基于FOA優化貝葉斯網絡的高速公路機電故障預測研究

李 俊

(貴州中南交通科技有限公司，貴州 貴陽 561000)

基于FOA優化貝葉斯網絡的高速公路機電故障預測研究

李 俊

(貴州中南交通科技有限公司，貴州 貴陽 561000)

利用果蠅優化算法的快速搜索能力和全局最優能力，結合貝葉斯網絡的結構特點，運用果蠅優化算法優化貝葉斯網絡結構，提出一種基于果蠅優化算法優化貝葉斯網絡的高速公路機電設備故障預測研究。

果蠅優化算法；貝葉斯網絡；高速公路；機電故障；數據預處理

1 果蠅優化算法

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

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

(2)根據公式(1)和(2)計算果蠅個體尋優的隨機方向和距離；

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分別表示果蠅個體的下一時刻的位置。

(3)根據公式(3)估計果蠅個體和原點之間的距離di，之后通過公式(4)計算果蠅個體的味道濃度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，計算出該果蠅個體當前位置的味道濃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，同時果蠅群體向最佳位置方向搜索；

(7)進入迭代尋優，重復迭代步驟(2)-(5)，同時判斷味道濃度是否好于前一迭代味道濃度；若成立，則執行步驟(6)。

2 貝葉斯網絡

對于一組變量X={X1,X2,…,Xn}，對每個變量賦予一個特定值{x1,x2,…,xn}，parents(xi)表示xi的父節點集合，則其聯合概率密度可由公式(6)表示：

(6)

圖1表示一個典型的貝葉斯網絡，其中每個節點表示相應的變量。

圖1 典型的貝葉斯網絡

假設h的先驗概率P(h)和訓練數據D的先驗概率P(D)，假設h成立時D的條件概率P(D|h)，那么給定D時，假設h的后驗概率可由公式(7)表示：

(7)

由公式(7)可知，若要實現貝葉斯網絡推理，前提條件是要給出許多先驗概率。

3 基于FOA優化貝葉斯網絡的高速公路機電故障預測

3.1 適應度函數

由于貝葉斯網絡需要優化的參數為權值和閥值，在確保高速公路機電設備故障預測誤差最低的情況下，其適應度函數為：

(8)

3.2 基于FOA優化貝葉斯網絡的高速公路機電故障預測

基于FOA優化貝葉斯網絡的高速公路機電故障預測算法流程如下：

Step1：歸一化高速公路機電故障數據；

Step2：設定FOA算法的最大迭代次數，種群大小；

Step3：將構建出的訓練樣本輸入貝葉斯網絡，運用公式(8)計算果蠅個體的適應度函數值，尋找果蠅個體和全局最優果蠅的位置和最優值；

Step4：果蠅速度和位置的更新；

Step5：計算評估適應度大小并更新果蠅個體的位置和速度；

Step6：若，保存最優解；反之，轉到Step4；

Step7：根據果蠅個體的最優位置所對應的最優參數，實現高速公路機電設備故障的預測。

4 實證分析

4.1 數據預處理

為避免貝葉斯網絡處理不同數量級原始數據出現計算不平衡，同時降低算法計算復雜度，提高貝葉斯網絡的性能，歸一化處理公式如下：

(9)

圖2 高速公路機電設備故障數據歸一化結果圖

4.2 實證結果

將采集到的205組高速公路機電設備故障數據分為兩個部分，前140組樣本數據作為訓練集，后65組樣本數據作為測試集，詳細數據如表1所示。

表1 高速公路機電故障樣本數據分布情況

續表1

圖3 貝葉斯預測結果

圖4 FOA優化貝葉斯預測結果

方法FOA優化貝葉斯貝葉斯SVMBP錯判個數3469準確性95.38%93.84%90.71%86.15%

由預測結果圖3、圖4和表2不同方法的對比結果可知，FOA優化貝葉斯、貝葉斯和SVM都較BP提高了高速公路機電故障預測的準確性。通過對比發現，本文算法可以有效提高高速公路機電設備故障預測的準確率。

5 結 論

隨著高速公路機電設備故障幾率也大幅攀升，如何實現高速公路機電設備故障的精確預測，對高速公路機電設備的維護維修具有重要的實際意義。針對貝葉斯網絡進行高速公路機電設備故障預測存在預測精度低和泛化能力差的缺點，提出一種基于果蠅優化算法優化貝葉斯網絡的高速公路機電設備故障預測研究。通過FOA優化貝葉斯、貝葉斯、SVM和 BP4種高速公路機電故障預測方法的對比發現，本文算法可以有效提高高速公路機電設備故障預測的準確率。

[1] 劉明珍.粒子群優化支持向量機的機電故障模型評估[J].計算機工程與應用，2012,48(35)：71-74.

[2] 孫蘭蘭,宋雯斐. CPSO 和 LSSVM 融合的機電故障評估[J].計算機工程與應用，2013,49(9)：90-93.

2016-08-11

U492

C

1008-3383(2017)03-0200-02