[发明专利]一种改进鸡群优化RBF神经网络的设备健康状态检测方法

摘要

本发明涉及一种改进鸡群优化RBF神经网络的设备健康状态检测方法，基本步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)数据归一化处理；(5)设备健康状态检测。本发明提出了一种改进鸡群优化RBF神经网络模型，使用智能寻优方法找到最优的中心向量，从而提高RBF网络的性能。针对鸡群算法在一定程度上易陷入局部最优的问题，采用改进鸡群结合混沌搜索策略优化初始种群，同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子，从而尽可能解决陷入局部最优的问题。

主权项

1.一种改进鸡群优化RBF神经网络的设备健康状态检测方法，其特征在于，其步骤为：1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；2)降噪处理：采用小波变换技术，选取小波基函数为db9，分解层数为5层，对每层高频小波系数做阈值量化处理，阈值的计算方法使用Matlab里的库函数wnoisest提取第一层的细节系数来估算噪声的标准偏差；根据式(1)计算阈值sigma：其中：th为标准偏差；N为整个信号长度；之后通过阈值函数选择硬阈值处理方法；3)特征选择：选取均值、峰值、幅值平方和、标准差这四种时域特征参数做特征提取；四种时域特征公式如表1所示：表1四种时域特征统计表其中μ_x为均值，x_i为输入的数据，x_p为峰值，x_c为幅值平方和，ω为标准差；4)数据归一化处理：将时域特征向量通过归一化处理得到最终的数据作为模型的输入，利用小波变换降噪得到的数据经过特征选取得到特征向量转化为[0,1]区间范围的数据，所用的公式为式(2)：其中：X_t是归一化后的结果；X是原始数据；n是样本最小值；m是样本最大值；5)设备健康状态检测：5.1)根据混沌搜索求最初种群：对于D维空间的n粒子，首先随机产生数值在[0,1]之间的向量X'_i＝(X'_1,1,X'_1,2,...X'_1,D)，根据公式(3)计算得到混沌向量X₁,X₂,...X_m。；X_n+1,d＝μX_n(1‑X_n) n＝0,1,...；X₀∈(0,1)               (3)其中：μ为控制参数；将这些向量按照公式(4)映射到原取值空间，其中M、N为区间的上界和下界；X′_i,d＝0.5·((M‑N)·X_i,d+M+N) d＝(1,D)              (4)其中：x_i,d为第i个种群个体的第d维码值；计算目标函数初始变量的适应度，对适应度进行排序，选取适应度好的前n个初始变量赋值给初始种群；5.2)改进鸡群：利用迭代k次的部分适应度高的小鸡粒子，继承公鸡特性并同时自我学习，最终得到小鸡粒子来代替与成长后小鸡粒子数量相同的部分公鸡粒子；对适应度低的小鸡粒子，让其与适应度高的小鸡粒子学习，同时向未知位置探索；改进后达到k次迭代时公鸡的位置更新公式为式(5)：x_n+1,j(t+1)＝α·x_n,j(t)+(1+ω·rand)·x_i.j(t)                  (5)α表示继承公鸡特性权重，ω为成长系数。把小鸡按照适应度大小为4:1的数量分为两类，第一部分高适应度小鸡粒子正常迭代，剩余的适应度低的小鸡粒子位置按照公式(6)进行更新：x_i,j(t+1)＝x_i.j(t)+F·(x_m,j(t)‑x_i,j(t))+H·(x_l,j(t)‑x_i,j(t))            (6)其中：x_l,j(t)为第一部分高适应度的小鸡粒子；H为跟随系数，表示小鸡跟随适应度高的小鸡觅食；5.3)用改进后鸡群来寻找RBF神经网络的中心向量和节点宽度，使中心向量和节点宽度映射为公鸡粒子的位置，求得最终RBF神经网络的中心向量和节点宽度，构成改进鸡群的RBF神经网络模型用于设备健康状态检测。