CN106628097A - 一种基于改进径向基神经网络的船舶设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器；对船舶设备采集训练样本数据，将训练样本数据导入构造的神经网络分类器进行分类训练，得到训练好的神经网络分类器；对船舶设备采集测试数据，将采集的测试数据导入训练好的神经网络分类器进行故障分类，判断是否出现故障，本发明方法能够提高故障诊断的准确性、增加故障诊断的适用性，同时能够满足船舶故障诊断的实时性要求。

Description

一种基于改进径向基神经网络的船舶设备故障诊断方法

技术领域

本发明涉及一种基于改进径向基神经网络的船舶设备故障诊断方法，属于LY07信息感知与识别技术。

背景技术

故障诊断是利用故障数据采集、故障检测、故障定位、故障报警等技术，综合运用各种检查和测试方法，发现***和设备是否存在故障并针对故障信息及时产生报警信号的过程。由于船舶设备承担任务的特殊性、重要性，需要对船舶中许多关键设备状态数据进行不间断采集，并不断分析，以期在关键设备发生故障时能够以最短的时间，最小的代价发现故障、定位故障并及时发出报警。如何构建低延迟、高吞吐且持续可靠运行的在线诊断***，是当前亟待解决的问题。

为此，在船舶航行过程中需要一种故障诊断方法能够高效准确地对发生的设备故障进行诊断。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于改进径向基神经网络的船舶设备故障诊断方法，该方法能够提高故障诊断的准确性、增加故障诊断的适用性，同时能够满足船舶故障诊断的实时性要求。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于改进径向基神经网络的船舶设备故障诊断方法，通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器。对船舶设备采集训练样本数据，将训练样本数据导入构造的神经网络分类器进行分类训练，得到训练好的神经网络分类器。对船舶设备采集测试数据，将采集的测试数据导入训练好的神经网络分类器进行故障分类，判断是否出现故障。

通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器的方法，包括以下步骤：

步骤1，确定改进人工蜂群算法的输入参数，所述输入参数包括蜜源数量SN，最大迭代次数T、当前迭代次数t＝0，连续迭代次数更新上限L以及蜜源X，其中将RBF神经网络参数作为蜜源X的结构参数。RBF神经网络参数包括RBF神经网络隐含层激励函数中心的数目C、中心值x_c和激励函数宽度r。

步骤2，利用反向学习方法对蜜源X＝{X₁,X₂,X₃,…,X_SN}的每一维进行初始化，其中，SN为蜜源数量。先随机生成解搜索空间。再对每个蜜源求其反向解。

步骤3，计算各个解x_ij的适应度值并进行排序，适应度值最差的被选为侦查蜂，剩下的前一半为引领蜂，后一半为守望蜂，并记录最优值。

步骤4，引领蜂根据可当前解的状态自动调整步长的自适应的局部搜索方法在邻域内进行搜索，若搜索到的新解优于当前解，则用新解替换当前解v_ij，否则，保留当前解。

可当前解的状态自动调整步长的自适应的局部搜索方法:

其中，v’_ij为改进后引领蜂搜索得到的新蜜源的第j维分量，v_ij为引领蜂搜索到的当前蜜源的第j维分量，v_bestj为本轮迭代中最优蜜源的第j维分量，v_kj为从每轮迭代前m个较优的蜜源中随机选取的一个蜜源的第j维分量，m为一个[0,SN/2t]上的随机数；

步骤5，采用下式选出本轮迭代中最优的解作为全局最优解X_best，以供跟随蜂使用。

其中，X_best为全局最优解，t为当前迭代次数，T为迭代次数上限，x_{min j}表示解在第j维上的最小值，x_{max j}表示解在第j维上的最大值。

步骤6，根据向量X_i的适应度值计算每个蜜源被选择的概率p_i，跟随蜂选择概率最大的蜜源并利用步骤4中可当前解的状态自动调整步长的自适应的局部搜索方法在每一维上进行搜索。

步骤7：若蜜源在达到连续迭代次数L后仍未被更新，则由侦察蜂使用步骤4中可当前解的状态自动调整步长的自适应的局部搜索方法随机搜索一个新的蜜源进行替换，并记录目前为止的最优解X_best。若已达到最大迭代次数T或已满足最小误差精度，则输出最优解X_best及相应的适应度值，否则转至步骤2。

所述步骤2中的反向解的求解过程为：

ox_ij＝x_{min j}+x_{max j}-x_ij

其中，ox_ij表示第i个解第j维上的反向解，x_{min j}表示初始解第j维上的最小值，x_{max j}表示初始解第j维上的最大值，x_ij表示第i个初始解第j维上的数据。

所述步骤6中被选择概率p_i的计算方法为：

其中，fit_j表示解向量X_i的适应度值，fit_max与fit_min分别为所有蜜源中适应度的最大值与最小值。

所述径向基神经网络为三层前向神经网络，第一层为输入层，负责接收处理输入数据，第二层为隐藏层，负责将输入的向量进行函数映射，第三层为输出层，负责将分类的结果输出：

径向基神经网络的神经元激励函数：

式中，为隐藏层第i个神经元节点的激励函数，i＝1,2,…,m，m为隐藏层神经元节点数，x为输入矢量，c_i为隐藏层第i个神经元节点的激励函数的中心，σ_i为隐藏层第i个神经元节点的激励函数的中心宽度。

各隐含层神经元的输出值乘以隐含层与输出层的连接权值则作为输出层节点的输入：

式中，y_k为第k个输出节点的输出值,k＝1,…,o，k为输出层节点数，m为与该输出节点相连的隐层神经元节点数量；为隐藏层第i个神经元节点的激励函数，ω_ik为隐藏层第i个神经元节点与第k个输出节点的连接权值。

优选的：隐藏层第i个神经元节点与第k个输出节点的连接权值ω_ik一般用最小二乘法或梯度下降法求得。

与现有故障诊断技术相比，基于径向基神经网络的船舶设备故障诊断方法具有以下效益效果：

(1)通过改进人工蜂群算法优化的径向基神经网络能够具有较优的结构，提高了故障诊断准确性和效率；

(2)通过使用神经网络方法，由网络记忆对案例的学习结果，不需要搜索案例库，增加了故障种类的判定速度；

(3)若有新的故障出现，神经网络可以用改进人工蜂群算法继续优化自身结构以学习新的故障特征特征，提高识别的灵活性。

附图说明

图1为径向基网络结构的示意图；

图2为基于IABC-RBFNN的船舶设备故障诊断过程；

图3为本发明的流程图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于改进径向基神经网络的船舶设备故障诊断方法，如图1-3所示，通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器。对船舶设备采集训练样本数据，将训练样本数据导入构造的神经网络分类器进行分类训练，得到训练好的神经网络分类器。对船舶设备采集测试数据，将采集的测试数据导入训练好的神经网络分类器进行故障分类，判断是否出现故障。本发明通过改进人工封群算法对神经网络的参数进行寻优，构造出结构良好的神经网络，提高神经网络的训练速度，改善了神经网络的性能，解决神经网络训练过程中的各种问题。

(一)改进的径向基神经网络

径向基函数神经网络(RBFNN)是一种性能良好的三层前向神经网络，它运用径向基函数作为隐含层节点的激活函数通过非线性映射，将低维线性不可分的数据映射到高维空间，从而变得线性可分，因而它能够逼近任意的非线性函数，可以处理***内的难以解析的规律性，不仅拓扑结构简单、非线性逼近能力强、收敛速度快，而且存在唯一最佳逼近值，已成功应用于故障诊断、非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、***建模和控制等领域。如图1所示，所述径向基神经网络为三层前向神经网络，第一层为输入层，负责接收处理输入数据，第二层为隐藏层，负责将输入的向量进行函数映射，为在高维空间分类做准备，第三层为输出层，负责将分类的结果输出，其中，x₁,x₂,…,x_n为输入，为隐含层神经元节点的激励函数，ω_ij(i＝1,2,…,m；j＝1,…,o)为隐含层各神经元节点与输出层各节点的连接权值，y₁,…,y_o为输出。

在RBF神经网络中，输入层到隐含层的变换为非线性变换，而从隐含层到输出层则为线性变换。隐含层神经元的数量由输入节点的数量决定，有多少个输入节点就有多少个隐含层神经元。输入层的输入矢量乘以输入层与隐含层的连接权值再乘以阈值b，构成隐含层神经元的输入。径向基核函数与其他激励函数相比学习能力好，收敛域较宽，参数较少，结构简单，易于构造，因此隐含层神经元一般选取径向基核函数作为RBF神经网络的神经元激励函数：

式中，为隐藏层第i个神经元节点的激励函数，i＝1,2,…,m，m为隐藏层神经元节点数，x为输入矢量，c_i为隐藏层第i个神经元节点的激励函数的中心，σ_i为隐藏层第i个神经元节点的激励函数的中心宽度，其值的大小表示了激励函数中心作用范围的大小，以及各个激励函数范围之间的重叠程度。

各隐含层神经元的输出值乘以隐含层与输出层的连接权值则作为输出层节点的输入：

式中，y_k为第k个输出节点的输出值,k＝1,…,o，k为输出层节点数，m为与该输出节点相连的隐层神经元节点数量；为隐藏层第i个神经元节点的激励函数，ω_ik为隐藏层第i个神经元节点与第k个输出节点的连接权值，一般用最小二乘法或梯度下降法求得。

将人工神经网络应用于船舶设备的故障诊断，就是通过对船舶设备故障实例和专家等诊断经验的训练学习，用分布在网络内部的连接权值来表达所学习的故障诊断知识的过程，其所具备的对故障模式的联想记忆、模式匹配和相似归纳能力等特点，可以很好地反映出故障与征兆之间复杂的非线性映射关系。目前，人工神经网络在船舶设备故障诊断中的应用主要在于：挑选关键参数作为输入层，故障参数作为输出层，利用人工神经网络分布式信息存储和并行处理，避开模式识别中建模和特征提取的麻烦，从而消除模式不符和特征提取不当所带来的影响，利用典型样本学习所得权值进行模式识别，如图2所示，船舶设备故障诊断的一般过程。

(二)改进人工蜂群算法应用于径向基神经网络参数优化

通过改进人工蜂群算法对径向基神经网络的参数优化，以构造出性能优良的神经网络分类器，包括以下步骤：

步骤1，确定改进人工蜂群算法的输入参数，所述输入参数包括蜜源数量SN，最大迭代次数T、当前迭代次数t＝0，连续迭代次数更新上限L以及蜜源X，其中将RBF神经网络参数作为蜜源X的结构参数。RBF神经网络参数包括RBF神经网络隐含层激励函数中心的数目C、中心值x_c和激励函数宽度r。

步骤2，利用反向学习方法对蜜源X＝{X₁,X₂,X₃,…,X_SN}的每一维进行初始化，其中，SN为蜜源数量。先随机生成解搜索空间。再对每个蜜源求其反向解。

将向量X_i的每一维单独进行寻优，能够加速算法的收敛。为使初始化的蜜源更具多样性以及尽量趋于最优，充分利用搜索空间信息，反向学习方法对蜜源每一维进行初始化：先随机生成解搜索空间；再对每个蜜源求其反向解；对两类解按适应度进行排序，选出适应度较优的蜜源作为初始蜜源搜索空间，这样有助于提高最优蜜源的搜索效率及改善蜜源质量。

反向解的求解过程为：

ox_ij＝x_{min j}+x_{max j}-x_ij (3)

其中，ox_ij表示第i个解第j维上的反向解，x_{min j}表示初始解第j维上的最小值，x_{max j}表示初始解第j维上的最大值，x_ij表示第i个初始解第j维上的数据。

步骤3，计算各个解x_ij的适应度值并进行排序，适应度值最差的被选为侦查蜂，剩下的前一半为引领蜂，后一半为守望蜂，并记录最优值。

步骤4，引领蜂通过根据可当前解的状态自动调整步长的自适应的局部搜索方法在邻域内进行搜索，若搜索到的新解优于当前解，则用新解替换当前解v_ij，否则，保留当前解。

一般用于故障诊断的人工神经网络结构较为复杂，节点数目和层数都较大，导致蜜源的种群数量较大，给故障诊断分类器的训练增加了难度。为了提升局部寻优能力，加快算法的收敛速度，本文提出了一种根据可当前解的状态自动调整步长的自适应的局部搜索方法:

其中，v’_ij为改进后引领蜂搜索得到的新蜜源的第j维分量，v_ij为引领蜂搜索到的当前蜜源的第j维分量，v_bestj为本轮迭代中最优蜜源的第j维分量，v_kj为从每轮迭代前m个较优的蜜源中随机选取的一个蜜源的第j维分量，m为一个[0,SN/2t]上的随机数；

步骤5，采用式(6)选出本轮迭代中最优的解作为全局最优解X_best，以供跟随蜂使用。

为了提高人工蜂群算法的局部空间开发能力，侦察蜂在寻找新的蜜源时使用基于当前最优解的自适应步长策略进行搜索，迭代早期选取较大步长，增加搜索范围，提升收敛速度，而在迭代后期选取较小步长，提升搜索精度。

其中，X_best为全局最优解，t为当前迭代次数，T为迭代次数上限，x_{min j}表示解在第j维上的最小值，x_{max j}表示解在第j维上的最大值。由式(6)可知，迭代初期，t的值较小，算法的搜索半径较大，有利于算法在更大范围内寻找全局较优蜜源；随着迭代次数的增加，算法的搜索半径减小，有助于算法加快收敛速度，尽快达到最优值。

步骤6，根据向量X_i的适应度值计算每个蜜源被选择的概率p_i，跟随蜂选择概率最大的蜜源并利用步骤4中可当前解的状态自动调整步长的自适应的局部搜索方法在每一维上进行搜索。

被选择概率p_i的计算方法为：

其中，fit_j表示向量X_i的适应度值，fit_max与fit_min分别为所有蜜源中适应度的最大值与最小值。这样可以增加具有更优适应度的蜜源被选择的概率，从而加快算法的收敛速度。

步骤7：若蜜源在达到连续迭代次数L后仍未被更新，则由侦察蜂使用步骤4中可当前解的状态自动调整步长的自适应的局部搜索方法随机搜索一个新的蜜源进行替换，并记录目前为止的最优解X_best。若已达到最大迭代次数T或已满足最小误差精度，则输出最优解X_best及相应的适应度值，否则转至步骤2。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器；对船舶设备采集训练样本数据，将训练样本数据导入构造的神经网络分类器进行分类训练，得到训练好的神经网络分类器；对船舶设备采集测试数据，将采集的测试数据导入训练好的神经网络分类器进行故障分类，判断是否出现故障。

2.根据权利要求1所述的基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：通过改进人工蜂群算法对径向基神经网络的参数优化构造出神经网络分类器的方法，包括以下步骤：

步骤1，确定改进人工蜂群算法的输入参数，所述输入参数包括蜜源数量SN，最大迭代次数T、当前迭代次数t＝0，连续迭代次数更新上限L以及蜜源X，其中将RBF神经网络参数作为蜜源X的结构参数；RBF神经网络参数包括RBF神经网络隐含层激励函数中心的数目C、中心值x_c和激励函数宽度r；

步骤2，利用反向学习方法对蜜源X＝{X₁,X₂,X₃,…,X_SN}的每一维进行初始化，其中，SN为蜜源数量；先随机生成解搜索空间；再对每个蜜源求其反向解；

步骤3，计算各个解X_i的适应度值并进行排序，适应度值最差的被选为侦查蜂，剩下的前一半为引领蜂，后一半为守望蜂，并记录最优值；

步骤4，引领蜂根据可当前解的状态自动调整步长的自适应的局部搜索方法在邻域内进行搜索，若搜索到的新解优于当前解，则用新解替换当前解v_ij，否则，保留当前解；

可当前解的状态自动调整步长的自适应的局部搜索方法:

$\begin{array}{c}{v^{\′}}_{ij}=v_{ij}+rand\[-1,1\](-v_{bestj}-v_{ij})\\ +rand\[0,1\]\frac{{\Σ}_{k=1}^m(v_{kj}-v_{ij})}{m}\end{array}$

其中，v’_ij为改进后引领蜂搜索得到的新蜜源的第j维分量，v_ij为引领蜂搜索到的当前蜜源的第j维分量，v_bestj为本轮迭代中最优蜜源的第j维分量，v_kj为从每轮迭代前m个较优的蜜源中随机选取的一个蜜源的第j维分量，m为一个[0,SN/2t]上的随机数；

步骤5，采用下式选出本轮迭代中最优的解作为全局最优解X_best，以供跟随蜂使用；

$x_{ij}=x_{bestj}+rand\[0,1\]\[x_{\max j}-\frac{t}{T}(x_{\max j}-x_{\min j})\]$

其中，X_best为全局最优解，t为当前迭代次数，T为迭代次数上限，x_{min j}表示所有解第j维上的最小值，x_{max j}表示所有解第j维上的最大值；

步骤6，根据向量X_i的第j维分量适应度值计算每个蜜源被选择的概率p_i，跟随蜂选择概率最大的蜜源并利用步骤4中可当前解的状态自动调整步长的自适应的局部搜索方法在每一维上进行搜索；

步骤7：若蜜源在达到连续迭代次数L后仍未被更新，则由侦察蜂使用步骤4中可当前解的状态自动调整步长的自适应的局部搜索方法随机搜索一个新的蜜源进行替换，并记录目前为止的最优解X_best；若已达到最大迭代次数T或已满足最小误差精度，则输出最优解X_best及相应的适应度值，否则转至步骤2。

3.根据权利要求2所述的基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：所述步骤2中的反向解的求解过程为：

ox_ij＝x_minj+x_maxj-x_ij

其中，ox_ij表示第i个解第j维上的反向解，x_{min j}表示初始解第j维上的最小值，x_{max j}表示初始解第j维上的最大值，x_ij表示第i个初始解第j维上的数据。

4.根据权利要求2所述的基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：所述步骤6中被选择概率p_i的计算方法为：

$p_i=\frac{{\mathrm{fit}}_i-{\mathrm{fit}}_{min}}{{\mathrm{fit}}_{\max }-{\mathrm{fit}}_{min}}$

其中，fit_j表示向量X_i的适应度值，fit_max与fit_min分别为所有蜜源中第j维分量适应度的最大值与最小值。

5.根据权利要求1所述的基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：所述径向基神经网络为三层前向神经网络，第一层为输入层，负责接收处理输入数据，第二层为隐藏层，负责将输入的向量进行函数映射，第三层为输出层，负责将分类的结果输出：

径向基神经网络的神经元激励函数：

式中，为隐藏层第i个神经元节点的激励函数，i＝1,2,…,m，m为隐藏层神经元节点数，x为输入矢量，c_i为隐藏层第i个神经元节点的激励函数的中心，σ_i为隐藏层第i个神经元节点的激励函数的中心宽度；

各隐含层神经元的输出值乘以隐含层与输出层的连接权值则作为输出层节点的输入：

式中，y_k为第k个输出节点的输出值,k＝1,…,o，k为输出层节点数，m为与该输出节点相连的隐层神经元节点数量；为隐藏层第i个神经元节点的激励函数，ω_ik为隐藏层第i个神经元节点与第k个输出节点的连接权值。

6.根据权利要求6所述的基于改进径向基神经网络的船舶设备故障诊断方法，其特征在于：隐藏层第i个神经元节点与第k个输出节点的连接权值ω_ik一般用最小二乘法或梯度下降法求得。