无人扫雷车故障诊断方法与流程

1.本发明涉及故障诊断领域，具体涉及一种无人扫雷车故障诊断方法。


背景技术：

2.伴随着信息技术和装配技术的高速发展，现代控制系统呈现出复杂化、大型化、集成化等诸多特点，毫无疑问这些特点是故障诊断技术所必须面临的重大挑战。无人扫雷车是最新研制出的无人扫雷设备，在执行扫雷排爆任务中，可以采用远程指挥与自主导航两种模式相结合的方法，独立完成所需完成的任务，并在保证任务完成的情况下，大大降低了人员伤亡。但同时面临的问题是无人扫雷车整体精密度高，结构复杂，部件多。面对新型武器装备，专业人员的维修经验较少，大部分进行检测维修时，不仅效率低下，同时也很难保证准确度，甚至容易造成装备系统的二次伤害。因此如何能够做到快速准确地检查装备系统的运行状态，并及时恢复武器装备的战斗能力、实现武器装备维护的精确化和规范化，具有重大意义。


技术实现要素：

3.有鉴于此，本发明提出一种无人扫雷车故障诊断方法，旨在解决目前无人扫雷车的维修效率低、维修准确度低的问题。
4.本发明实施例的无人扫雷车故障诊断方法，包括：
5.s1，在秃鹰搜索算法的第一阶段引入莱维飞行策略，控制位置变化参数和随机参数的影响；
6.s2，在秃鹰搜索算法的第二阶段引入模拟退火机制，将秃鹰种群位置作为模拟退火机制的初始值进行累次迭代寻优，得到改进秃鹰搜索算法；
7.s3，根据所述改进秃鹰搜索算法对极限学习机进行寻优，并确定最优网络结构参数；
8.s4，根据所述最优网络结构参数确定无人扫雷车故障诊断模型；
9.s5，根据所述无人扫雷车故障诊断模型进行无人扫雷车的故障诊断，并评估算法有效性。
10.进一步地，所述s1中，引入莱维飞行策略辅助位置更新的计算公式为：
11.p
new，i
＝p
best
+α
·r·
(p
mean-pi)
×
levy
12.其中，α为控制位置变化的常值参数，r是[0，1]取值范围内服从均匀分布的随机数，p
best
表示秃鹰在当前搜索区域内的最优搜索位置，pi为第i只秃鹰的位置，p
mean
为秃鹰种群完成当前搜索任务后的平均位置。
[0013]
进一步地，所述s2中，累次迭代寻优采用boltzmann准则，计算公式为：
[0014][0015]
其中，θ为最优解与邻域解之间的适应度差异，t是在搜索过程中按预定规律周期
性减小的参数。
[0016]
进一步地，所述s3具体包括：
[0017]
根据所述改进秃鹰搜索算法对极限学习机的隐藏层输入权重与偏置进行寻优，并在算法迭代过程中，采用适用度函数评估每个解的质量，从而确定最优网络结构参数；
[0018]
所述极限学习机的神经网络公式为：
[0019][0020]
其中，xi为输入样本，n为输入层节点数量，ωi为输入层到隐藏层的连接权重，bi为偏置，h(x)为隐藏激活函数，β为隐藏层到输出层的连接权重，l为隐藏层节点数量，yi为输出值，m为输出层节点数。
[0021]
进一步地，所述s5中，采用诊断准确率均值和适应度均值评估算法有效性：
[0022]
诊断准确率均值的计算公式为：
[0023][0024]
适应度均值的计算公式为：
[0025][0026][0027]
其中，m为算法运行次数，acc(i)为第i次故障诊断准确率，fitness(i)为第i次适应度值，yi为网络模型输出值，y
ir
为实际值，n为数据样本长度。
[0028]
综上，本发明实施例的无人扫雷车故障诊断方法，首先通过莱维飞行策略和模拟退火机制对秃鹰搜索算法进行改进提升对秃鹰搜索算法的局部搜索能力与对于既定解空间的搜索利用能力，然后利用改进的秃鹰优化算法对极限学习机进行优化弥补极限学习机在故障分类过程中初始隐藏层输入权重值和隐藏层偏置值随机选定导致模型分类效果不稳定的问题，最后建立了基于改进秃鹰搜索算法优化极限学习机的故障诊断模型诊断无人扫雷车的相关故障。由此，本发明，显著提高了无人扫雷车的维修效率和维修准确度。
附图说明
[0029]
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的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明实施例的无人扫雷车故障诊断方法的流程示意图；
[0031]
图2为本发明实施例的改进秃鹰搜索算法的流程示意图；
[0032]
图3为本发明实施例中建立基于改进秃鹰搜索算法优化极限学习机的无人扫雷车故障诊断模型的流程示意图。
具体实施方式
[0033]
此说明书实施方式的描述应与相应的附图相结合，附图应作为完整的说明书的一部分。在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中各结构的部分将以分别描述进行说明，值得注意的是，图中未示出或未通过文字进行说明的元件，为所属技术领域中的普通技术人员所知的形式。
[0034]
此处实施例的描述，有关方向和方位的任何参考，均仅是为了便于描述，而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合，这些特征可能独立存在或者组合存在，本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
[0035]
如图1所示，本发明实施例的无人扫雷车故障诊断方法，包括：
[0036]
s1，在秃鹰搜索算法(bes)的第一阶段引入莱维飞行策略(levy)，控制位置变化参数α和随机参数r的影响。
[0037]
上述基于莱维飞行策略辅助位置更新的计算公式为：
[0038]
p
new，i
＝p
best
+α
·r·
(p
mean-pi)
×
leyy
[0039]
其中，α为控制位置变化的常值参数，r是[0，1]取值范围内服从均匀分布的随机数，p
best
表示秃鹰在当前搜索区域内的最优搜索位置，pi为第i只秃鹰的位置，p
mean
为秃鹰种群完成当前搜索任务后的平均位置。
[0040]
经过步骤s1，可以提高秃鹰搜索算法中种群对于邻域的选择能力。
[0041]
s2，在秃鹰搜索算法的第二阶段引入模拟退火机制(sa)，将秃鹰种群位置作为模拟退火机制的初始值进行累次迭代寻优。
[0042]
累次迭代寻优采用boltzmann准则，计算公式为：
[0043][0044]
其中，θ为最优解与邻域解之间的适应度差异，t是在搜索过程中按预定规律周期性减小的参数。
[0045]
经过步骤s2，可以增强秃鹰搜索算法的求解精度。
[0046]
步骤s1和s2对传统秃鹰搜索算法进行改进的总体流程可以参照图2所示，经过步骤s1和s2，可以得到改进秃鹰搜索算法(ibes)。
[0047]
s3，根据改进秃鹰搜索算法对极限学习机(elm)进行寻优，并确定最优网络结构参数。
[0048]
具体来讲，根据改进秃鹰搜索算法，对极限学习机的隐藏层输入权重与偏置进行寻优，并在算法迭代过程中，采用适用度函数评估每个解的质量，从而确定最优网络结构参数。其中，极限学习机(extreme learning machine，elm)是一种机器学习算法，其在原理上简化了单隐层神经网络反向传播更新参数的过程，当应用于本发明实施例时，可以减少人为参与的占比，使得模型训练速度更快，精度更高。
[0049]
本实施例中，极限学习机的神经网络公式为：
[0050][0051]
其中，xi为输入样本，n为输入层节点数量，ωi为输入层到隐藏层的连接权重，bi为
偏置，h(x)为隐藏激活函数，β为隐藏层到输出层的连接权重，l为隐藏层节点数量，yi为输出值，m为输出层节点数。
[0052]
s4，根据最优网络结构参数确定无人扫雷车故障诊断模型。
[0053]
在本实施例中，由于无人扫雷车故障诊断模型是基于改进秃鹰搜索算法(ibes)优化极限学习机(elm)而建立的，因此可将其简称为ibes-elm模型。建立ibes-elm模型的总体流程可参照图3所示，包括：
[0054]
s41，根据无人扫雷车的基本参数构建初步的故障诊断模型，例如，可以选取无人扫雷车核心动力系统的3种典型故障(共涉及9个传感器信号)，并基于改进秃鹰搜索算法(ibes)对极限学习机(elm)进行优化，建立初步的ibes-elm故障诊断模型，并输入整体数据样本、数据归一化处理和划分数据样本，其中，划分数据样本可以是按照预定的比例划分。
[0055]
s42，模型训练阶段，将划分的数据样本分别输入步骤s41中的模型进行训练，每个数据样本对应可得到一个适应度值，通过不断迭代寻优，确定出一个最优的适应度值，提取该最优适应度值所对应的网络结构参数并对elm模型进行赋值，从而确定出最优的ibes-elm模型，该最优的ibes-elm模型也即最后确定出来的无人扫雷车故障诊断模型。
[0056]
s5，根据无人扫雷车故障诊断模型进行无人扫雷车的故障诊断，并评估算法有效性。
[0057]
根据步骤s4得出的无人扫雷车故障诊断模型进行无人扫雷车的故障诊断。
[0058]
算法有效性的评估采用诊断准确率均值和适应度均值作为评价指标。
[0059]
诊断准确率均值的计算公式为：
[0060][0061]
适应度均值的计算公式为：
[0062][0063][0064]
其中，m为算法运行次数，acc(i)为第i次故障诊断准确率，fitness(i)为第f次适应度值，yi为网络模型输出值，y
ir
为实际值，n为数据样本长度。
[0065]
本发明实施例的故障诊断方法针对传统极限学习机在故障分类过程中初始隐藏层输入权重值和隐藏层偏置随机化的不足，提出利用改进的秃鹰优化算法对其进行优化。
[0066]
根据本发明实施例的故障诊断方法，首先，可以选取无人扫雷车核心动力系统的3种典型故障共涉及9个传感器信号，建立基于改进秃鹰搜索算法优化极限学习机的故障诊断模型，将故障诊断问题转换为多分类问题；然后，可以将样本数据按照比例划分，分别输入到改进后的模型进行训练、测试；最后，将改进前后的模型进行对比，在故障诊断准确率和误差程度两方面进行综合评估。
[0067]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种无人扫雷车故障诊断方法，其特征在于，所述方法包括：s1，在秃鹰搜索算法的第一阶段引入莱维飞行策略，控制位置变化参数和随机参数的影响；s2，在秃鹰搜索算法的第二阶段引入模拟退火机制，将秃鹰种群位置作为模拟退火机制的初始值进行累次迭代寻优，得到改进秃鹰搜索算法；s3，根据所述改进秃鹰搜索算法对极限学习机进行寻优，并确定最优网络结构参数；s4，根据所述最优网络结构参数确定无人扫雷车故障诊断模型；s5，根据所述无人扫雷车故障诊断模型进行无人扫雷车的故障诊断，并评估算法有效性。2.根据权利要求1所述的无人扫雷车故障诊断方法，其特征在于，所述s1中，引入莱维飞行策略辅助位置更新的计算公式为：p
new，i
＝p
best
+α
·
r
·
(p
mean-p
i
)
×
levy其中，α为控制位置变化的常值参数，r是[0，1]取值范围内服从均匀分布的随机数，p
best
表示秃鹰在当前搜索区域内的最优搜索位置，p
i
为第i只秃鹰的位置，p
mean
为秃鹰种群完成当前搜索任务后的平均位置。3.根据权利要求1所述的无人扫雷车故障诊断方法，其特征在于，所述s2中，累次迭代寻优采用boltzmann准则，计算公式为：其中，θ为最优解与邻域解之间的适应度差异，t是在搜索过程中按预定规律周期性减小的参数。4.根据权利要求1所述的无人扫雷车故障诊断方法，其特征在于，所述s3具体包括：根据所述改进秃鹰搜索算法对极限学习机的隐藏层输入权重与偏置进行寻优，并在算法迭代过程中，采用适用度函数评估每个解的质量，从而确定最优网络结构参数；所述极限学习机的神经网络公式为：其中，x
i
为输入样本，n为输入层节点数量，ω
i
为输入层到隐藏层的连接权重，b
i
为偏置，h(x)为隐藏激活函数，β为隐藏层到输出层的连接权重，l为隐藏层节点数量，y
i
为输出值，m为输出层节点数。5.根据权利要求1所述的无人扫雷车故障诊断方法，其特征在于，所述s5中，采用诊断准确率均值和适应度均值评估算法有效性：诊断准确率均值的计算公式为：适应度均值的计算公式为：
其中，m为算法运行次数，acc(i)为第i次故障诊断准确率，fitness(i)为第i次适应度值，y
i
为网络模型输出值，y
ir
为实际值，n为数据样本长度。

技术总结
本发明涉及一种无人扫雷车故障诊断方法，首先，结合莱维飞行策略和模拟退火机制对秃鹰搜索算法进行改进，提升对秃鹰搜索算法的局部搜索能力与对于既定解空间的搜索利用能力；然后，利用改进的秃鹰优化算法对极限学习机进行优化，弥补极限学习机在故障分类过程中初始隐藏层输入权重值和隐藏层偏置值随机选定导致模型分类效果不稳定的问题；最后，建立了基于改进秃鹰搜索算法优化极限学习机的故障诊断模型，诊断无人扫雷车的相关故障。由此，本发明，显著提高了无人扫雷车的维修效率和维修准确度。确度。确度。


技术研发人员：李英顺 刘芳 郭占男 匡博琪 朱柏林 郭丽楠
受保护的技术使用者：沈阳顺义科技有限公司
技术研发日：2023.06.30
技术公布日：2023/9/23