（机械电子工程专业论文）基于蚁群算法的识别方法与故障诊断.pdf

东北大学硕士学位论文摘要 基于蚁群算法的识别方法与故障诊断 摘要 为了尽阜地发现故障，利用机器学习将为设备故障征兆自动地分类，从而获 取和积累诊断知识、归纳总结诊断规则，找出产生该故障的原因，将有利于快速、 自动、正确地进行故障决策处理。近年来，人们在复杂设备的状态监测与故障诊 断过程中，一直在探索合适的故障模式识别( 分类) 方法。 蚁群算法( a n tc o l o n yo p t i m a la l g o r i t h m ，a c o ) 是2 0 世纪9 0 年代由意大利 m d o r i g o 教授首先提出来的，该算法是集群智能理论的一个分支。此算法受到 自然界蚂蚁觅食行为的启发，引进生物界蚂蚁“信息素”的概念，是一种基于信 息正反馈原理的模拟优化算法。 基本蚁群算法在离散问题优化方面比常规算法有着很大的优势，但是与其它 演化算法一样，有时也会存在“停滞”现象，而且计算时间仍较长。目前各种改 进方法很多，这些方法各有优长。文章认为所有这些改进本质上无不针对算法的 三个关键性因素，如果在改进时有意识从这三个因素出发就可以构造出各种各样 的算法，这为指导今后算法的改进指明了方向。在此基础上课题构造出了新的改 进算法。为了验证此改进算法的性能，对改进算法与基本算法及带杂交算子的蚁 群算法进行仿真实验比较，结果表明改进算法具有较好的性能，改进方法是成功 和有效的。 基本蚁群算法中有不少参数需要人为选择，这种人为选择对算法整体性能有 较大的影响，通常的办法是通过大量的实验来确定针对某一问题较为合适的参 数，这个过程通常很烦杂，在v i s u a lb a s i c 丌发环境下编制的蚁群算法模拟器， 可以较好地对算法的各种参数进行模拟，能够为算法的实验和推广学习提供一个 较好的工具与平台。 课题针对故障识别与诊断过程中故障征兆自动分类的困难，通过合理的转 化，提出基于蚁群算法的聚类分析方法，并首次将蚁群算法引用到故障识别与诊 断领域当中，对某型号柴油机燃油系统状态、某大厦中央空调运行工况及齿轮运 行状态三个实例进行模式识别，分类结果与实验样本所表征的各系统运行状态类 一l i 东北大学硕士学位论文摘要 别完全一致，实现了系统状态的快速识别，为设备的运行管理和维修决策提供了 参考依据。 蚁群算法作为一种新的模拟优化算法，还处于发展当中，其理论基础正逐步 完善，应用领域正逐步扩大，具有良好的发展前景。本文所作的工作，就是探索 这种算法在故障诊断领域中的应用。 关键词蚁群算法聚类分析故障诊断模式识别协同 东北大学硕士学位论文a b s t r a c t r e c o g n i t i o na n df a u l td i a g n o s i s b a s e do na n t c o l o n yo p t i m a la l g o r i t h m a b s t r a c t f o rd i s c o v e r i n gt h ed i a g n o s i se a r l i e r , w es h o u l dc l a s s i f yf a u l ts i g no fe q u i p m e n t a u t o m a t i c a l l y , a n do b t a i nd i a g n o s i sk n o w l e d g e ，c o n c l u d ed i a g n o s i sr u l e ，f i n dt h er e a s o n o ff a u l t a l lt h e s ea r ei nf a v o ro ff a s t ，a u t o m a t i ca n de x a c td e c i s i o n m a k i n ga n d d e a l i n g w i t ht h ef a u l t a tr e c e n ty e a r , p e o p l ea l w a y se x p l o r et h ef i tf a u l tp a t t e mr e c o g n i t i o no r c l a s s i f i c a t i o ni nc o m p l e x e q u i p m e n ts t a t em o n i t o r i n ga n df a u l td i a g n o s i s a n tc o l o n yo p t i m a la l g o r i t h m ( a c o ) w a sf i r s t l yp u tf o r w a r db ya l li t a l i a n p r o f e s s o rn a m e dm r d o r i g oi nt h e19 9 0 s i ti so n eo ft h eb r a n c ho fs w a mi n t e l l i g e n c e i t i se l i c i t e db yt h eb e h a v i o ro fa n t ss e e k i n gf o o d s ，a n ds e a r c h e ss o l u t i o ns p a c ew i t ht h e h e l po fi t se s p e c i a lc o n c e p t - p h e r o m o n e i ti s ak i n do fs i m u l a t e de v o l u t i o n a r y a l g o r i t h mb a s e do np o s i t i v ef e e d b a c kp r i n c i p l eo f i n f o r m a t i o n a c oh a sm o r ed o m i n a n tt h e nc o n v e n t i o na l g o r i t h mf o rd i s c r e t eo p t i m i z a t i o n p r o b l e m b u ti th a ss t a g n a t i o nl i k eo t h e re v o l u t i o n a r ya l g o r i t h m ，a n dn e e d sl o n g e rt i m e n o w , t h e r e & r em a n yi m p r o v e da c o ，b u ta l lo ft h e s ea l g o r i t h m sa i ma tt h r e ek e yf a c t o r s i fw ei m p r o v ea c of r o mt h e s ef a c t o r s ，n e wa c oc a l lb ep o i n t e do u t t h a ta s s i g n st h e d i r e c t i o no f i m p r o v i n ga c o a f t e ra n a l y z i n ga n dc o n c l u d i n g ，t h ep a p e rp u tf o r w a r da n e wi m p r o v e da c o i no r d e rt op r o v i n gt h ea v a i l a b i l i t yo fn e wa l g o r i t h m ，t h ep a p e r c o m p a r e di tw i t ht h er u d i m e n t a r ya c oa n da c ow i t hc r o s s o v e ro p e r a t o rt h r o u g h e m u l a t o re x p e r i m e n t t h er e s u l ti n d i c a t e dt h a tt h en e wa l g o r i t h m h a sg o o dc a p a b i l i t y a n dt h i si m p r o v e m e n ti ss u c c e s s f u la n de f f e c t i v e i nr u d i m e n t a r ya c o ，t h e r ea r em a n yp a r a m e t e r sn e e dt ob es e l e c t e da r t i f i c i a l l y , t h a tw i l li n f l u e n ta l g o r i t h mh a r d l y s ow eo f t e ns e l e c tp a r a m e t e r st h r o u g hm a k i n gm a n y e x p e r i m e n t sf o ro n ek i n do fp r o b l e m t h i sp r o c e s si sv e r yc o m p l e x b a s e do nt h e s e ，t h e a u t h o rp r o g r a m m e da na c os i m u l a t o rb yv i s u a lb a s i c ，i tc a ns i m u l a t ea c ow i t ha l l k i n do f p a r a m e t e r s ，a n dp r o v i d eag o o dt o o lf o rs t u d ya n de x p e r i m e n to na c o f o rc o n c l u d i n gt h ed i f f i c u l t yo fc l a s s i n gf a u l ts i g no fe q u i p m e n ta u t o m a t i c a l l yi n f a u l td i a g n o s i s ，t h ep a p e rf i r s t l yp r e s e n t san e we x c e l l e n tc l u s t e r i n ga l g o r i t h mb a s e do n a c o a n dt h i sm e t h o di sa p p l i e dd op a t t e mr e c o g n i t i o no fo p e r a t i o ns t a t ei no n ek i n d o fd i e s e le n g i n ef u e ls y s t e m ，l a r g eb u i l d i n ga i rc o n d i t i o n i n ga n dg e a rw h e e l t h er e s u l t b ya c oe n t i r e l ya c c o r d sw i t ht h ef a c t t h a to p e r a t i o ns t a t et y p ei sa t t r i b u t e db y i v 东北大学硕士学位论文 a b s t r a c t e x p e r i m e n ts a m p l e ，t h er e s u l ti sf i g h t f a s tr e c o g n i t i o no ft h es y s t e ms t a t ei sr e a l i z e d t h er e s u l tp r o v i d e st h eb a s i sf o ro p e r a t i o nm a n a g e m e n ta n dm a i n t e n a n c ed e c i s i o no f e q u i p m e n t s a san e ws i m u l a t e de v o l u t i o n a r ya l g o r i t h m ，a c oi sd e v e l o p i n g ，i t sf o u n d a t i o n t h e o r yi sp e r f e c t i n gg r a d u a l l y , a n di ti sa p p l i e df o rm o r ea n dm o r ef i e l d s ，s ow ec a ns a y a c oh a sag o o df o r e g r o u n d t h ew o r ki nt h ep a p e ri se x p l o r e st h ea p p l i c a t i o no ft h i s a l g o r i t h mi nf a u l td i a g n o s i s k e y w o r d s ：a n tc o l o n yo p t i m a la l g o r i t h m ( a c o ) ；c l u s t e r i n ga n a l y s i s ；f a u l t d i a g n o s i s ；p a r e mr e c o g n i t i o n ；s y n e r g i s m v 独创性声明 本人声明所呈交的学位论文是在导师的指导下完成的。论文中取 得的研究成果除加以标注和致谢的地方外，不包含其他人已经发表或 撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确 的说明并表示谢意。 学位论文作者签名：铴撕 日期：尹夕 学位论文版权使用授权书 。 本学位论文作者和指导教师完全了解东北大学有关保留、使用学 位论文的规定：即学校有权保留并向国家有关部门或机构送交论文的 复印件和磁盘，允许论文被查阅和借阅，本人同意在东北大学可以将 学位论文的全部或部分内容编入有关数据库进行检索、交流。 ( 如作者和导师同意网上交流，请在下方签名；否则视为不同意。) 学位论文作者签名： 签字日期： 导师签名： 签字日期： 东北大学硕士学位论文 第一章绪论 第一章绪论 1 1 设备诊断技术概述 设备诊断技术是近4 0 年来适应工程实际需要而形成的各学科交叉的一门综 合学科。它涉及到机械、信息、计算机、人工智能等许多学科知识。随着现代工 业及科学技术的迅速发展，生产设备日趋大型化、集成化、高速化、自动化和智 能化，设备在生产中的地位越来越重要，对设备的管理也提出了更高的要求，能 否保证一些关键设备的正常运行，如何避免运行中故障的发生，同益引起人们的 重视，于是，设备诊断技术在理论和实践应用方面，得到了迅猛的发展。 设备诊断技术一直与设备维修紧密联系，与设备维修发展的事后维修、预防 维修和状态监测三个阶段相对应，机械设备故障诊断技术的发展可分为如下三个 阶段。一是基于故障事件的故障诊断阶段，当设备在运行中突然发生了故障，彳 被迫停机检查故障原因和发生部位，诊断的手段是通过对设备的解体分析并借助 以往的经验以及一些简单的仪器。二是基于故障预防的故障诊断阶断，这一阶段 以可靠性为中心，主要是为合理的维修周期的制定提供依据，并在定期维修前检 查突发性故障，保证在出现故障前就能排除故障。三是基于故障预测的故障诊断 阶段，是以信号采集与处理为中心，利用各种信息对设备的状态进行评估，针对 不同的设备采取不同的措施。 设备故障诊断技术发展到今天，已经成为一门独立的跨学科的综合信息处理 技术，它以可靠性理论、信息论、控制论和系统论为理论基础，以现代测试仪器 和计算机为技术手段。它大体上由三部分组成：第一部分为故障诊断物理、化学 过程的研究，例如以电气、机械部分失效的腐蚀、蠕变、疲劳、断裂、磨损等理 化原因的研究。第二部分为故障诊断信息学的研究，它主要研究故障信号的采集、 选择、处理与分析过程。例如通过传感器采集设备运行中的信号，再经过时域与 频域上的分析处理来识别和评价所处的状态或故障。第三部分为诊断逻辑与数学 原理方面的研究，主要是通过逻辑方法、模型方法、推论方法及人工智能方法， 根据可观测的设备故障表征来确定下一步的检测部位，最终分析判断故障发生的 部位和产生故障的原因。从开展设备诊断的流程来看，设备诊断分为信号采集， 信号处理，故障诊断三个阶段。其中信号采集技术是设备渗断的前提。诊断方法 的研究是设备诊断技术的核心。信号分析和处理方法的研究是设备诊断技术的关 键，这实际上就是诊断技术中的特征因子( 敏感因子) 提取技术，也是理论研究 东北大学硕士学位论文 第一章绪论 的热点之一。从这个流程可见，一旦设备状态信号正确可靠地采集到之后，诊断 的两大问题就是通过信号处理来实现特征提取和诊断机理一状态识别方法的建 立。围绕这两大问题的热点是小波分析、演化算法、分形几何、模糊诊断、灰色 预报以及人工神经网络的研究，另外智能诊断系统与基于知识的故障渗断专家系 统的融合也是当前注意的热点之一。 总之，设备故障诊断的任务是监视设备的状态，判断其是否正常；预测和渗 断设备的故障并消除故障：指导设备的管理和维修。由此可见，实际上设备诊断 技术是个模式分类问题，即把机器的运行状态分为正常和异常两类。进一步讲， 异常的信号样本又属于哪种故障，这又属于一个模式识别问题。从另一角度来看， 故障诊断问题本质上是由征兆空间到故障空间的一种映射关系，这罩说的映射是 一种多对多的复杂映射，多种征兆对应于一个故障，一种征兆同时也对应着多种 故障。 故障诊断技术可简单地划分为传统的诊断方法、数学诊断方法以及智能诊断 方法。传统的诊断方法包括：振动监测技术、油液分析技术、噪声监测技术、红 外测温技术、声发射技术以及无损检测技术等；数学诊断方法包括：基于贝叶斯 决策判据以及基于线性和非线性判别函数的模式识别方法、基于概率统计的时序 模型诊断方法、基于距离判据的故障诊断方法、模糊渗断原理、灰色系统诊断方 法、故障树分析方法、小波分析方法以及混沌分析法与分形几何法等；智能诊断 方法包括：模糊逻辑、专家系统、神经网络、进化计算方法等。 设备故障诊断技术与当代前沿科学的融合是设备故障技术的发展方向。当今 故障诊断技术的发展趋势是传感器的精密化、多维化，渗断理论、渗断模型的多 元化，诊断技术的智能化，具体来说表现在五个方面的融合： ( 1 ) 与当代最新传感器技术尤其是激光测试技术的融合； ( 2 ) 与最新信号处理方法相融合； ( 3 ) 与非线性原理和方法相融合； ( 4 ) 与多元传感器信息的融合； ( 5 ) 与现代智能方法的融合。 1 2 国内外文献综述 数据挖掘 数据库中的知识发现( k n o w l e d g ed i s c o v e r yi nd a t a b a s e ，k d d ) 一词首次出 现在1 9 8 9 年8 月举行的第l l 届国际联合人工智能学术会议上。顾名思义，知识 一2 东北大学硕士学位论文第一章绪论 发现的目的是从数据中发现知识。由于数据挖掘( d a t am i n i n g ，d m ) 是k d d 过程中最关键的一个环节，因此也有人不加区别地把k d d 和d m 认为是相同的。 这两者都是从数据中发现知识，它们的区别可以这样来理解：知识发现比数据挖 掘更广义，而数据挖掘则是更具体、更深入的概念。从1 9 9 5 年在加拿大召开的第 一届知识发现和数据挖掘国际学术会议起，由美国人工智能协会主办的k d d 国 际研讨会已经召开了7 次，规模由原来的专题讨论会发展到国际学术大会，人数 由二三十人到七八百人，研究重点也逐渐从发现方法转向系统应用，并且注重多 种发现策略和技术的集成，以及多种学科之间的相互渗透。其他内容的专题会议 也把数据挖掘和知识发现( k d d ) 列为议题之一，成为当前计算机科学界的一大 热点。此外，数据库、人工智能、信息处理、知识工程等领域的国际学术刊物也 纷纷开辟了k d d 专题或专刊。i e e e 的k n o w l e d g ea n dd a t ae n g i n e e r i n g 会刊领先 在1 9 9 3 年出版了k d d 技术专刊。在i n t e r n e t 上还有不少k d d 电子出版物，其中 以半月刊k n o w l e d g e d i s c o v e r y n u g g e t s 最为权威。另一份在线周刊为d s ( d s 代 表决策支持) ，1 9 9 7 年1 0 月7 日开始出版。在网上，还有一个自由论坛d me m a i l c l u b ，可以通过电子邮件相互讨论d m 的热点问题。而领导整个d m 和k d d 潮 流的开发和研究中心，当数设在美国e m d e n 的i b m 公司开发部。 数据挖掘可以用到的技术方法很多，主要包括：统计分析方法、模拟进化算 法、粗集( r o u g h ) 方法、决策树、人工神经网络、模糊逻辑、规则归纳、聚类 分析和模式识别、最近邻技术、可视化技术等。 蚁群算法 本文主要讨论一种新的模拟进化算法蚁群算法在故障诊断中应用，下面 对蚁群算法的研究现状及其在各学科领域中的应用做一综述。 生物进化过程就是生物对环境逐步适应的一种优化过程。早在2 0 世纪3 0 年 代就有人设想可以通过模拟生物进化过程来达到自学习与优化的目的。在生物界， 一个生物体的个体之间的差别是由包含在生物体内染色体之间的差异来体现的， 这种差别既反映在生物体自身结构上，也反映在它们所处的坏境的行为上；而结 构与行为的不同又表现在它们生存与繁殖率的不同，性能好的生物体具有更高的 生存与繁殖率；反之，生存与繁殖率较低。经历若干代后，就整体而言，生物群 体逐渐包含了更多的个体，其染色体结构在环境中表现更加优良的性能。这样， 随着时间的推移，群体中个体的结构由于自然选择而发生变化。这就是达尔文在 物种起源中描述的适者生存和自然选择的概念。在生物的每一个层次，如细 胞、组织、个体和群体，其进化过程都极其复杂，要用数学方式完全描述其过程 并发展相应的理论与方法是不现实的，人们只能对进化过程进行简化模拟，从中 3 东北大学硕士学位论文 第一章绪论 抽象出本质特征，并用适当方式来描述。2 0 世纪5 0 年代中期，有一些学者从生 物进化的机理中受到启发创立了仿生学，提出了许多用以解决复杂优化问题的新 方法，并最终形成了一类具有鲜明特色的优化方法，即模拟进化优化方法或演化 计算方法。如遗传算法( g e n e t i ca l g o r i t h m ，g a ) 、进化规划( e v o l u t i o n a r y p r o g r a m m i n g ，e p ) 、进化策略( e v o l u t i o ns t r a t e g y , e s ) 、遗传程序设计( g e n e t i c p r o g r a m m i n g ，g p ) 等，它们用不同的方式模拟了生物进化过程 引。目前这方面的 研究工作正越来越受到重视，研究领域逐渐拓宽。除了上述四种代表性的方法外， 模拟进化优化方法还包括其他分支，意大利学者m d o r i g o 等人于2 0 世纪9 0 年 代提出的蚁群优化算法【3 h ”( a n t c o l o n y o p t i m i z a t i o n a l g o r i t h m ，a c o ) 则是其中 之一。目前，模拟进化优化方法的各个分支的研究基本上是分别进行的，采用不 同的途径或方法模拟人类或生物进化，但总的来讲，演化计算方法已成为一个独 立的研究分支。从计算模型的角度来看，演化计算方法在计算原理上是自适应的、 结构上是并行的，而且模仿了人的智能处理特性，这不同于常规的串行计算模型， 是一种新的智能计算模型。到目前为止，模拟进化优化方法主要是用于求解组合 优化问题以及约束条件复杂的非线性优化问题，较常规的基于梯度寻优的数学优 化技术为优，该方法无可微要求，使用范围广，带有随机优化特性，有较大的概 率求得全局最优解。 蚁群算法同多数模拟进化优化方法一样也是从生物群体行为的机理中受到启 发而创立的。它的主旨是模仿蚁群的协同学习机制。蚁群受到食物气昧的吸引， 能借协同学习机制搜索到由蚁巢( 出发点) 到食物( 目的地) 之间的最短路径。 在每个蚂蚁朝目的地奔走时，借随机搜索方式找到较短路径，就在该路径注入蚁 激素，若多数蚂蚁借自己体验也认可该路径，也仿此注入自己的蚁激素，这样其 余蚂蚁就能在各路径分岔点选择激素气味浓的路径朝目的地走去，少走弯路，摄 后获得一条最短路径供蚁群使用。按这种构思，此算法就能以较小的时间复杂度 代价获得t s p 问题的全局最优解。 m d o r i g o f | l j 提出蚁群算法时，称之为a n ts y s t e m ( a s ) ，经过发展后根据更 新规则的不同，a n ts y s t e m 模型又可分为3 种，分别为a n t c y c l es y s t e m ( 蚁群循环 算法) ，a n t q u a n t i t ys y s t e m ( a n t - qs y s t e m ，蚁群数量算法) ，a n t d e n s i t ys y s t e m ( a n t ds y s t e m ，蚁群密度算法) ，差别在于后两者的信息更新规则利用的是局部 信息，而前者利用的是整体信息1 1 3 l 。在这三种模型中，通常认为a n t - c y c l es y s t e m 性能较好，并以此作为基本蚁群算法。之后，g a m b a r d e l l a 年e i m d o r i g o 又提出了 一种修难的蚁群算法，他们称之为蚁群系统( a n tc o l o n ys y s t e m ，a c s ) ，它与刚 丌始提出的蚁群算法的不同之处主要在于采用了新的全局信息更新规则和个体移 动规则，并增加了对各条路径信息量调整的局部更新规则。根据局部更新规则的 不同，a c s 也有几种不同的情形【8 】1 9 】。1 9 9 9 年他和a c o l o r i n i ，g a m b a r d e l l a l m 4 东北大学硕士学位论文第一章绪论 等人为了给这些算法提供一个统一的描述框架，又提出了称为蚁群优化( a n t c o l o n yo p t i m i z a t i o n ，a c o ) 的算法框架，所有符合蚁群优化描述框架的蚂蚁算法 都可称之为蚁群优化算法，或简称蚁群算法( a c oa l g o r i t h m ) 7 1 。m d o r i g o 先 后用蚁群算法求解了典型的n p 问题旅行商问题( t s p ) 、分配问题等1 6 j 【，并对通 信中的布线问题也进行了研究i 7 1 。虽然这些成果仅是初步的，但是这些研究已显 示出蚁群算法在求解复杂优化问题( 特别是离散优化问题) 方面的一些优越性， 证明它是一种很有发展前景的方法。受其影响，蚁群系统模型逐渐引起了其它研 究者的注意，对于a c o 算法的收敛性问题，直到2 0 0 2 年才开始有研究人员逐步尝 试进行证明。t h o m a s s 和m d o r i g o 在他们的论文中证明了一类a c o 类算法的 收敛性【1 2 1 。值得欣喜的是就在本论文即将完成时，又检索到由开罗大学b a d r a m r 发表的ap r o o f o f c o n v e r g e n c ef o ra n ta l g o r i t h m s 一文【l ，文中较为全面地对a n t s y s t e m 中三种不同的蚁群模型的收敛性给予了证明，这必将改变蚁群算法过去缺 乏数学理论基础的状况，为蚁群算法的进一步发展和应用奠定峰实的基础。此外， d c o s t a 牙i l a h e r t z i o 】在m d o r i g o 等人研究成果的基础上，提出了一种求解分 配类型问题( a s s i g n m e n tt y p ep r o b l e m ) 的一般模型，并用来研究图着色问题。 g b i l c h e v 和i c p a r m e e 研究了求解连续空间优化问题的蚁群系统模型，并 用来解决某些实际工程设计问题，但是蚁群算法在求解连续优化问题方面的优越 性相对要弱一些。 在国内，1 9 9 9 年东北大学控制仿真研究中心的张纪会博士与徐心和教授在 系统工程理论与实践上发表了一种新的进化算法蚁群算法【l ”，首先 将该算法引入国内，之后他们又进一步做了研究。文献【1 5 将蚁群算法与两交换 方法有机结合，结果表明该方法可以大大提高基本蚁群算法的搜索效率，文献 1 6 1 通过引入遗传算法中用到的杂交算子来改善蚁群，使其对应的问题的解更加优良。 此外，文献 1 7 对传统蚂蚁算法进行了变异和最优保存两点改进，然后在给定 近似精度的基础上通过m a r k o v 过程分析，得出了该算法的全局收敛性，并从理 论上说明，传统蚁群算法通常的选择概率公式是有缺陷的，而具有变异机制的蚂 蚁算法要好于传统蚂蚁算法。文献 1 8 也研究了求解连续空间优化问题的蚁群 系统模型，并将该模型与一般模拟退火算法、遗传算法进行了比较，结果表明改 进后的蚁群系统模型比后两者找到最优解的速度更快，且得到的最优解更接近理 论上的最优解。 为了克服在蚁群算法中可能出现的停滞现象，许多学者提出了不同的改进方 法。t s t n t z l e 等人提出的一种改进的算法，称为m a x m i na n ts y s t e m ( m a x m i n ， m m a s ) 1 2 8 1 。m a x m i n 蚁群系统是比较好的一个算法，它允许各个路径上的信 息量在一个限定的范围内变化。在解决t s p 、q a p 等问题时结果要优于一般的 a c o 算法。m m a s 与a c s 两者的共同点是在算法的每次迭代中只允许表现最好 5 东北大学硕士学位论文第一章绪论 的蚂蚁更新路径上的信息素浓度；其不同之处主要在于如何防止过早的停滞现象 ( s t a g n a t i o n ) 。m m a s 限定了信息素浓度允许值的上下限，并且采用了平滑机 制，m m a s 在算法启动时将所有支路上的痕迹浓度初始化为最大值f ，每次迭 代后，按系统挥发度p 降低信息素浓度，只有最佳路径上的支路才允许增加其浓 度，并保持在高水平上。但是，只采用最大最小信息素浓度的限制还不足以在较 长的运行时间里消除停滞现象，因此采用了平滑机制：痕迹浓度的增加正比于f 和当前浓度r ( r ，j ) 之差。l m g a m b a r d e l l a 等人提出了一个混合型蚁群算法h a s ， 在每次循环中蚂蚁建立各自的解后，再以各自的解为起点用某种局部搜索算法求 局部最优解，作为相应蚂蚁的解，这样可以迅速提高解的质量【2 9 】。h m b o t e e 等人对参数m ，口，p 的选择进行了深入的研究，用遗传算法求得这些参数最优组 合【j 。w j g u t j a h r 等人提出一种以图为基础构建的蚁群系统框架来解决组合 优化问题，在一定的条件下，每次迭代所得到的解能以近似于1 的概率向最优解 收敛【3 “。吴斌、史忠植提出了基于蚁群算法的分段求解算法，提高了蚂蚁搜索的 速度，为蚁群算法的并行化奠定了基础 3 2 】。文献 3 3 1 根据t s p 问题的最优解的特 点有针对性的提出了一种小窗口蚁群算法，把搜索范围局限于离当前点距离较近 的有限个点中间，大大减少了不必要的搜索，提高了速度，但是算法用在其它问 题当中是否适用还有待进一步验证。文献 3 4 1 引入“聚度”的概念，提出基于分 布均匀度的算法，当所有路径上蚂蚁的分布相对比较分散时，聚度就小，此时强 化正反馈信息；而当所有路径上蚂蚁的分布相对比较集中时，聚度就大，此时就 让较多的路径有可能被选取。此方法对有大规模的t s p 问题效果较好，是一个比 较有效的改进方法，但是算法本身较为复杂。所有这些研究都在一定程度上提高 了算法的效率，拓展了基本蚁群算法的应用范围，推动了蚁群算法研究的进一步 发展。 可喜的是，随着研究的深入，蚁群算法思想在启发式方法范畴内己逐渐成为 一个独立的分支，并在多种国际学术会议上多次作为专题加以讨论。1 9 9 8 年在比 利时布鲁塞尔大学又召开了第一届蚂蚁优化国际研讨会，2 0 0 0 年仍在原地召开了 第二届会议( a n t s2 0 0 0 ) 。从当前可以检索的文献情况来看，研究和应用蚂蚁算 法的学者主要集中在比利时、意大利、英国、法国、德国等欧洲国家，日本和美 国在这一二年内也开始启动对蚂蚁算法的研究，一些大学选择了该课题作为研究 生的( 博士、硕士) 学位论文。国内的研究主要集中在上海、北京及东北少数几 所高校和研究所，主要围绕f s p 问题及相关问题的实验仿真。 总体上来看，蚁群算法在实际应用中的研究则刚刚开始，发表的文章集中在 t s p 问题及相关问题的仿真，生产调度，连续空间优化，电力系统机组有功无功 优化规化、电网扩展规化、输电线路规化，大规模集成电路布线优化，电信网络 路由，边坡、硐群施工中稳定性分析、军事运筹，数据挖掘等方面1 1 8 1 “ 2 7 1 , 4 9 1 , 6 一 东北大学硕士学位论文 第一章绪论 根据众多学者的研究结果显示，蚁群算法具有如下优点： ( 1 ) 较强的鲁棒性。尽管蚁群算法基本仍停留在理论研究阶段，但其模型可 以很好的移植到其它一些问题当中，特别是各种组合优化问题当中。 ( 2 ) 蚁群算法具有很强的发现较好解的能力。由于算法本身采用了正反馈原 理，因此加快了进化过程，且不易陷入局部最优解。 ( 3 ) 分布式并行计算。蚁群算法是一种基于种群的进化算法，具有本质并行 性，易于并行实现，蚂蚁个体之间不断进行信息交流和传递，有利于发现较好解。 单个个体容易收敛于局部最优，多个个体通过合作，可很快收敛于解空间的某一 子集，有利于对解空间的进一步探索，从而发现较好解。 ( 4 ) 易于与其它方法结合。该方法可以与多种启发式算法结合，以改善算法 的性能。 该算法和绝大多数新型算法一样也有两个缺陷：一是计算时间较长。与其它 方法相比，该算法一般需要较长的搜索时间，蚁群算法的复杂度可以反映这一点。 但是随着计算机的发展和计算速度的提高，相信可以弥补这一缺陷。二是该方法 也会出现停滞现象( s t a g n a t i o nb e h a v i o r ) 。即搜索进行到一定程度后，所有个体 所发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解。对 于这两个问题，已经引起了许多研究者的注意，并提出了若干改善方法。如 m d o r i g o 提出的a n t qs y s t e m ，t h o m a s 等人提出的m a x m i na n ts y s t e m ( m m a s ) f 2 8 】等。 蚁群算法的研究刚刚开始，远未像模拟退火算法、遗传算法等算法那样形成 系统的分析方法和坚实的数学基础，有许多问题有待进一步研究。但蚁群算法国 际会议已经连续开了几届，算法本身已经引起越来越多的关注，应用领域也正处 于扩大的势头当中，仅在作者进行论文研究的一年多时间当中，国内这方面的论 文数量就翻了一番，接近1 9 9 8 至2 0 0 3 年l o 月以来的总和。因此我们相信，尽管 它还缺乏完善的理论分析，对它的有效性到目前为止也没有人能够给出十分严格 的数学解释，但是回顾模糊控制的发展历史，理论的不完善并不妨碍应用，有时 应用是超前于理论的，并将推动理论的研究。随着众多专家学者的参与和研究的 逐步深入，该方法必将获得越来越广泛的应用。 1 3 本文的主要研究工作 蚁群算法作为一种十分优秀并很有发展前景的算法在工程领域中的应用正逐 7 东北大学硕士学位论文第一章绪论 根据众多学者的研究结果显示，蚁群算法具有如下优点 ( 1 j 较强的鲁棒性。尽管蚁群算法基本仍停留在理论研究阶段但其模型可 以很好的移植到其它一些问题当中，特别是各种组合优化问题当中。 ( 2 ) 蚁群算法具有很强的发现较好解的能力。由于算法本身采用了正反馈原 理，因此加快了进化过程，且不易陷入局部最优解。 ( 3 ) 分布式并行计算。蚁群算法是一种基于种群的进化算法，具有本质并行 性，易于并行实现，蚂蚁个体之问不断进行信息交流和传递，有利于发现较好解。 单个个体容易收敛于局部最优，多个个体通过合作，可很快收敛于解空间的某一 子集，有利于对解空间的进一步探索，从而发现较好解。 ( 4 ) 易于与其它方法结合。凌方法可以与多种启发式算法结合，以改善算法 的性能。 该算法和绝大多数新型算法一样也有两个缺陷；一是计算时间较长。与其它 方法相比，该算法一般需要较长的搜索时捌，蚁群算法的复杂度可以反映这一点。 但是随着计算机的发展和计算速度的提高相信可以弥补这一缺陷。二是该方法 也会出现停滞现象( s t a g n a t i o nb e h a v i o r ) 。即搜索避行到一定程度后，所有个体 所发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解。对 于这哺个问题，己经引起了许多研究者的注意，并提出了若干改善方法。如 m d o r i g o 提出的a n t - qs y s t e m ，t h o m a s 等人提b 的m a x m i na n ts y s t e m ( m m a s ) 【船峰。 蚁群算法的研究刚刚开始，远来像模拟退火算法、遗传算法等算法那样形成 系统的分析方法和坚实的数学基础，有许多问题有待进一步研究。但蚁群算法国 际会议己经连续开了几届，算法本身已经引起越来越多的关注，应用领域也正处 于扩大的势头当中，仅在作者进行论文研究的一年多时问当中，国内这方面的沧 文数量就翻了一番，接近1 9 9 8 至2 0 0 3 年1 0 月以来的总和。因此我们相信，尽管 它还缺乏完善的理论分析，对它的有效性到目前为止也役有人能够给出十分严格 的数学解释，但是回顾模糊控制的发展历史，理论的不完善并不妨碍应用，有时 应用是超前于理论的，并将推动理论的研究。随着众多专家学者的参与和研究的 逐步深入，该方法必将获得越来越广泛的应用。 1 3 本文的主要研究工作 蚁群算法作为一种十分优秀并很有发展前景的算法在工程领域中的应用正琏 蚁群算法作为一种十分优秀并很有发展前景的算法在工程领域中的应用正逐 东北大学硕士学位论文 第一章绪论 步扩大，并且确实解决了一些过去难以解决的问题，但是这样一个优秀的算法， 目前国内外目前还没有将其用于设备故障诊断领域方面的研究报道及文献资料， 所以希望通过本文的研究和探讨，可以把蚁群算法这一优秀的算法引用到设备故 障诊断领域当中，本论文所做的工作也许微不足道，但希望这个开创性的工作可 以达到抛砖引玉的目的，使更多的故障诊断领域的专家学者加入到这个行列中来。 随着各种设备状态监测系统的逐步投入使用，利用系统采集到的设备运行状 态数据发现设备运行中的异常状态、找出故障特征，显然具有重要的理论和实用 价值。本文将基于蚁群算法，对这些数据进行聚类分析，进而挖掘离群数据、发 现故障特征、识别故障模式。 本文在前人大量卓有成效的工作的基础上，主要做以下几方面的工作： ( 1 ) 研究对基本蚁群算法的改进方法，提高该算法的计算速度，改善其收敛 性能，找出合适的改进方式。 ( 2 ) 将蚁群算法首次应用到设备故障诊断领域，做一些探讨性工作。特别是 要研究蚁群算法在聚类分析中的应用。 ( 3 ) 通过实例计算验证蚁群算法在故障诊断领域中应用的效果。 ， 8 东北大学硕士学位论文 第二章数据挖掘技术及演化算法 第二章数据挖掘技术及演化算法 本章将首先对数据挖掘技术的概况进行介绍，并阐述数据挖掘的常用方法， 重点对数据挖掘中聚类分析的方法与故障诊断的过程进行比较，从而给出用聚类 分析进行故障诊断的思路，并阐明故障数据本质上是一种离群数据；其次本章还 将简要介绍演化算法的一些基本情况及其在故障诊断领域的应用。 2 1 数据挖掘技术概述 近十几年来，随着数据库和计算机网络的广泛应用，加上使用先进的自动数 据生成和采集工具，人们所拥有的数据量急剧增大，人们利用信息技术生产和搜 集数据的能力大幅度提高，千千万万个数据库被用于商业管理、政府办公、科学 研究和工程开发等等，并且这一势头仍将持续发展下去。但随着数据库技术的不 断发展及数据库管理系统的广泛应用，数据库中存储的数据量急剧增大( 呈超指 数上升) ，数据理解和数据产生之间也出现了越来越大的距离。从而出现了一方面 人们从生产实际中取得了大量包含着十分有用信息的数据，而另一方面，面对这 些堆积如山的数据中包含着许多待提取的有用知识，人们又无法有效处理和利用 的现象。面对“人们被数据淹没，人们却饥饿于知识”的挑战，如何才能不被信 息的汪洋大海所淹没，从中及时发现有用的知识，提高信息利用率呢? 人们迫切 需要新一代的计算技术和工具来帮助开采数据山中蕴藏的矿藏，并加以提炼，使 之成为有用知识。要想使数据真正成为一个公司的资源，只有充分利用它为公司 自身的业务决策和战略发展服务才行，否则大量的数据可能成为包袱甚至成为 垃圾【3 5 】。于是，个新的研究领域知识发现应运而生。由于蕴藏知识的数据 信息大多存储于数据库中，因此又称作数据库中的知识发现( k d d - - k n o w l e d g e d i s c o v e r yi nd a t a b a s e ) ，而数据挖掘( d m d a t am i n i n g ) 正是其中最关键的一个 环节。此外，还有很多和这一术语相近似的术语，如数据分析( d a t a a n a l y s i s ) 、 数据融合( d a t a