基于FOA优化贝叶斯网络的高速公路机电故障预测研究

李 俊

(贵州中南交通科技有限公司，贵州 贵阳 561000)

基于FOA优化贝叶斯网络的高速公路机电故障预测研究

李 俊

(贵州中南交通科技有限公司，贵州 贵阳 561000)

利用果蝇优化算法的快速搜索能力和全局最优能力，结合贝叶斯网络的结构特点，运用果蝇优化算法优化贝叶斯网络结构，提出一种基于果蝇优化算法优化贝叶斯网络的高速公路机电设备故障预测研究。

果蝇优化算法；贝叶斯网络；高速公路；机电故障；数据预处理

1 果蝇优化算法

果蝇优化算法(Fruit Flying Optimization Algorithm, FOA)是受果蝇觅食行为启发而提出一种新的群智能算法，该算法具有控制参数少、收敛速度快的优点，其算法流程如下：

(1)初始化果蝇群体位置X_begin、Y_begin，设定果蝇群体大小popsize和最大迭代次数Iteration；

(2)根据公式(1)和(2)计算果蝇个体寻优的随机方向和距离；

xi=X_begin+Value×rand

(1)

yi=Y_begin+Value×rand

(2)

其中，Value表示果蝇的搜索距离；xi和yi分别表示果蝇个体的下一时刻的位置。

(3)根据公式(3)估计果蝇个体和原点之间的距离di，之后通过公式(4)计算果蝇个体的味道浓度si；

(3)

si=1/di

(4)

(4)味道浓度si代入公式(5)味道浓度判定函数，计算出该果蝇个体当前位置的味道浓si；

smelli=Function(si)

(5)

(5)找到果蝇群体中最佳味道浓度值和最佳位置，Smellb表示最佳味道浓度，xb和yb表示最佳位置；

(6)保留并记录果蝇最佳位置和最佳味道浓度，最佳味道浓度Smellbest=Smellb，果蝇初始位置X_begin=xb,Y_begin=yb，同时果蝇群体向最佳位置方向搜索；

(7)进入迭代寻优，重复迭代步骤(2)-(5)，同时判断味道浓度是否好于前一迭代味道浓度；若成立，则执行步骤(6)。

2 贝叶斯网络

对于一组变量X={X1,X2,…,Xn}，对每个变量赋予一个特定值{x1,x2,…,xn}，parents(xi)表示xi的父节点集合，则其联合概率密度可由公式(6)表示：

(6)

图1表示一个典型的贝叶斯网络，其中每个节点表示相应的变量。

图1 典型的贝叶斯网络

假设h的先验概率P(h)和训练数据D的先验概率P(D)，假设h成立时D的条件概率P(D|h)，那么给定D时，假设h的后验概率可由公式(7)表示：

(7)

由公式(7)可知，若要实现贝叶斯网络推理，前提条件是要给出许多先验概率。

3 基于FOA优化贝叶斯网络的高速公路机电故障预测

3.1 适应度函数

由于贝叶斯网络需要优化的参数为权值和阀值，在确保高速公路机电设备故障预测误差最低的情况下，其适应度函数为：

(8)

3.2 基于FOA优化贝叶斯网络的高速公路机电故障预测

基于FOA优化贝叶斯网络的高速公路机电故障预测算法流程如下：

Step1：归一化高速公路机电故障数据；

Step2：设定FOA算法的最大迭代次数，种群大小；

Step3：将构建出的训练样本输入贝叶斯网络，运用公式(8)计算果蝇个体的适应度函数值，寻找果蝇个体和全局最优果蝇的位置和最优值；

Step4：果蝇速度和位置的更新；

Step5：计算评估适应度大小并更新果蝇个体的位置和速度；

Step6：若，保存最优解；反之，转到Step4；

Step7：根据果蝇个体的最优位置所对应的最优参数，实现高速公路机电设备故障的预测。

4 实证分析

4.1 数据预处理

为避免贝叶斯网络处理不同数量级原始数据出现计算不平衡，同时降低算法计算复杂度，提高贝叶斯网络的性能，归一化处理公式如下：

(9)

图2 高速公路机电设备故障数据归一化结果图

4.2 实证结果

将采集到的205组高速公路机电设备故障数据分为两个部分，前140组样本数据作为训练集，后65组样本数据作为测试集，详细数据如表1所示。

表1 高速公路机电故障样本数据分布情况

续表1

图3 贝叶斯预测结果

图4 FOA优化贝叶斯预测结果

方法FOA优化贝叶斯贝叶斯SVMBP错判个数3469准确性95.38%93.84%90.71%86.15%

由预测结果图3、图4和表2不同方法的对比结果可知，FOA优化贝叶斯、贝叶斯和SVM都较BP提高了高速公路机电故障预测的准确性。通过对比发现，本文算法可以有效提高高速公路机电设备故障预测的准确率。

5 结 论

随着高速公路机电设备故障几率也大幅攀升，如何实现高速公路机电设备故障的精确预测，对高速公路机电设备的维护维修具有重要的实际意义。针对贝叶斯网络进行高速公路机电设备故障预测存在预测精度低和泛化能力差的缺点，提出一种基于果蝇优化算法优化贝叶斯网络的高速公路机电设备故障预测研究。通过FOA优化贝叶斯、贝叶斯、SVM和 BP4种高速公路机电故障预测方法的对比发现，本文算法可以有效提高高速公路机电设备故障预测的准确率。

[1] 刘明珍.粒子群优化支持向量机的机电故障模型评估[J].计算机工程与应用，2012,48(35)：71-74.

[2] 孙兰兰,宋雯斐. CPSO 和 LSSVM 融合的机电故障评估[J].计算机工程与应用，2013,49(9)：90-93.

2016-08-11

U492

C

1008-3383(2017)03-0200-02