基于FOA優(yōu)化貝葉斯網(wǎng)絡(luò)的高速公路機(jī)電故障預(yù)測(cè)研究

李 俊

(貴州中南交通科技有限公司，貴州 貴陽(yáng) 561000)

基于FOA優(yōu)化貝葉斯網(wǎng)絡(luò)的高速公路機(jī)電故障預(yù)測(cè)研究

李 俊

(貴州中南交通科技有限公司，貴州 貴陽(yáng) 561000)

利用果蠅優(yōu)化算法的快速搜索能力和全局最優(yōu)能力，結(jié)合貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)，運(yùn)用果蠅優(yōu)化算法優(yōu)化貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，提出一種基于果蠅優(yōu)化算法優(yōu)化貝葉斯網(wǎng)絡(luò)的高速公路機(jī)電設(shè)備故障預(yù)測(cè)研究。

果蠅優(yōu)化算法；貝葉斯網(wǎng)絡(luò)；高速公路；機(jī)電故障；數(shù)據(jù)預(yù)處理

1 果蠅優(yōu)化算法

果蠅優(yōu)化算法(Fruit Flying Optimization Algorithm, FOA)是受果蠅覓食行為啟發(fā)而提出一種新的群智能算法，該算法具有控制參數(shù)少、收斂速度快的優(yōu)點(diǎn)，其算法流程如下：

(1)初始化果蠅群體位置X_begin、Y_begin，設(shè)定果蠅群體大小popsize和最大迭代次數(shù)Iteration；

(2)根據(jù)公式(1)和(2)計(jì)算果蠅個(gè)體尋優(yōu)的隨機(jī)方向和距離；

xi=X_begin+Value×rand

(1)

yi=Y_begin+Value×rand

(2)

其中，Value表示果蠅的搜索距離；xi和yi分別表示果蠅個(gè)體的下一時(shí)刻的位置。

(3)根據(jù)公式(3)估計(jì)果蠅個(gè)體和原點(diǎn)之間的距離di，之后通過(guò)公式(4)計(jì)算果蠅個(gè)體的味道濃度si；

(3)

si=1/di

(4)

(4)味道濃度si代入公式(5)味道濃度判定函數(shù)，計(jì)算出該果蠅個(gè)體當(dāng)前位置的味道濃si；

smelli=Function(si)

(5)

(5)找到果蠅群體中最佳味道濃度值和最佳位置，Smellb表示最佳味道濃度，xb和yb表示最佳位置；

(6)保留并記錄果蠅最佳位置和最佳味道濃度，最佳味道濃度Smellbest=Smellb，果蠅初始位置X_begin=xb,Y_begin=yb，同時(shí)果蠅群體向最佳位置方向搜索；

(7)進(jìn)入迭代尋優(yōu)，重復(fù)迭代步驟(2)-(5)，同時(shí)判斷味道濃度是否好于前一迭代味道濃度；若成立，則執(zhí)行步驟(6)。

2 貝葉斯網(wǎng)絡(luò)

對(duì)于一組變量X={X1,X2,…,Xn}，對(duì)每個(gè)變量賦予一個(gè)特定值{x1,x2,…,xn}，parents(xi)表示xi的父節(jié)點(diǎn)集合，則其聯(lián)合概率密度可由公式(6)表示：

(6)

圖1表示一個(gè)典型的貝葉斯網(wǎng)絡(luò)，其中每個(gè)節(jié)點(diǎn)表示相應(yīng)的變量。

圖1 典型的貝葉斯網(wǎng)絡(luò)

假設(shè)h的先驗(yàn)概率P(h)和訓(xùn)練數(shù)據(jù)D的先驗(yàn)概率P(D)，假設(shè)h成立時(shí)D的條件概率P(D|h)，那么給定D時(shí)，假設(shè)h的后驗(yàn)概率可由公式(7)表示：

(7)

由公式(7)可知，若要實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)推理，前提條件是要給出許多先驗(yàn)概率。

3 基于FOA優(yōu)化貝葉斯網(wǎng)絡(luò)的高速公路機(jī)電故障預(yù)測(cè)

3.1 適應(yīng)度函數(shù)

由于貝葉斯網(wǎng)絡(luò)需要優(yōu)化的參數(shù)為權(quán)值和閥值，在確保高速公路機(jī)電設(shè)備故障預(yù)測(cè)誤差最低的情況下，其適應(yīng)度函數(shù)為：

(8)

3.2 基于FOA優(yōu)化貝葉斯網(wǎng)絡(luò)的高速公路機(jī)電故障預(yù)測(cè)

基于FOA優(yōu)化貝葉斯網(wǎng)絡(luò)的高速公路機(jī)電故障預(yù)測(cè)算法流程如下：

Step1：歸一化高速公路機(jī)電故障數(shù)據(jù)；

Step2：設(shè)定FOA算法的最大迭代次數(shù)，種群大小；

Step3：將構(gòu)建出的訓(xùn)練樣本輸入貝葉斯網(wǎng)絡(luò)，運(yùn)用公式(8)計(jì)算果蠅個(gè)體的適應(yīng)度函數(shù)值，尋找果蠅個(gè)體和全局最優(yōu)果蠅的位置和最優(yōu)值；

Step4：果蠅速度和位置的更新；

Step5：計(jì)算評(píng)估適應(yīng)度大小并更新果蠅個(gè)體的位置和速度；

Step6：若，保存最優(yōu)解；反之，轉(zhuǎn)到Step4；

Step7：根據(jù)果蠅個(gè)體的最優(yōu)位置所對(duì)應(yīng)的最優(yōu)參數(shù)，實(shí)現(xiàn)高速公路機(jī)電設(shè)備故障的預(yù)測(cè)。

4 實(shí)證分析

4.1 數(shù)據(jù)預(yù)處理

為避免貝葉斯網(wǎng)絡(luò)處理不同數(shù)量級(jí)原始數(shù)據(jù)出現(xiàn)計(jì)算不平衡，同時(shí)降低算法計(jì)算復(fù)雜度，提高貝葉斯網(wǎng)絡(luò)的性能，歸一化處理公式如下：

(9)

圖2 高速公路機(jī)電設(shè)備故障數(shù)據(jù)歸一化結(jié)果圖

4.2 實(shí)證結(jié)果

將采集到的205組高速公路機(jī)電設(shè)備故障數(shù)據(jù)分為兩個(gè)部分，前140組樣本數(shù)據(jù)作為訓(xùn)練集，后65組樣本數(shù)據(jù)作為測(cè)試集，詳細(xì)數(shù)據(jù)如表1所示。

表1 高速公路機(jī)電故障樣本數(shù)據(jù)分布情況

續(xù)表1

圖3 貝葉斯預(yù)測(cè)結(jié)果

圖4 FOA優(yōu)化貝葉斯預(yù)測(cè)結(jié)果

方法FOA優(yōu)化貝葉斯貝葉斯SVMBP錯(cuò)判個(gè)數(shù)3469準(zhǔn)確性95.38%93.84%90.71%86.15%

由預(yù)測(cè)結(jié)果圖3、圖4和表2不同方法的對(duì)比結(jié)果可知，F(xiàn)OA優(yōu)化貝葉斯、貝葉斯和SVM都較BP提高了高速公路機(jī)電故障預(yù)測(cè)的準(zhǔn)確性。通過(guò)對(duì)比發(fā)現(xiàn)，本文算法可以有效提高高速公路機(jī)電設(shè)備故障預(yù)測(cè)的準(zhǔn)確率。

5 結(jié) 論

隨著高速公路機(jī)電設(shè)備故障幾率也大幅攀升，如何實(shí)現(xiàn)高速公路機(jī)電設(shè)備故障的精確預(yù)測(cè)，對(duì)高速公路機(jī)電設(shè)備的維護(hù)維修具有重要的實(shí)際意義。針對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行高速公路機(jī)電設(shè)備故障預(yù)測(cè)存在預(yù)測(cè)精度低和泛化能力差的缺點(diǎn)，提出一種基于果蠅優(yōu)化算法優(yōu)化貝葉斯網(wǎng)絡(luò)的高速公路機(jī)電設(shè)備故障預(yù)測(cè)研究。通過(guò)FOA優(yōu)化貝葉斯、貝葉斯、SVM和 BP4種高速公路機(jī)電故障預(yù)測(cè)方法的對(duì)比發(fā)現(xiàn)，本文算法可以有效提高高速公路機(jī)電設(shè)備故障預(yù)測(cè)的準(zhǔn)確率。

[1] 劉明珍.粒子群優(yōu)化支持向量機(jī)的機(jī)電故障模型評(píng)估[J].計(jì)算機(jī)工程與應(yīng)用，2012,48(35)：71-74.

[2] 孫蘭蘭,宋雯斐. CPSO 和 LSSVM 融合的機(jī)電故障評(píng)估[J].計(jì)算機(jī)工程與應(yīng)用，2013,49(9)：90-93.

2016-08-11

U492

C

1008-3383(2017)03-0200-02