第5章基于改进量子粒子群的粗糙集属性约简算法在故障诊断中的应用

《第5章基于改进量子粒子群的粗糙集属性约简算法在故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于多种群量子粒子群的粗糙集属性约简算法在故障诊断中的应用李三波（丽水职业技术学院机电信息分院，浙江，丽水，323000）摘要:针对故障诊断过程中的特征选择问题，提出一种基于多种群量子粒子群约简算法。该方法引入多种群分群的改进策略，利用两层结构分别实现双向搜索，保证群体进化快速收敛于最小约简，选出真正代表故障的特征变量。通过对田纳西-伊斯曼(Tennessee-Eastman，TE)公司的故障诊断应用，并与主元分析法等实验对比，结果表明，基于MQPSO的粗糙集属性约简算法应用于故障诊断具有非常现实的意义，能够最大程度上提高故障诊断的正确率。关键词:特征

2、选择；属性约简；多种群量子粒子群算法；故障诊断中图分类号TP301.6文献标识码AApplicationsinfaultdiagnosisbasedonQuantum-behavedParticleSwarmroughsetattributereductionwithMulti-swarmalgorithmSanboLi(TheSchoolofMechanicalElectronicandInformationEngineer,LishuiVocational&TechnicalCollege,Lishui,323000)Abstract：Consid

3、eringthefeatureselectionprobleminfaultdiagnosisprocess,theauthorproposesamethodbasedonQuantum-behavedParticleSwarmattributereductionwithMulti-swarmalgorithm.ThismethodintroducedaMulti-swarmclusteringstrategy,usingatwo-tierstructuretorealizebidirectionalsearch,toensurefastconverg

4、encetotheminimumpopulationreduction,toselectfeaturevariableswhichtrulyrepresentthecharacteristicsoffault.ThroughtheapplicationofTennessee-Eastman'sfaultdiagnosticwithotherexperimentusedtheprincipalcomponentanalysis,theresultsshowthattheroughsetattributereductionalgorithmwhichisb

5、asedonMQPSOisverypracticalforitcanimprovetheaccuracyoffaultdiagnosistothegreatestextent.Keywords:FeatureSelection;AttributeReduction;Quantum-behavedParticleSwarmOptimization;FaultDiagnosis1引言随着工业化水平的不断发展，系统日益大型化、复杂化，导致需要监测的测量变量越来越多，加上变量之间的耦合、非线性，数据中噪声的存在，以及对于某一个特定的故障还可能存在很多的无关变量

6、和冗余信息等，这些因素都对系统故障诊断的正确性提出了严峻的考验。故障诊断的特征选择实际要完成的任务就是在故障模式分类之前对输入变量进行删选，删除系统中故障冗余特征或不相关特征，精简数据集，降低数据的维度，选出真正代表故障的特征变量[1]。在故障诊断中，如何快速准确地从正常工作状态中分离和识别出故障，如何进行合理的特征选择并设计出相应的分类器，是故障诊断中一个关键的问题。本文提出一种多种群量子粒子群优化(MQPSO)算法，该算法引入多种群分群的改进策略，利用两层结构分别实现双向搜索，保证群体进化快速收敛于最小约简，选出真正代表故障的特征变量；用支持向量机

7、作为故障诊断的分类器，并将多种群量子粒子群的粗糙集属性约简算法用于解决故障特征选择。最后将故障分类应用于Tennessee-Eastman（TE）过程，并与主元分析法等实验对比，结果表明，基于MQPSO的粗糙集属性约简算法应用于故障诊断具有非常现实的意义，能够最大程度上提高故障诊断的正确率。2基于多种群量子粒子群算法的属性约简与故障特征选择2.1基于故障诊断的特征选择在故障诊断中，如何快速准确地从正常工作状态中分离和识别出故障，是我们十分关注的核心问题。因此，如何进行合理的特征选择并设计出相应的分类器，是故障诊断中一个关键的问题。但是，在现实的过程中，

8、由于系统的复杂化以及噪声等影响因素的存在，常常不容易找到那些最重要的、能表达分类之间差别的特征