而較差路徑上的信息素會因?yàn)閾]發(fā)而逐漸消減，最終使整個蟻群找到到達(dá)食物源的最優(yōu)路徑。蟻群算法是模擬自然界螞蟻根據(jù)可選擇路徑上先前螞蟻留下信息量的大小來選擇一條最佳路徑的一種啟發(fā)式智能仿生優(yōu)化算法。螞蟻A從當(dāng)前節(jié)點(diǎn)i轉(zhuǎn)移到下一可選節(jié)點(diǎn)alloewd中的J節(jié)點(diǎn)的狀態(tài)轉(zhuǎn)移概率可表示為
權(quán)利要求
1. 一種基于蟻群優(yōu)化算法的故障診斷規(guī)則優(yōu)化方法，所述故障診斷規(guī)則為系統(tǒng)故障特征模式樣本庫中的故障模式樣本數(shù)據(jù)向量，其特征在于，所述優(yōu)化方法包括以下步驟步驟1、生成螞蟻可能行走的路徑和節(jié)點(diǎn)網(wǎng)格圖，原點(diǎn)表示蟻巢，橫坐標(biāo)表示Cmax 個屬性項(xiàng)，縱坐標(biāo)表示Olmax之間的正整數(shù)表示的屬性特征值，表示最大的屬性特征值，即Aiax=Hiax^1, D2,…，外_)，代表示第i個屬性的最大特征值，網(wǎng)格圖中橫坐標(biāo)為i縱坐標(biāo)為J·的節(jié)點(diǎn)表示第i個屬性項(xiàng)的第J·個特征值，節(jié)點(diǎn)坐標(biāo)亦表示為(i，力虛線表示不是螞蟻的行走路經(jīng)，實(shí)線表示螞蟻可選擇的行走路徑；ι = Κ飄，J=Q-Di ；步驟2、初始化蟻群優(yōu)化算法的參數(shù)，其中網(wǎng)格圖中各路徑的能見度，表示螞蟻位置處在坐標(biāo)為(i-l，7)的節(jié)點(diǎn)上對坐標(biāo)為(i，jO的節(jié)點(diǎn)的能見度，由節(jié)點(diǎn)(i，J·)表示的屬性特征值的信息熵來量度，具體按照以下公式得到， Iog2 r-i￥(r|4 = Pp
2. 一種故障診斷規(guī)則約簡方法，所述故障診斷規(guī)則由至少一個條件項(xiàng)組成，其特征在于，該方法包括以下步驟步驟1、設(shè)原故障診斷規(guī)則中包含#個條件項(xiàng)，#為自然數(shù)，按照下式計(jì)算只含單個條件項(xiàng)的診斷規(guī)則的診斷精度，
全文摘要
本發(fā)明公開了一種基于蟻群優(yōu)化算法的故障診斷規(guī)則優(yōu)化方法，用于智能故障診斷。本發(fā)明采用蟻群優(yōu)化算法，通過約簡故障模式樣本數(shù)據(jù)向量的長度，將系統(tǒng)故障特征模式樣本庫中的故障診斷規(guī)則(即故障模式樣本數(shù)據(jù)向量)進(jìn)行約簡優(yōu)化，剔除了故障診斷規(guī)則中冗余的條件項(xiàng)，得到了具有更少的條件項(xiàng)、更高的故障診斷精度的最優(yōu)診斷規(guī)則，從而可提高診斷現(xiàn)場故障問題的故障類別的準(zhǔn)確率。本發(fā)明還公開了一種故障診斷規(guī)則約簡方法。
文檔編號G06N3/00GK102163300SQ201110099368
公開日2011年8月24日 申請日期2011年4月20日 優(yōu)先權(quán)日2011年4月20日
發(fā)明者江駒, 浦黃忠, 王新華, 王道波, 甄子洋 申請人:南京航空航天大學(xué)