本发明涉及一种液压泵故障诊断方法，具体涉及一种基于自适应PSO-BP神经网络的液压泵故障诊断方法。
背景技术：
工程车辆的动力传递和伺服控制很大程度上依赖于核心部件液压泵，液压泵一般处于恶劣的工作环境，其工作强度大，故障机理更是复杂多样，采集到的故障数据容易受到干扰，而神经网络由于其出众的自我学习能力以及解决复杂的非线性问题的能力，在液压泵故障诊断方面有很强的优势。
当前，基于神经网络的故障诊断研究主要集中于算法研究，由于对神经网络具体的内部机制研究还不深入，因此，神经网络常常作为故障诊断模型的一部分被使用。
但是在BP神经网络算法基础上进行了液压泵故障诊断存在以下缺陷，(1)由于BP算法的训练过程使用了梯度下降法，而它所要优化的目标函数又非常复杂，此时，容易出现“锯齿形现象”，严重影响了BP算法的学习速率。(2)BP算法为一种局部优化方法，当求解非线性函数的全局极值时，算法容易陷入局部极值。(3)对于复杂的目标函数，BP神经网络会在神经元输出接近0或l的情况下，无法有效调节网络权值，使训练过程停滞，基于以上缺陷，使得BP神经网络对液压泵故障进行诊断的准确率不易得到保证。
技术实现要素：
发明目的：本发明针对上述现有技术存在的问题做出改进，即本发明公开了一种基于自适应PSO-BP神经网络的液压泵故障诊断方法。
技术方案：一种基于自适应PSO-BP神经网络的液压泵故障诊断方法，包括以下步骤：
(1)、初始化粒子群规模
(2)、计算网络适应度值，网络适应度值通过网络输出误差E表征，其表达式为：
其中：
E表示网络输出误差；
表示期望输出；
表示实际输出；
p表示输入样本个数；
(3)、统计粒子pBest和粒子gBest后进入步骤(4)；
(4)、更新惯性权重w，更新粒子位置和速度，进入步骤(5)，其中，惯性权重w的更新公式为:
w＝((maxw-minw)*(maxiter-nowiter)/maxinter)2+minw，
maxw、minw分别表示变化范围上限和下限；
maxiter表示最大迭代次数；
nowiter表示现在的迭代次数；
粒子位置更新公式为：其中，
表示k次迭代时粒子位置，
表示k+1次迭代时粒子速度；
粒子速度公式为其中，
w为惯性权重，
表示k次迭代粒子速度，
c1、c2表示加速项权重因子，
pid是d纬粒子i的个体最好位置(pBest)，
pgd是是d纬群体最好位置(gBest)，
表示k次迭代时粒子位置；
(5)、计算适应度函数，若T时刻适应度>T-1时刻适应度，进入步骤(7)，反之进入步骤(6)，其中，适应度函数的表达是为：
其中：
E表示网络输出误差；
表示期望输出；
表示实际输出；
p表示输入样本个数；
(6)、初始化惯性系数W＝0，进入步骤(7)；
(7)、更新粒子的个体极值和群体极值后，进入步骤(8)；
(8)、随机变异，进入步骤(9)；
(9)、若迭代次数大于阈值，输出gBest，反之进入步骤(4)。
进一步地，步骤(1)包括：
(11)粒子群大小初始化为50；
(12)粒子群的最大速度为搜索区间的20％；
(13)粒子群的惯性权重的变化范围为[0.4 0.9]，c1＝c2＝2；
(14)粒子群的迭代次数为300次；
(15)自适应PSO-BP神经网络的输入层为五层、输出层为两层、隐含层为两层；
(16)自适应PSO-BP神经网络的目标误差为0.0001；
(17)自适应PSO-BP神经网络的网络学习参数为0.1，迭代次数为1000次；
(18)自适应PSO-BP神经网络的目标函数为均方误差函数。
有益效果：本发明公开的一种基于自适应PSO-BP神经网络的液压泵故障诊断方法具有以下有益效果：
1、可以处理液压泵多故障情况下，使用自适应BP神经网络时，出现的PSO算法收敛速率下降的问题；
2、使用位置随机变异，增加了自适应PSO-BP网络的收敛精度；
3、可以减少PSO网络的无效迭代；
4、减少BP网络容易陷入极小值的问题。
附图说明
图1为本发明公开的一种基于PSO-BP神经网络的液压泵故障诊断方法的流程图。
具体实施方式：
下面对本发明的具体实施方式详细说明。
如图1所示，一种基于自适应PSO-BP神经网络的液压泵故障诊断方法，包括以下步骤：
(1)、初始化粒子群规模
(2)、计算网络适应度值，网络适应度值通过网络输出误差E表征，其表达式为：
其中：
E表示网络输出误差；
表示期望输出；
表示实际输出；
p表示输入样本个数；
(3)、统计粒子pBest和粒子gBest后进入步骤(4)；
(4)、更新惯性权重w，更新粒子位置和速度，进入步骤(5)，其中，惯性权重w的更新公式为:
w＝((maxw-minw)*(maxiter-nowiter)/maxinter)2+minw，
maxw、minw分别表示变化范围上限和下限；
maxiter表示最大迭代次数；
nowiter表示现在的迭代次数；
粒子位置更新公式为：其中，
表示k次迭代时粒子位置，
表示k+1次迭代时粒子速度；
粒子速度公式为其中，
w为惯性权重，
表示k次迭代粒子速度，
c1、c2表示加速项权重因子，
pid是d纬粒子i的个体最好位置(pBest)，
pgd是是d纬群体最好位置(gBest)，
表示k次迭代时粒子位置；
(5)、计算适应度函数，若T时刻适应度>T-1时刻适应度，进入步骤(7)，反之进入步骤(6)，其中，适应度函数的表达是为：
其中：
E表示网络输出误差；
表示期望输出；
表示实际输出；
p表示输入样本个数；
(6)、初始化惯性系数W＝0，进入步骤(7)；
(7)、更新粒子的个体极值和群体极值后，进入步骤(8)；
(8)、随机变异(当迭代次数达到100次的倍数时，使得位置公式中变为随机数发生位置上的突变)，进入步骤(9)；
(9)、若迭代次数大于阈值，输出gBest，反之进入步骤(4)。
进一步地，步骤(1)包括：
(11)粒子群大小初始化为50；
(12)粒子群的最大速度为搜索区间的20％；
(13)粒子群的惯性权重的变化范围为[0.4 0.9]，c1＝c2＝2；
(14)粒子群的迭代次数为300次；
(15)自适应PSO-BP神经网络的输入层为五层、输出层为两层、隐含层为两层；
(16)自适应PSO-BP神经网络的目标误差为0.0001；
(17)自适应PSO-BP神经网络的网络学习参数为0.1，迭代次数为1000次；
(18)自适应PSO-BP神经网络的目标函数为均方误差函数；
上面对本发明的实施方式做了详细说明。但是本发明并不限于上述实施方式，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。