基于PSO-RBF的飞机燃油系统故障诊断

《基于PSO-RBF的飞机燃油系统故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于PSO-RBF的飞机燃油系统故障诊断AircraftFuelSystemFaultDiagnosisBasedonPSO__·-RBFNetwork■张鹏俞利明王婷婷／中国民航大学摘要：把粒子群算法(PSO)优化的径向基神经网络(RBF)应用于飞机燃油系统故障诊断中．并与RBF和BP神经网络进行故障诊断性能比较。结果表明PSO-RBF神经网络在燃油系统故障诊断中有更高的诊断精度和效率。关键词：粒子群算法：F坪神经网络：飞机燃油系统：故障诊断Keywords：particleswarlTioptimiza

2、tionalgodthm；RBFneuralnetwork0引言人工神经网络以其独特联想，记忆和学习等功能在机械设备故障诊断领域受到广泛关注⋯。近年来，神经网络已被认为是解决飞机故障诊断问题的最具潜力工具。径向基(RBE)神经网络结构简单，训练简洁而且学习收敛速度快，能够逼近任意非线性函数处理系统内在的难以解析的规律。但是，如何有效地确定其网络参数(径向基中心和宽度)的问题一直没有得到解决，此外径向基中心个数的选取问题也直接影响网络的泛化能力。采用常规的RBE网络参数确定方法(女[IK-means聚类算法)

3、确定基函数中心，必须事先确定径向基函数中心个数，由于同一种输入样本模式可能对应于多个聚类，往往通过聚类算法得到的隐节点数目仍很大，从而产生过学习的问题12J。本文以粒子群优化算法解决RBE的网络参数优化问题。1粒子群优化算法(PSO)PSO算法模拟鸟群飞行觅食行为，以粒子之间的协作来寻找最优解。在基本PSO中，每个粒子都对应优化问题的38I熙燃勰一个解，并由目标函数为之确定一个适应值，速度用来决定粒子在解空间中运动。粒子通过迭代来找到最优解，在每一次迭代中，粒子跟踪个体极值和全局极值来更新自己，这两个极值也

4、就是粒子本身找到的最优解和整个种群目前找到的最优解。设誓气K．，％，⋯，％)为粒子f的当前位置。K=(％，％，⋯，％)为粒子f的当前速度。P尸(P『。，Pa，⋯，尸矗)为粒子f所经历过的具有最好适应值的位置，称为个体最好位置，记为Pb。。。。设群体中的微粒数为tn，群体中所有微粒所经历过的最好位置为gb。。。，称为全局最好位置。对于每一代粒子，粒子的第雠(1≤d≤D)可根据如下方程进行变化：屹=∞％+c1．，i．(‰一x0)+乞．眨．(gb。一爿0)．k=X耐+％其中：∞是惯性权重，c。和c：为加速因子，，

5、．和，：为两个均匀分布于[0，1]之间的随机数。惯性权重∞的取值影响着粒子群的全局搜索和局部搜索能力，当∞取值较大时，全局搜索性能较好，当Co取值较小时，局部搜索性能较好。∞通常取常数，但也可以随迭代线性减小甚至取一些非线性递减函数”】。2RBF的网络结构嗍及参数分析2．1RBF的网络结构RBF神经网络通常是3层网络结构(图1)。图1舳f神经网络结构图RBF神经网络结构为阼一h-m，即网络具有胛个输入，h个隐节点，朋个输出。其中，肛(工l，J2，⋯，a。)1∈R“为网络输入矢量，tO∈R¨”为输出权矩阵，6

6、=(6。，b：，⋯，b。)1为输出单元偏移，yIO．，肋，⋯，‰)。为网络输出，竹(·)为第f个隐节点的激活函数，c，为网络中第i个隐节点的数据中心值，⋯则表示欧氏距离，输出层节点中的∑表示输出层神经元采用的线性激活函数。RBE妒(·)可以取多种形式，常用的是高斯函数：蚌(x)：eXp卜嵝掣】j-1，2，．．砌zo-‘其中盯，为径向基宽度。于是RBF神经网络的第-『个输出就可表示为．"=至鳓仍(0z—G11)，l≤／≤m。2．2参数分析RBF神经网络中待定的参数有两类：一类是基函数的中心c，和宽度仉以及中心

7、数目h，另一类为输出层与隐层之间的连接权重∞。当基函数中心c，和宽度O"i以及数目厅确定之后，网络输出对输出层权参数是线性的，可以采用最小二乘法求得。因此c，，巩，^的确定是建立RBF神经网络的关键。3减聚类算法确定基函数中心个数【5l减聚类算法是一种相对有效的确定基函数中心个数的聚类算法。考虑将数据归一化到一个单位超立体中的盯维空间p个数据点“．，工：，⋯，％)，首先由下式给出数据点置处的密度指标：口音印[’饼I在计算每个数据点密度指标后，选择具有最高密度指标的点作为第一个聚类中心，其密度指标记为Dc，。

8、采用下式更新每个数据点的密度指标：嘲一套expI一饼／lB=Df一∑

9、-甓专争lj；II，L上，更新每个点的密度指标后，选定下一个聚类中心，再次修正密度指标，此过程不断重复，直到满足当前最高密度指标D。。同初始最高密度指标相比非常小为止，即：堕