基于GA-PNN的导弹地面装备机电产品故障诊断方法和系统与流程

基于ga-pnn的导弹地面装备机电产品故障诊断方法和系统
技术领域
1.本发明涉及故障诊断技术领域，具体地，涉及基于ga-pnn的导弹地面装备机电产品故障诊断方法和系统。尤其是一种基于ga-pnn的导弹地面装备机电产品多维特征向量筛选的技术方案。


背景技术：

2.当前武器装备大都存在故障诊断时间长、对机电产品的故障诊断研究不足等问题。其中油机电站作为武器系统的主要组成部分，其可靠性关系整个武器系统作战任务的成败，其运行状态直接影响到整个装备的工作状态，一旦油机电站发生故障就可能造成任务失败。目前，对油机进行故障诊断存在一定的困难，主要原因在于油机电站振动激励源较多，各激励源相互影响，增加了油机电站在线识别的难度。
3.专利文献cn105973584a公开了一种小波包频域信号流形学习故障诊断方法，其步骤：采集旋转机械设备上的振动数据，将采集的振动数据进行n层小波包分解，生成2n个分量时域信号；对分解产生的各分量时域信号进行希尔伯特包络解调处理后，提取调制信号；对解调信号进行fir滤波处理；以低采样频率对各分量时域信号进行重采样降低数据长度；对各分层重采样数据进行自相关计算并归一化形成自相关系数；对各分量归一化后的自相关系数值计算功率谱，采用设定阈值对功率谱数据进行阈值处理，将经过阈值处理后的功率谱数据形成高维数据向量；对高维数据向量进行降维处理，将各分量功率谱数据组合形成l
×
2n维矩阵，最终形成2维或3维流形，通过流形结果判断旋转机械设备的故障状态。
4.虽然传统的频域分析方法在特定条件下或对某些故障特征的提取有一定的效果，但该方法仅适用于平稳信号处理的分析方法；传统的谱分析方法处理非平稳振动信号只能得到近似的结果，诊断故障的精度不高。因此，为确保设备正常运行、减少设备维修费用，提高装备任务完好性，必须进行故障诊断分析。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种基于ga-pnn的导弹地面装备机电产品故障诊断方法和系统。
6.根据本发明提供的一种基于ga-pnn的导弹地面装备机电产品故障诊断方法，包括：
7.步骤s1：采集导弹地面装备机电产品不同故障状态下的故障样本数据；
8.步骤s2：计算故障样本数据中不同故障状态的振动数据的特征向量，并组成多维特征向量数据集；
9.步骤s3：根据所述多维特征向量数据集得到训练集；
10.步骤s4：利用ga-pnn搭建仿真模型，并设置适应度函数；
11.步骤s5：将训练集输入仿真模型进行训练，以适应度函数作为下一代被选择的参考，筛选出最优的特征向量；
12.步骤s6：将最优的特征向量输入优化概率神经网络；
13.步骤s7：利用优化后的概率神经网络，对导弹地面装备机电产品进行故障诊断。
14.优选地，在所述步骤s1中，采用故障样本数据(zi,δi)；
15.zi表示机电产品第i种故障状态在运行过程中的振动数据；
16.δi表示机电产品第i种故障状态的故障位置和/或故障类型。
17.优选地，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量优选地，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量组成一个多维特征向量数据集；
18.均值：
19.xi表示第i种故障状态下的不同采集数据点的值；
20.n表示数据采样点数；
21.峰值：peak＝max|xi|
22.峭度：
23.均方根：
24.偏度：
25.峰值因子：
26.裕度因子：
27.波形因子：
28.脉冲因子：
29.峭度因子：
30.优选地，在所述步骤s3中，
31.将所述多维特征向量数据集中预设比例的数据集作为训练集x
train
，剩余的数据集作为测试集x
test
。
32.优选地，在所述步骤s5中，
33.步骤s5.1：将染色体的编码长度定为多维特征向量数据集的维度，染色体的编码的取值都定为1或0，1代表是，0代表非；判定特征能有效表征故障类别就定为1，不能有效表征故障类别就定为0；判定为1的特征用作故障诊断输入，判定为0的特征将被舍弃；
34.步骤s5.2：引入适应度函数，以此来衡量每个个体在目标最优解的接近程度，每个个体的遗传变异也是根据该个体适应度大小来进行，选用ga-pnn的输出结果和实际结果的均方误差倒数作为适应度函数f(x)，表达式如下：
[0035][0036]
se表示均方误差；
[0037]
x表示特征向量；
[0038]g′
＝(g
′1,g
′2,g
′3,g
′4)为ga-pnn的输出结果；
[0039]
g＝(g1,g2,g3,g4)为测试集的真实结果；
[0040]
步骤5.3：应用适应度函数值作为遗传给下一代的参考，选择单个个体占所有个体的适应度比例作为下一代被选择的概率，计算所有个体的适应度和s：
[0041][0042]
xi表示第此种故障状态下振动数据对应的第i个特征向量；
[0043]
步骤s5.4：计算种群个体的归一化适应度值
[0044][0045]gi
表示第i个特征向量的适应度；
[0046]
步骤s5.5：在对特征向量的筛选和神经网络参数优化中，寻优的过程需要对编码的个体进行交叉计算，随机选取编码中的一个点作为交叉点，用此种方式进行第k代、第k+1代这两个群体的更新：
[0047]
步骤s5.6：在遗传算法中变异操作，一般设置的变异概率在0.1左右，这是更新个体的关键，变异是将原来1变为0，或者0变为1，对概率神经网络的spread优化采用均匀变化的方式。
[0048]
根据本发明提供的一种基于ga-pnn的导弹地面装备机电产品故障诊断系统，包括：
[0049]
模块m1：采集导弹地面装备机电产品不同故障状态下的故障样本数据；
[0050]
模块m2：计算故障样本数据中不同故障状态的振动数据的特征向量，并组成多维特征向量数据集；
[0051]
模块m3：根据所述多维特征向量数据集得到训练集；
[0052]
模块m4：利用ga-pnn搭建仿真模型，并设置适应度函数；
[0053]
模块m5：将训练集输入仿真模型进行训练，以适应度函数作为下一代被选择的参考，筛选出最优的特征向量；
[0054]
模块m6：将最优的特征向量输入优化概率神经网络；
[0055]
模块m7：利用优化后的概率神经网络，对导弹地面装备机电产品进行故障诊断。
[0056]
优选地，在所述模块m1中，采用故障样本数据(zi,δi)；
[0057]
zi表示机电产品第i种故障状态在运行过程中的振动数据；
[0058]
δi表示机电产品第i种故障状态的故障位置和/或故障类型。
[0059]
优选地，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量优选地，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量组成一个多维特征向量数据集；
[0060]
均值：
[0061]
xi表示第i种故障状态下的不同采集数据点的值；
[0062]
n表示数据采样点数；
[0063]
峰值：peak＝max|xi|
[0064]
峭度：
[0065]
均方根：
[0066]
偏度：
[0067]
峰值因子：
[0068]
裕度因子：
[0069]
波形因子：
[0070]
脉冲因子：
[0071]
峭度因子：
[0072]
优选地，在所述模块m3中，
[0073]
将所述多维特征向量数据集中预设比例的数据集作为训练集x
train
，剩余的数据集作为测试集x
test
。
[0074]
优选地，在所述模块m5中，
[0075]
模块m5.1：将染色体的编码长度定为多维特征向量数据集的维度，染色体的编码的取值都定为1或0，1代表是，0代表非；判定特征能有效表征故障类别就定为1，不能有效表
征故障类别就定为0；判定为1的特征用作故障诊断输入，判定为0的特征将被舍弃；
[0076]
模块m5.2：引入适应度函数，以此来衡量每个个体在目标最优解的接近程度，每个个体的遗传变异也是根据该个体适应度大小来进行，选用ga-pnn的输出结果和实际结果的均方误差倒数作为适应度函数f(x)，表达式如下：
[0077][0078]
se表示均方误差；
[0079]
x表示特征向量；
[0080]g′
＝(g
′1,g
′2,g
′3,g
′4)为ga-pnn的输出结果；
[0081]
g＝(g1,g2,g3,g4)为测试集的真实结果；
[0082]
步骤5.3：应用适应度函数值作为遗传给下一代的参考，选择单个个体占所有个体的适应度比例作为下一代被选择的概率，计算所有个体的适应度和s：
[0083][0084]
xi表示第此种故障状态下振动数据对应的第i个特征向量；
[0085]
模块m5.4：计算种群个体的归一化适应度值
[0086][0087]gi
表示第i个特征向量的适应度；
[0088]
模块m5.5：在对特征向量的筛选和神经网络参数优化中，寻优的过程需要对编码的个体进行交叉计算，随机选取编码中的一个点作为交叉点，用此种方式进行第k代、第k+1代这两个群体的更新：
[0089]
模块m5.6：在遗传算法中变异操作，一般设置的变异概率在0.1左右，这是更新个体的关键，变异是将原来1变为0，或者0变为1，对概率神经网络的spread优化采用均匀变化的方式。
[0090]
与现有技术相比，本发明具有如下的有益效果：
[0091]
1、本发明提出多特征向量筛选方法，采用遗传算法(ga)对多特征向量进行筛选、对概率神经网络(pnn)模型进行优化，实现机电产品故障的精确诊断。
[0092]
2、本发明对于机电产品多维特征筛选更加精确高效，能够很好地解决机电产品故障诊断设置最有效特征向量的问题。
[0093]
3、本发明将筛选出来的油机特征向量输入优化概率神经网络中，优化后的准确率显著提升，且建模时间大为缩短，优化的诊断模型性能得到很大提升。
附图说明
[0094]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0095]
图1为本发明的方法流程示意图。
[0096]
图2为不同算法参数优化迭代过程。
[0097]
图3为pnn和ga-pnn诊断效果对比图。
[0098]
图4为遗传算法交叉示意图。
[0099]
图5为遗传算法变异示意图。
具体实施方式
[0100]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0101]
如附图1所示，本发明提供的一种基于ga-pnn的导弹地面装备机电产品故障诊断方法，包括：
[0102]
步骤s1：采集导弹地面装备机电产品不同故障状态下的故障样本数据；具体为采集导弹地面装备机电产品不同故障状态的振动数据,并确定标记好振动数据对应的故障类别；故障样本数据(zi,δi)；zi表示机电产品第i种故障状态在运行过程中的振动数据；δi表示机电产品第i种故障状态的故障位置和/或故障类型。δi＝(0、
…
、0、1)时，即1在第最后一位表示正常数据，其它情况下表示某机电产品的第i型故障数据。
[0103]
步骤s2：计算故障样本数据中不同故障状态的振动数据的特征向量(如时频域特征、能量熵、排列熵等)，并组成多维特征向量数据集。具体地，选择固定的采集点数；依据不同的特征值计算方法，计算不同故障状态的振动数据的特征值组成特征向量。
[0104]
步骤s3：将所述多维特征向量数据集分为训练集和测试集；
[0105]
步骤s4：利用ga-pnn搭建仿真模型，并设置适应度函数；具体地，引入适应度函数，以此来衡量每个个体在目标最优解的接近程度，每个个体的遗传变异也是根据其适应度大小来进行，适应度高的个体就有很大可能性影响到下一代，我们选用概率神经网络的输出结果和实际结果的均方误差倒数作为适应度函数。个体进行选择采用轮盘赌选择法，随机产生一个0-1的数，对应个体的适应度值越大，被选择的概率就会越大。轮盘赌选择法，即roulette wheel selection。
[0106]
步骤s5：将训练集输入仿真模型进行训练，以适应度函数作为下一代被选择的参考，筛选出最优的特征向量；通过将最优的特征向量作为仿真模型输入进行验证，验证结果显示本发明能够提升故障诊断精确性；例如，将训练集输入ga-pnn仿真模型进行训练，以适应度函数作为下一代被选择的参考，筛选出最优的特征向量编号ns＝(n1、n2、n3、
…
、ns)；根据最优的特征向量编号ns＝(n1、n2、n3、
…
、ns)，找到最优多特征向量xs＝(x1、x2、x3、
…
、xs)；将对应编号的测试集特征向量xs＝(x1、x2、x3、
…
、xs),作为仿真模型输入，并和未筛选特征诊断精确度进行对比，得到验证结果。
[0107]
在对故障特征向量的筛选和神经网络参数优化中，寻优的过程需要对编码的个体进行交叉计算，随机选取编码中的一个点作为交叉点，用此种方式进行两个群体的更新，具体的示意图如图4所示。
[0108]
在遗传算法中变异操作，一般设置的变异概率在0.1左右，这是更新个体的关键，变异是将原来“1”变为“0”，或者“0”变为“1”，对概率神经网络的spread优化采用均匀变化的方式，寻找它的最佳值具体示意图如图5所示：
[0109]
步骤s6：将最优的特征向量输入优化概率神经网络；
[0110]
步骤s7：利用优化后的概率神经网络，对导弹地面装备机电产品进行故障诊断。
[0111]
下面，结合实际案例，对本发明进行更为具体的说明。
[0112]
上述步骤s1中，以油机电站的发动机为例，分别收集的正常z1、进气门间隙异常z2、供油异常z3等三种不同故障状态样本数据。
[0113]
上述步骤s2中，每条数据选择10240个采集点，依据时频域、多尺度排列熵、能量熵等特征值计算方法，计算不同故障状态的振动数据的特征值组成特征向量，得到一个多维特征向量数据集xi，共计240组36维多特征向量。
[0114][0115][0116]
上述步骤s4中，将计算的多维特征数据集xi分为训练集和测试集，随机选择其中210组数据集作为训练集x
train
，剩余的30组数据集作为测试集x
test
；
[0117]
上述步骤s5中，利用遗传算法和概率神经网络(ga-pnn)搭建仿真模型，并设置适应度函数；ga-pnn是指，遗传算法(genetic algorithm,ga)优化的概率神经网络(probabilistic neural network,pnn)。
[0118]
对油机特征向量进行筛选，采用时域参数加上相关imf分量的多尺度排列熵和imf分量的能量熵共计36个，将染色体的编码长度定为36，其取值都定为“1”或“0”，1代表“是”，“0”代表非，就是系统判定某个油机特征能有效表征油机故障类别就定为“1”，不能有效表征轴承故障类别就定为“0”，判定为“1”的特征就会被用作油机故障诊断系统的搭建，判定为“0”的特征将被舍弃。选取概率神经网络参数spread值为1.5，在pnn之下再进行多故障特征向量的筛选，将待测轴承数据的均方误差倒数作为适应度函数，种群设置为20，代数为100。通过ga-pnn仿真模型筛选出最优特征编号：1、4、6、8、9、11、12、13、17、18、20、21、22、25、28、30。
[0119]
经过试验分析，油机在不同故障状态下的时域参数、不同分解层次的多尺度排列熵以及imf分量能量熵的分离能力各不相同，大部分特征对故障的分离能力较好，一部分的特征向量对故障的表征能力一般，有的特征对故障的表征能力比较差，产生了严重的混叠现象。
[0120]
表1多特征向量分离能力
[0121]
特征向量分离性特征向量分离性特征向量分离性峰值好m3好m15好峭度一般m4一般m16一般均值一般m5一般m17一般均方根好m6一般m18好偏度一般m7好e1一般峰值因子好m8好e2好裕度因子一般m9一般e3一般波形因子好m10好e4一般脉冲因子好m11好e5一般峭度因子一般m12好e6一般m1好m13一般e7一般m2好m14一般e8一般
[0122]
上述步骤s5中，将200组训练集输入ga-pnn仿真模型进行训练，油机不同状态类别标记为1、2、3、4，第1-36列为36个多特征向量，前1-10列为时域参数，11-28列为多尺度排列熵、29-36列为能量熵。在相同条件下基于ga优化pnn混合模型进行36个多特征向量的筛选，以及最优化条件下的诊断测试分析。
[0123]
ga-pnn筛选特征向量结果为：
[0124]
试验条件为
[0125]
总数:240进气门:80供油故障:80正常:80
[0126]
训练集总数:210进气门:70供油故障:70正常:70
[0127]
测试集总数:30进气门:10供油故障:10正常:10
[0128]
(1)pnn网络的测试结果为:
[0129]
进气门确定:10进气门误判:0识别率p1＝:100％
[0130]
供油故障确定:9供油故障误判:1识别率p2＝:90％
[0131]
正常确定:9正常误判:1识别率p4＝:90％
[0132]
建模时间:4.212s
[0133]
优化筛选后的输入自变里编号为:1468911 12 13 17 18 2021 22 25 2830
[0134]
(2)pnn网络的测试结果为:
[0135]
进气门确定:10进气门误判:0识别率p1＝:100％
[0136]
供油故障确定:10供油工作误判:0识别率p2＝:100％
[0137]
正常确定:10正常误判:0识别率p4＝:100％
[0138]
建模时间:0.468s
[0139]
》》
[0140]
从上述ga-pnn筛选特征向量结果可以看出在40个测试样本中，普通pnn有4个识别错误，识别准确率为90％，模型建立花费4.212秒，筛选出来的特征向量编号为1、4、6、8、9、11、12、13、17、18、20、21、22、25、28、30，共计16个特征。将筛选出来的油机特征向量输入优化概率神经网络中，优化后的准确率显著提升，且建模时间仅为0.468秒，优化的诊断模型性能得到很大提升，具体详见附图2和图3。
[0141]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
[0142]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种基于ga-pnn的导弹地面装备机电产品故障诊断方法，其特征在于，包括：步骤s1：采集导弹地面装备机电产品不同故障状态下的故障样本数据；步骤s2：计算故障样本数据中不同故障状态的振动数据的特征向量，并组成多维特征向量数据集；步骤s3：根据所述多维特征向量数据集得到训练集；步骤s4：利用ga-pnn搭建仿真模型，并设置适应度函数；步骤s5：将训练集输入仿真模型进行训练，以适应度函数作为下一代被选择的参考，筛选出最优的特征向量；步骤s6：将最优的特征向量输入优化概率神经网络；步骤s7：利用优化后的概率神经网络，对导弹地面装备机电产品进行故障诊断。2.根据权利要求1所述的基于ga-pnn的导弹地面装备机电产品故障诊断方法，其特征在于，在所述步骤s1中，采用故障样本数据(z
i
，δ
i
)；z
i
表示机电产品第i种故障状态在运行过程中的振动数据；δ
i
表示机电产品第i种故障状态的故障位置和/或故障类型。3.根据权利要求1所述的基于ga-pnn的导弹地面装备机电产品故障诊断方法，其特征在于，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量在于，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量组成一个多维特征向量数据集；均值：x
i
表示第i种故障状态下的不同采集数据点的值；n表示数据采样点数；峰值：peak＝max|x
i
|峭度：均方根：偏度：峰值因子：裕度因子：波形因子：
脉冲因子：峭度因子：4.根据权利要求1所述的基于ga-pnn的导弹地面装备机电产品故障诊断方法，其特征在于，在所述步骤s3中，将所述多维特征向量数据集中预设比例的数据集作为训练集x
train
，剩余的数据集作为测试集x
test
。5.根据权利要求1所述的基于ga-pnn的导弹地面装备机电产品故障诊断方法，其特征在于，在所述步骤s5中，步骤s5.1：将染色体的编码长度定为多维特征向量数据集的维度，染色体的编码的取值都定为1或0，1代表是，0代表非；判定特征能有效表征故障类别就定为1，不能有效表征故障类别就定为0；判定为1的特征用作故障诊断输入，判定为0的特征将被舍弃；步骤s5.2：引入适应度函数，以此来衡量每个个体在目标最优解的接近程度，每个个体的遗传变异也是根据该个体适应度大小来进行，选用ga-pnn的输出结果和实际结果的均方误差倒数作为适应度函数f(x)，表达式如下：se表示均方误差；x表示特征向量；g'＝(g
′1,g
′2,g
′3,g
′4)为ga-pnn的输出结果；g＝(g1,g2,g3,g4)为测试集的真实结果；步骤5.3：应用适应度函数值作为遗传给下一代的参考，选择单个个体占所有个体的适应度比例作为下一代被选择的概率，计算所有个体的适应度和s：x
i
表示第此种故障状态下振动数据对应的第i个特征向量；步骤s5.4：计算种群个体的归一化适应度值g
i
表示第i个特征向量的适应度；步骤s5.5：在对特征向量的筛选和神经网络参数优化中，寻优的过程需要对编码的个体进行交叉计算，随机选取编码中的一个点作为交叉点，用此种方式进行第k代、第k+1代这两个群体的更新：步骤s5.6：在遗传算法中变异操作，一般设置的变异概率在0.1左右，这是更新个体的关键，变异是将原来1变为0，或者0变为1，对概率神经网络的spread优化采用均匀变化的方
式。6.一种基于ga-pnn的导弹地面装备机电产品故障诊断系统，其特征在于，包括：模块m1：采集导弹地面装备机电产品不同故障状态下的故障样本数据；模块m2：计算故障样本数据中不同故障状态的振动数据的特征向量，并组成多维特征向量数据集；模块m3：根据所述多维特征向量数据集得到训练集；模块m4：利用ga-pnn搭建仿真模型，并设置适应度函数；模块m5：将训练集输入仿真模型进行训练，以适应度函数作为下一代被选择的参考，筛选出最优的特征向量；模块m6：将最优的特征向量输入优化概率神经网络；模块m7：利用优化后的概率神经网络，对导弹地面装备机电产品进行故障诊断。7.根据权利要求6所述的基于ga-pnn的导弹地面装备机电产品故障诊断系统，其特征在于，在所述模块m1中，采用故障样本数据(z
i
，δ
i
)；z
i
表示机电产品第i种故障状态在运行过程中的振动数据；δ
i
表示机电产品第i种故障状态的故障位置和/或故障类型。8.根据权利要求6所述的基于ga-pnn的导弹地面装备机电产品故障诊断系统，其特征在于，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量在于，在所述步骤2中，计算不同故障状态的振动数据的特征值组成特征向量组成一个多维特征向量数据集；均值：x
i
表示第i种故障状态下的不同采集数据点的值；n表示数据采样点数；峰值：peak＝max|x
i
|峭度：均方根：偏度：峰值因子：裕度因子：
波形因子：脉冲因子：峭度因子：9.根据权利要求6所述的基于ga-pnn的导弹地面装备机电产品故障诊断系统，其特征在于，在所述模块m3中，将所述多维特征向量数据集中预设比例的数据集作为训练集x
train
，剩余的数据集作为测试集x
test
。10.根据权利要求6所述的基于ga-pnn的导弹地面装备机电产品故障诊断系统，其特征在于，在所述模块m5中，模块m5.1：将染色体的编码长度定为多维特征向量数据集的维度，染色体的编码的取值都定为1或0，1代表是，0代表非；判定特征能有效表征故障类别就定为1，不能有效表征故障类别就定为0；判定为1的特征用作故障诊断输入，判定为0的特征将被舍弃；模块m5.2：引入适应度函数，以此来衡量每个个体在目标最优解的接近程度，每个个体的遗传变异也是根据该个体适应度大小来进行，选用ga-pnn的输出结果和实际结果的均方误差倒数作为适应度函数f(x)，表达式如下：se表示均方误差；x表示特征向量；g'＝(g
′1,g
′2,g
′3,g
′4)为ga-pnn的输出结果；g＝(g1,g2,g3,g4)为测试集的真实结果；步骤5.3：应用适应度函数值作为遗传给下一代的参考，选择单个个体占所有个体的适应度比例作为下一代被选择的概率，计算所有个体的适应度和s：x
i
表示第此种故障状态下振动数据对应的第i个特征向量；模块m5.4：计算种群个体的归一化适应度值g
i
表示第i个特征向量的适应度；模块m5.5：在对特征向量的筛选和神经网络参数优化中，寻优的过程需要对编码的个
体进行交叉计算，随机选取编码中的一个点作为交叉点，用此种方式进行第k代、第k+1代这两个群体的更新：模块m5.6：在遗传算法中变异操作，一般设置的变异概率在0.1左右，这是更新个体的关键，变异是将原来1变为0，或者0变为1，对概率神经网络的spread优化采用均匀变化的方式。

技术总结
本发明提供一种基于GA-PNN的导弹地面装备机电产品故障诊断方法和系统，包括：1)采集导弹地面装备机电产品不同故障状态的振动数据；2)计算不同故障状态的振动数据的特征向量组成多维特征；3)将计算的多维特征分为训练集和测试集；4)利用GA-PNN搭建仿真模型，并设置适应度函数；5)将训练集输入仿真模型进行训练，以适应度函数作为下一代被选择的参考，筛选出最优的特征向量编号；6)将对应编号的测试集特征向量作为仿真模型输入进行验证。与传统直接将特征向量作为故障诊断输入相比，本发明对于机电产品的多维特征向量筛选的方法更加精确高效，从而能够很好地解决机电产品诊断预测的特征混叠问题。测的特征混叠问题。测的特征混叠问题。


技术研发人员：冯安安 汪溢 姚永超 龚琳舒 朱显明 王坤云 黄新华 王琳娜 诸戈 邵志江
受保护的技术使用者：上海机电工程研究所
技术研发日：2021.11.12
技术公布日：2022/3/8