故障樹(shù)法和改進(jìn)PSO-PNN網(wǎng)絡(luò)的電梯故障診斷模型*

張　闊，李國(guó)勇，韓方陣

(太原理工大學(xué) 信息工程學(xué)院,山西 太原 030024)

0　引言

近年來(lái)，隨著城市化的快速發(fā)展，大中城市高樓林立，使電梯的應(yīng)用范圍越來(lái)越廣。但是，由于電梯故障，給人們帶來(lái)財(cái)產(chǎn)損失、甚至威脅生命安全的事故也在不斷增多。由于國(guó)內(nèi)大部分電梯沒(méi)有故障診斷系統(tǒng)，或者即使有，也大多無(wú)法及時(shí)準(zhǔn)確地獲取故障信息。一旦電梯出現(xiàn)故障，人們往往寄希望于簡(jiǎn)單的儀器設(shè)備，或是維修人員的經(jīng)驗(yàn)，而這種情況下往往無(wú)法準(zhǔn)確地診斷電梯的故障類(lèi)型與故障部位[1]。因此，如何有效地獲取電梯故障信息，對(duì)電梯進(jìn)行故障診斷是當(dāng)前亟待研究解決的問(wèn)題。

近年來(lái)，國(guó)內(nèi)外學(xué)者通過(guò)灰色系統(tǒng)理論、人工神經(jīng)網(wǎng)絡(luò)、基于知識(shí)獲取的專(zhuān)家系統(tǒng)等方法，對(duì)電梯的故障診斷做了大量而細(xì)致工作，獲得了一定的研究成果。如：為了解決故障信息獲取的實(shí)時(shí)性問(wèn)題，西門(mén)子公司使用了一種可編程的控制器件進(jìn)行遠(yuǎn)程控制[2]；而國(guó)內(nèi)的一些學(xué)者為此也做了大量的研究，其中，楊洋等[3]在電梯故障診斷系統(tǒng)中采用了框架表示法和深度優(yōu)先的搜索策略，該方法雖然可以準(zhǔn)確地診斷電梯故障，但由于系統(tǒng)實(shí)時(shí)性不夠好，主要用于電梯出廠測(cè)試；馮鑫等[4]設(shè)計(jì)一種利用遺傳算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，同時(shí)從電梯機(jī)械、安全保護(hù)、電力和調(diào)速控制等4 個(gè)系統(tǒng)中采集特征樣本數(shù)據(jù)作為優(yōu)化后神經(jīng)網(wǎng)絡(luò)輸入，進(jìn)行電梯故障診斷，但由于BP網(wǎng)絡(luò)存在容易陷入局部極值的缺陷且遺傳算法需要進(jìn)行選擇、交叉等繁瑣的過(guò)程，診斷結(jié)果的準(zhǔn)確性不夠理想；宗群、郭萌等[5]提出將故障樹(shù)法與專(zhuān)家系統(tǒng)相結(jié)合的電梯故障診斷方法，提高了診斷的實(shí)時(shí)性和準(zhǔn)確性，雖然結(jié)構(gòu)清晰的故障樹(shù)能夠較好地表達(dá)系統(tǒng)故障，但隨著電梯結(jié)構(gòu)的復(fù)雜化，電梯故障類(lèi)型隨之增加，故障部位也在不斷發(fā)生變化，而專(zhuān)家系統(tǒng)對(duì)于新知識(shí)的獲取又很困難，無(wú)法對(duì)故障類(lèi)型做出準(zhǔn)確的表達(dá)，故新知識(shí)的獲取成為制約專(zhuān)家系統(tǒng)發(fā)展的瓶頸；李元貴、樂(lè)洋等[6]將專(zhuān)家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)緊密結(jié)合，設(shè)計(jì)出智能電梯故障診斷系統(tǒng)，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力，彌補(bǔ)專(zhuān)家系統(tǒng)存在的缺陷，但神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)量少時(shí)無(wú)法獲得準(zhǔn)確的結(jié)果，此方法沒(méi)有被廣泛應(yīng)用。

針對(duì)以上問(wèn)題，本文提出一種將故障樹(shù)分析法和改進(jìn)粒子群算法優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，并以電梯安全回路系統(tǒng)為例，通過(guò)結(jié)構(gòu)清晰的故障樹(shù)圖來(lái)表達(dá)故障事件的內(nèi)在聯(lián)系,并指出單元故障與系統(tǒng)故障之間的邏輯聯(lián)系，同時(shí)運(yùn)用改進(jìn)PSO-PNN神經(jīng)網(wǎng)絡(luò)對(duì)電梯的安全回路系統(tǒng)中各個(gè)部件的故障進(jìn)行診斷。實(shí)驗(yàn)結(jié)果證明：此方法對(duì)于故障診斷具有較高的準(zhǔn)確性。

1　電梯回路系統(tǒng)的故障樹(shù)分析法

1.1　故障樹(shù)分析法

故障樹(shù)分析又稱(chēng)事故樹(shù)分析，是系統(tǒng)安全工程中重要的分析方法之一。故障樹(shù)分析法的基本思想是：從1個(gè)可能引發(fā)系統(tǒng)故障的事件開(kāi)始，自上而下、一層一層尋找頂事件發(fā)生的直接原因和間接原因，直到基本原因事件，并用邏輯結(jié)構(gòu)圖把這些事件之間的邏輯關(guān)系表達(dá)出來(lái)[7]。

由電梯運(yùn)行原理可知，電梯系統(tǒng)的故障可以分為以下7種：安全回路系統(tǒng)故障；選向系統(tǒng)故障；選層系統(tǒng)故障；指令系統(tǒng)故障；運(yùn)行系統(tǒng)故障；門(mén)系統(tǒng)故障和樓層系統(tǒng)故障。本文主要以電梯安全回路系統(tǒng)故障為例，建立相應(yīng)的故障樹(shù)模型，對(duì)安全回路中各個(gè)原器件的故障進(jìn)行診斷分析。安全回路系統(tǒng)的電路簡(jiǎn)圖如圖1所示。

圖1　電梯安全回路系統(tǒng)簡(jiǎn)圖Fig.1　Elevator safety circuit diagram

在圖1所示的電路圖中，輸入信號(hào)為U，4個(gè)開(kāi)關(guān)K1，K2，K3，K4分別為：限速開(kāi)關(guān)、門(mén)聯(lián)鎖開(kāi)關(guān)、主接觸開(kāi)關(guān)以及強(qiáng)制停車(chē)開(kāi)關(guān)；a，b，c為電壓信號(hào)的檢測(cè)點(diǎn)；U1，U2為輸出電壓信號(hào)的檢測(cè)點(diǎn)。在正常情況下，系統(tǒng)回路是閉合的，即輸出信號(hào)檢測(cè)點(diǎn)U1，U2均能檢測(cè)到電壓信號(hào)。當(dāng)電梯強(qiáng)制停車(chē)時(shí)，開(kāi)關(guān)K4處于斷開(kāi)狀態(tài)，電壓檢測(cè)點(diǎn)U2無(wú)法檢測(cè)到電壓信號(hào)。當(dāng)電梯速度過(guò)快時(shí)，開(kāi)關(guān)K1處于斷開(kāi)狀態(tài)；當(dāng)電梯門(mén)未關(guān)閉時(shí)，開(kāi)關(guān)K2處于斷開(kāi)狀態(tài)；主接觸沒(méi)有接觸時(shí)，開(kāi)關(guān)K3處于斷開(kāi)狀態(tài)，以上3種情況均使電壓信號(hào)檢測(cè)點(diǎn)U1無(wú)電壓輸出。

由圖1可知，系統(tǒng)回路故障主要表現(xiàn)為以下3種情況：檢測(cè)點(diǎn)U1無(wú)電壓，U2有電壓；檢測(cè)點(diǎn)U1有電壓，U2無(wú)電壓；檢測(cè)點(diǎn)U1，U2均無(wú)電壓。將以上3種情況作為安全回路發(fā)生故障的頂端事件，按照?qǐng)D1所示的電路圖，逐步分析以上3種故障情況可能發(fā)生的原因，直到尋找到基本事件為止，得到如圖2所示的安全回路系統(tǒng)的故障樹(shù)分析圖。

圖2　電梯安全回路系統(tǒng)故障樹(shù)Fig.2　fault tree diagram of elevator safety loop system

1.2　故障樹(shù)分析法進(jìn)行故障診斷的原理

故障樹(shù)分析法的故障診斷原理是：按照?qǐng)D1分別檢測(cè)a，b，c，U1，U2處的電壓信號(hào)，根據(jù)以上5個(gè)點(diǎn)的電壓信號(hào)是否為零，按照?qǐng)D2所示的故障樹(shù)圖自頂向下的進(jìn)行檢索，即可查找出位于葉子節(jié)點(diǎn)處的故障原因。如：在圖1中檢測(cè)到U1點(diǎn)無(wú)電壓，a點(diǎn)，b點(diǎn)，U2點(diǎn)均有電壓，c點(diǎn)無(wú)電壓，則根據(jù)各檢測(cè)點(diǎn)的電壓信號(hào)是否為零，在圖2的故障樹(shù)中進(jìn)行檢索，就能找到葉子節(jié)點(diǎn)中的“門(mén)開(kāi)關(guān)故障”。

2　系統(tǒng)模型

2.1　概率神經(jīng)網(wǎng)絡(luò)

1989年，D. F. Specht首次提出概率神經(jīng)網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來(lái)的一種前饋型神經(jīng)網(wǎng)絡(luò)， 它的理論依據(jù)是貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則，適用于模式分類(lèi)[8]。它不同于以往的神經(jīng)網(wǎng)絡(luò)的是用線性學(xué)習(xí)方法來(lái)完成以往非線性學(xué)習(xí)方法所做的工作，同時(shí)又能保持非線性學(xué)習(xí)方法的高精度特性，其優(yōu)點(diǎn)是網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中是不需要訓(xùn)練的，相比于BP神經(jīng)網(wǎng)絡(luò)等具有操作簡(jiǎn)單、高魯棒性等優(yōu)點(diǎn)，概率神經(jīng)網(wǎng)絡(luò)(PNN)的基本拓補(bǔ)結(jié)構(gòu)如圖3所示。

圖3　概率神經(jīng)網(wǎng)絡(luò)拓補(bǔ)結(jié)構(gòu)Fig.3　structure of probabilistic neural network

1)概率神經(jīng)網(wǎng)絡(luò)的第一層稱(chēng)為輸入層，用于接收訓(xùn)練樣本作為網(wǎng)絡(luò)的輸入向量。

2)概率神經(jīng)網(wǎng)絡(luò)的第二層稱(chēng)為模式層，其作用是：計(jì)算輸入向量與訓(xùn)練樣本之間的匹配關(guān)系，模式層的輸出可以表示為：

(1)

式中：Wi為輸入層與模式層之間的權(quán)值；δ為分類(lèi)平滑因子。

3)概率神經(jīng)網(wǎng)絡(luò)的第三層稱(chēng)為求和層，其作用是：將屬于某種類(lèi)型的概率進(jìn)行累加計(jì)算，根據(jù)式(1)得到概率密度函數(shù)。

4)概率神經(jīng)網(wǎng)絡(luò)的第四層稱(chēng)為輸出層，其中有若干個(gè)閾值辨別器，其神經(jīng)元是一種具有競(jìng)爭(zhēng)性的神經(jīng)元，每1個(gè)神經(jīng)元分別表示1種數(shù)據(jù)類(lèi)型，在電梯故障診斷中則表示1種輸出的故障類(lèi)型所代表的數(shù)值，其輸出可以表示為

(2)

式中：xi為某一故障類(lèi)型的第i個(gè)樣本；m為某1個(gè)故障類(lèi)型的樣本個(gè)數(shù)；δ為平滑因子。

2.2　改進(jìn)粒子群算法

粒子群算法是近幾年來(lái)在人工智能領(lǐng)域發(fā)展起來(lái)的新算法。它源于對(duì)鳥(niǎo)類(lèi)捕食行為的研究，它的基本思想與遺傳算法(GA)是一致的，都是在一個(gè)可行的解空間內(nèi)以迭代的方法來(lái)尋找最優(yōu)解，另外2者都是以個(gè)體適應(yīng)度值來(lái)判定解的品質(zhì)是否達(dá)到最優(yōu)。相比于GA，粒子群算法步驟更為簡(jiǎn)單，它不需要進(jìn)行選擇、交叉等操作[9]。通過(guò)更新粒子的位置和速度尋找全局最優(yōu)，以達(dá)到優(yōu)化目的。

在1個(gè)D維空間中，種群由n個(gè)粒子組成X=(X1,X2,…,Xn)，第i個(gè)粒子表示為1個(gè)D維的向量Xi=(Xi1,Xi2,…,XiD)T，表示第i個(gè)粒子在D維空間中的位置，即是問(wèn)題的1個(gè)潛在解，由目標(biāo)函數(shù)可以求出每個(gè)粒子的適應(yīng)度值[10]。第i個(gè)粒子的速度為Vi=(Vi1,Vi2,…,ViD)T,其個(gè)體極值為Pi=(Pi1,Pi2,…,PiD)T，群體極值為Pg=(Pg1,Pg2,…,PgD)T。

在每次迭代過(guò)程中，粒子通過(guò)個(gè)體極值與群體極值更新自身的速度與位置，即：

(3)

(4)

式中：ω為權(quán)重，i=1,2,…,n；d=1,2,…,D；k是當(dāng)前迭代的次數(shù)；Vid為粒子的速度；c1，c2均是非負(fù)常數(shù)；r1，r2均是[0-1]間的隨機(jī)數(shù)。

在粒子群算法進(jìn)行電梯故障診斷時(shí)，同時(shí)要調(diào)整算法的慣性權(quán)重ω，實(shí)驗(yàn)證明慣性權(quán)重ω越小，算法能更好地進(jìn)行局部搜索，ω的調(diào)整公式為：

(5)

式中：ω是[0-1]間的常數(shù) ；G為最大迭代次數(shù)；k為當(dāng)前迭代次數(shù)。

2.3　改進(jìn)粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)

由上文可知，概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快，能夠用線性方法解決非線性問(wèn)題。粒子群算法沒(méi)有選擇、交叉、變異等復(fù)雜的步驟，使概率神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果更加精確。本文用改進(jìn)的粒子群算法對(duì)概率神經(jīng)網(wǎng)絡(luò)的平滑因子進(jìn)行優(yōu)化，優(yōu)化后的網(wǎng)絡(luò)具有良好的故障診斷能力。具體步驟如下：

1)設(shè)定網(wǎng)絡(luò)的輸入與輸出數(shù)據(jù)，輸入數(shù)據(jù)為圖1所示電路中5個(gè)電壓檢測(cè)點(diǎn)的電壓信號(hào)，輸出數(shù)據(jù)為故障類(lèi)型。

2)設(shè)置粒子群算法的參數(shù)，將概率網(wǎng)絡(luò)的平滑因子作為種群粒子，設(shè)置迭代次數(shù)為300次，種群規(guī)模為20，關(guān)于參數(shù)c1，c2的設(shè)定根據(jù)文獻(xiàn)[11]～[14]進(jìn)行設(shè)定，結(jié)合本文中電梯故障診斷實(shí)例，設(shè)定：c1=c2=1.494 45[11-14]。

3)對(duì)粒子的位置與速度進(jìn)行初始化操作。

4)計(jì)算粒子的適應(yīng)度的值，本文以概率神經(jīng)網(wǎng)絡(luò)的輸出誤差作為適應(yīng)度函數(shù)。

5)若某1粒子的適應(yīng)度優(yōu)于以前任一時(shí)刻的適應(yīng)度，則以該適應(yīng)度作為該粒子的個(gè)體極值；若該粒子的適應(yīng)度值優(yōu)于以前任一時(shí)刻所有粒子的值，則將該粒子作為群體極值。

6)更新粒子的位置與速度，更新位置與速度的公式已由式(3)，(4)給出，并采用自適應(yīng)操作，按照式(5)對(duì)算法的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整。

7)對(duì)是否達(dá)到結(jié)束條件(達(dá)到最大迭代次數(shù)或誤差小于預(yù)定誤差)進(jìn)行判斷，若已達(dá)到，算法停止，輸出最優(yōu)結(jié)果；若沒(méi)有達(dá)到結(jié)束條件，返回第4)步繼續(xù)進(jìn)行優(yōu)化操作。

3　實(shí)例分析

3.1　系統(tǒng)輸入與輸出

通過(guò)故障樹(shù)分析方法，采集圖1中的a，b，c 3個(gè)采樣點(diǎn)以及U1，U2的電壓信號(hào)，根據(jù)電壓信號(hào)是否為零，按圖2進(jìn)行檢索，得到各種故障情況下對(duì)應(yīng)的電壓信號(hào)，將其作為粒子群算法優(yōu)化后的概率神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。共檢測(cè)得到300組數(shù)據(jù)，選取其中的250組數(shù)據(jù)作為訓(xùn)練樣本，剩下的50組數(shù)組作為測(cè)試數(shù)據(jù)。網(wǎng)絡(luò)的輸出為正常情況和5種故障類(lèi)型，輸出的故障類(lèi)型與對(duì)應(yīng)的輸出值如表1所示。

3.2　系統(tǒng)仿真

通過(guò)采集圖1中的a，b，c 3個(gè)采樣點(diǎn)以及U1、U2的電壓信號(hào)，將所采集的電壓信號(hào)進(jìn)行歸一化處理。神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)采用由故障樹(shù)法得到的圖1中電壓測(cè)

試點(diǎn)a，b，c，U1、U2的電壓信號(hào)，輸出數(shù)據(jù)表示故障類(lèi)型。在MATLAB 2014中進(jìn)行仿真實(shí)驗(yàn)，用相對(duì)誤差對(duì)預(yù)測(cè)效果進(jìn)行評(píng)估，得到預(yù)測(cè)結(jié)果，如圖4所示,仿真結(jié)果比較如表2所示。

表1　故障類(lèi)型與對(duì)應(yīng)輸出值

圖4　系統(tǒng)預(yù)測(cè)輸出的相對(duì)誤差Fig.4　Relative error of the predicted output

表2　模型預(yù)測(cè)結(jié)果比較

由表2可知，使用改進(jìn)后的粒子群算法對(duì)概率神經(jīng)網(wǎng)絡(luò)的平滑因子進(jìn)行優(yōu)化后，在各種故障類(lèi)型的輸出、相對(duì)誤差以及最大相對(duì)誤差等方面，均優(yōu)于傳統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)模型和基本粒子群優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)模型，各種指標(biāo)均與實(shí)際非常接近，準(zhǔn)確度高，這主要是因?yàn)楦怕噬窠?jīng)網(wǎng)絡(luò)過(guò)程簡(jiǎn)單、收斂速度快，同時(shí)使用改進(jìn)的粒子群算法對(duì)網(wǎng)絡(luò)的平滑因子進(jìn)行了優(yōu)化。

4　結(jié)論

1)將故障樹(shù)法、概率神經(jīng)網(wǎng)絡(luò)和改進(jìn)的粒子群算法三者結(jié)合，用于電梯的故障診斷。以電梯安全回路系統(tǒng)為例所建立的電梯故障診斷預(yù)測(cè)模型在訓(xùn)練數(shù)據(jù)較少時(shí)也能保持較好的預(yù)測(cè)效果。改進(jìn)粒子群算法優(yōu)化的PNN網(wǎng)絡(luò)在訓(xùn)練速度、準(zhǔn)確率等方面都要優(yōu)于傳統(tǒng)的PNN網(wǎng)絡(luò)和標(biāo)準(zhǔn)粒子群算法優(yōu)化的PNN網(wǎng)絡(luò)。

2)將本文中所用方法應(yīng)用于電梯其他部位的故障診斷，如：選向系統(tǒng)故障和樓層系統(tǒng)故障等，將是今后研究的重點(diǎn)方向之一。

[1]張莉，武昌俊，余丙榮，等．基于遺傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷分析[J]．北華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，13(2)：236-240．

ZHANG Li, WU Changjun,Yu Bingrong,et al. Elevator fault diagnosis based on genetic wavelet neural network[J]. Journal of Beihua University (Natural), 2012,13(2): 236-240.

[2]蔣華安. 西門(mén)子可編程控制器在電梯遠(yuǎn)程監(jiān)控系統(tǒng)中的應(yīng)用[J]. 國(guó)內(nèi)外機(jī)電一體化技術(shù), 2002(6):47-48.

JIANG Huaan. Application of programmable logic controller in elevator remote monitoring system[J]. Mechatronics Technology at Home and Abroad, 2002(6): 47-48.

[3]楊洋．電梯控制系統(tǒng)故障診斷專(zhuān)家系統(tǒng)的研究[D]．杭州：浙江工業(yè)大學(xué)，2003．

[4]馮鑫，夏洪山，馮月貴，等．基于遺傳神經(jīng)網(wǎng)絡(luò)的電梯故障診斷技術(shù)研究[J]．起重運(yùn)輸機(jī)械，2017(1)：28-32．

FENG Xin,XIA Hongshan,FENG Yuegui, et al.Study on elevator fault diagnosis technology based on genetic neural network[J]. Hoisting and Conveying Machinery, 2017(1): 28-32.

[5]宗群，李光宇，郭萌．基于故障樹(shù)的電梯故障診斷專(zhuān)家系統(tǒng)設(shè)計(jì)[J]．控制工程，2013，20(2)：305-308．

ZONG Qun,LI Guangyu,GUO Meng.Design of elevator fault diagnosis expert system based on fault tree[J]. Control Engineering, 2013,20(2): 305-308.

[6]李元貴，樂(lè)洋．專(zhuān)家系統(tǒng)在電梯故障診斷中的應(yīng)用[J]．河海大學(xué)常州分校學(xué)報(bào)，2006，20(2)：50-52．

LI Yuangui,LE Yang. Application of expert system in elevator fault diagnosis[J]. Journal of Hehai University(Changzhou Campus), 2006, 20(2): 50-52.

[7]杜碧華，張思宇，楊順坤，等．基于故障樹(shù)分析電梯門(mén)系統(tǒng)故障[J]．設(shè)備管理與維修，2015(3)：27-28．

DU Bihua,ZHANG Siyu, YANG Shunkun,et al. Fault tree analysis of elevator door system[J]. Equipment Management and Maintenance, 2015(3): 27-28.

[8]彭鐘華．基于遺傳算法優(yōu)化PNN的短期負(fù)荷預(yù)測(cè)[J]．電氣開(kāi)關(guān)，2017，55(1)：49-51, 56．

PENG Zhonghua.Short term load forecasting based on genetic algorithm optimization[J]. PNN Electric Switch, 2017,55(1): 49-51,56.

[9]韓月嬌. 粒子群算法的改進(jìn)及其在BP神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[D]. 南昌航空大學(xué), 2012.

HAN Yuejiao. Improvement of particle swarm optimization and its application in BP neural networks [D]. Nanchang University of Aeronautics, 2012.

[10]郭文忠. 離散粒子群優(yōu)化算法及其應(yīng)用[M].北京：清華大學(xué)出版社, 2012.

[11]王小川，史峰，郁磊．MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]．北京：北京航空航天大學(xué)出版社，2013．

[12]李佳琪, 王曉紅, 孫軍. 粒子群算法參數(shù)選擇對(duì)動(dòng)壓滑動(dòng)軸承優(yōu)化設(shè)計(jì)的影響[J]. 機(jī)械設(shè)計(jì), 2014(3):55-59.

LI Jiaqi,WANG Xiaohong,SUN Jun. Influence of parameter selection of particle swarm optimization algorithm on optimal design of hydrodynamic journal bearings[J]. Mechanical Design, 2014(3): 55-59.

[13]葉小嶺，施珮，匡亮．基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的臺(tái)風(fēng)災(zāi)損預(yù)測(cè)模型研究[J]．災(zāi)害學(xué)，2013，28(4)：11-15, 21．

YE Xiaoling,SHI Pei, KUANG Liang. The typhoon disaster damage particle swarm optimization BP neural network prediction model of[J]. Based on Disaster Science, 2013, 28(4): 11-15,21.

[14]王炳萱，李國(guó)勇，王艷暉．基于LM-PSO算法和BP神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)控制[J]．太原理工大學(xué)學(xué)報(bào)，2016，47(2)：207-211．

WANG Bingxuan, LI Guoyong, WANG Yanhui. Nonlinear predictive control based on LM-PSO algorithm and BP neural network[J]. Journal of Taiyuan University of Technology,2016,47(2):207-211.