基于改進(jìn)的粒子群優(yōu)化算法的漏磁檢測(cè)缺陷重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種漏磁檢測(cè)技術(shù),特別涉及一種基于改進(jìn)的有效群體利用策略粒子 群優(yōu)化(ImprovedEfficientPopulationUtilizationStrategyforParticleSwarm Optimization,IEPUS-PSO)算法的漏磁檢測(cè)缺陷重構(gòu)方法。
【背景技術(shù)】
[0002] 近些年來,我國經(jīng)濟(jì)不斷發(fā)展,工業(yè)規(guī)模不斷擴(kuò)大,電力生產(chǎn)已成為我國的支柱產(chǎn) 業(yè)。因此,電力設(shè)備的生產(chǎn)和維護(hù)中無損檢測(cè)技術(shù)的應(yīng)用也越來越受到關(guān)注。作為無損檢 測(cè)中最常用的一種檢測(cè)方法,漏磁檢測(cè)在鋼鐵、石油、石化等領(lǐng)域的應(yīng)用較廣泛,其主要對(duì) 鐵磁性材料表面和近表面腐蝕、裂紋、氣孔、凹坑、夾雜等缺陷的檢測(cè),也可用于鐵磁性材料 的測(cè)厚。
[0003] 缺陷輪廓重構(gòu)能更形象地表達(dá)缺陷的信息,而對(duì)于一個(gè)良好性能的漏磁重構(gòu)方 法,一個(gè)合適的前行模型是必須的,而對(duì)于一個(gè)給定前向模型的缺陷輪廓重構(gòu)可以視為一 個(gè)優(yōu)化問題,由于輪廓通常由多個(gè)均勻的離散值構(gòu)成,這就產(chǎn)生了該問題的維度,求解有這 些離散值構(gòu)成的輪廓重構(gòu)問題,相當(dāng)于求解一個(gè)高維優(yōu)化問題。
[0004] PS0作為一種強(qiáng)大的隨機(jī)進(jìn)化算法,能用于尋找復(fù)雜搜索空間中的全局最優(yōu)解, 但在求解高維實(shí)際問題時(shí)由于問題的復(fù)雜性,容易過早陷入局部最優(yōu),不能準(zhǔn)確地重構(gòu)缺 陷的真實(shí)輪廓,因此迫切需要找到一種能避免陷入局部最優(yōu)并可求解高維優(yōu)化問題的改進(jìn) PS0算法。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明是針對(duì)如何改進(jìn)策略粒子群優(yōu)化算法并將其應(yīng)用于漏磁缺陷重構(gòu)的的問 題,提出了一種基于改進(jìn)的粒子群優(yōu)化算法的漏磁檢測(cè)缺陷重構(gòu)方法,將自適應(yīng)變異因子 引入到的EPUS-PS0算法中,得到本發(fā)明的IEPUS-PS0算法,并且將IEPUS-PS0算法應(yīng)用于 漏磁檢測(cè)的缺陷重構(gòu),改進(jìn)后的算法能夠提高重構(gòu)精度并減小了計(jì)算時(shí)間。
[0006] 本發(fā)明的技術(shù)方案為:一種基于改進(jìn)的粒子群優(yōu)化算法的漏磁檢測(cè)缺陷重構(gòu)方 法,其特征在于,具體包括如下步驟:
[0007] 1):設(shè)置有效群體利用策略粒子群優(yōu)化IEPUS-PS0算法的參數(shù),包括最大迭代次 數(shù)iteration、初始粒子數(shù)目和最大粒子數(shù)目、解空間維度以及解空間范圍,粒子位置表示 缺陷的輪廓;
[0008] 2):建立適應(yīng)度函數(shù)
,其中d是粒子的維度,D為粒子的總維 度,Pd是前向模型的預(yù)測(cè)漏磁信號(hào),yd是實(shí)測(cè)漏磁信號(hào),設(shè)置迭代次數(shù)s= 1 ;
[0009] 3):判斷粒子采用搜索范圍共享策略還是解共享策略,當(dāng)激活概率Pr(s)小于一 個(gè)0到1的隨機(jī)數(shù)時(shí),則采用搜索范圍共享策略,反之則采用解共享策略,Pr(s)的公式為:
[0011] 其中iteration是最大迭代次數(shù),s是當(dāng)前迭代次數(shù);
[0012] 4):根據(jù)適應(yīng)度函數(shù)計(jì)算所有粒子的適應(yīng)度值,并更新粒子群體的當(dāng)前個(gè)體最優(yōu) 解和全局最優(yōu)解;
[0013] 5):群體管理器根據(jù)IEPUS-PS0算法對(duì)群體規(guī)模進(jìn)行調(diào)整,通過群體的全局最優(yōu) 解的適應(yīng)度值變化來有效改變粒子的數(shù)目,具體規(guī)則是:
[0014] (a)如果全局最優(yōu)解的適應(yīng)度值在連續(xù)兩次迭代中均未更新,則群體中增加一個(gè) 粒子,其位值為:
[0016] 其中aJPa2代表從當(dāng)前群體中隨機(jī)抽取兩個(gè)粒子的序號(hào),Pbestfei)和Pbest(a2) 為所抽取的兩個(gè)粒子的當(dāng)前個(gè)體最優(yōu)解,如果增加了該粒子后,粒子數(shù)目大于所設(shè)定的最 大粒子數(shù)時(shí),需要先去除一個(gè)適應(yīng)度值最差的粒子,再添加這個(gè)新的粒子;
[0017] (b)如果全局最優(yōu)解的適應(yīng)度值在連續(xù)兩次迭代中均得到更新,則說明粒子的數(shù) 目已經(jīng)足夠,則將適應(yīng)度值最差的那個(gè)粒子去除;
[0018] 6):利用變異因子對(duì)所有粒子的位置進(jìn)行擾動(dòng),變異因子的公式為:
[0019] x'』=xj+b*rand,Xy為第i個(gè)粒子的第j維的原位置,i和j分別是粒子的序 號(hào)與維度,rand為一個(gè)0到1之間的隨機(jī)數(shù),x'u為擾動(dòng)后的位置,其中b的計(jì)算公式為:
[0021] 其中fit(Xi)是第i個(gè)粒子的適應(yīng)度值,N表示群體規(guī)模;
[0022] 7):迭代次數(shù)s=s+1 ;
[0023] 8):如果迭代次數(shù)s滿足s〈iterati〇n,更新粒子群體位置,跳轉(zhuǎn)至步驟3);否則, 結(jié)束,此時(shí)全局最優(yōu)解即為所求的缺陷輪廓。
[0024] 所述步驟2)中的前向模型為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。
[0025] 所述步驟3)中搜索范圍共享策略是將單個(gè)粒子的所有維度在某一特定的解空間 內(nèi)重新設(shè)定,由解空間搜索范圍的不同分為全局模式和局部模式,在全局模式下,粒子搜索 范圍就是粒子的初始設(shè)定范圍(Xmin,X_);而在局部模式下,則從所有粒子的當(dāng)前個(gè)體最優(yōu) 解Pbest中選出最大值Pbestmax和最小值Pbestmin,組成(Pbestmin,Pbestmax),作為粒子新的 解空間;
[0026] 解共享策略的設(shè)定改變了原有粒子速度更新的單一性,計(jì)算公式如下所示:
[0028] 其中w是慣性權(quán)重,c是學(xué)習(xí)因子,r是0到1之間的隨機(jī)數(shù),a是從群體中隨機(jī)抽 取的一個(gè)粒子序號(hào),rand為一個(gè)0到1之間的隨機(jī)數(shù),Gbest為當(dāng)前迭代下的全局最優(yōu)解,i和j分別是粒子的序號(hào)與維度,PSi的公式為:
[0030] 其中D是粒子的總維度。
[0031] 本發(fā)明的有益效果在于:本發(fā)明基于改進(jìn)的粒子群優(yōu)化算法的漏磁檢測(cè)缺陷重構(gòu) 方法,將自適應(yīng)變異因子引入EPUS-PSO算法中,并將其運(yùn)用于漏磁缺陷重構(gòu),可以對(duì)不同 尺寸的缺陷,由漏磁信號(hào)很好地重構(gòu)出缺陷輪廓。
【附圖說明】
[0032] 圖1為現(xiàn)有的迭代反演框架原理示意圖圖;
[0033] 圖2為本發(fā)明缺陷1情況下真實(shí)缺陷輪廓、基于EPUS-PSO算法與本發(fā)明重構(gòu)輪廓 的比較示意圖;
[0034] 圖3為本發(fā)明缺陷2情況下真實(shí)缺陷輪廓、基于EPUS-PSO算法與本發(fā)明重構(gòu)輪廓 的比較示意圖;
[0035] 圖4為本發(fā)明缺陷3情況下真實(shí)缺陷輪廓、基于EPUS-PSO算法與本發(fā)明重構(gòu)輪廓 的比較示意圖;
[0036] 圖5為本發(fā)明缺陷4情況下真實(shí)缺陷輪廓、基于EPUS-PSO算法與本發(fā)明重構(gòu)輪廓 的比較示意圖;
[0037] 圖6為本發(fā)明流程示意圖;
[0038] 圖7為本發(fā)明實(shí)施例采用的實(shí)驗(yàn)裝置原理示意圖;
[0039] 圖8為本發(fā)明在缺陷5情況下真實(shí)缺陷輪廓、基于EPUS-PSO算法與本發(fā)明重構(gòu)輪 廓的比較圖;
[0040] 圖9為本發(fā)明在缺陷6情況下真實(shí)缺陷輪廓、基于EPUS-PSO算法與本發(fā)明重構(gòu)輪 廓的比較圖。
【具體實(shí)施方式】
[0041] 本發(fā)明將自適應(yīng)的變異因子加入EPUS-PSO算法中,并將其運(yùn)用于漏磁缺陷重構(gòu) 方法。下面將從IEPUS-PS0算法對(duì)本發(fā)明的技術(shù)方案進(jìn)行闡述。
[0042] (1)IEPUS-PS0 算法
[0043] 粒子群算法又叫鳥群算法,是由1995年由Eberhart博士和kennedy博士提出的 一種進(jìn)化算法,源于對(duì)鳥群捕食的行為研宄。該算法最初是受到飛鳥集群活動(dòng)的規(guī)律性啟 發(fā),進(jìn)而利用群體智能建立的一個(gè)簡化模型。粒子群算法在對(duì)動(dòng)物集群活動(dòng)行為觀察基礎(chǔ) 上,利用群體中個(gè)體對(duì)信息的共享使整個(gè)群體的運(yùn)動(dòng)在問題解空間中產(chǎn)生從無序到有序的 演化過程,從而獲得最優(yōu)解。
[0044] EPUS-PSO算法是一種通過有效改變粒子數(shù)目的改進(jìn)粒子群算法,其最大的改進(jìn)就 是通過群體的全局最優(yōu)解的適應(yīng)度值變化來有效改變粒子的數(shù)目,稱為群體管理器,具體 規(guī)則是:
[0045] (a)如果全局最優(yōu)解的適應(yīng)度值在連續(xù)兩次迭代中均未更新,則群體中增加一個(gè) 粒子,其位置為:
[0047] 其中aJPla2代表從當(dāng)前群體中隨機(jī)抽取兩個(gè)粒子的序號(hào),Pbestfei)和Pbest(a2) 為所抽取的兩個(gè)粒子的當(dāng)前個(gè)體最優(yōu)解。如果增加了該粒子后,粒子數(shù)目大于所設(shè)定的最 大粒子數(shù)時(shí),需要先去除一個(gè)適應(yīng)度值最差的粒子,再添加這個(gè)新的粒子;
[0048] (b)如果全局最優(yōu)解的適應(yīng)度值在連續(xù)兩次迭代中均得到更新,則說明粒子的數(shù) 目已經(jīng)足夠,則將適應(yīng)度值最差的那個(gè)粒子去除。
[0049] 為防止粒子過早的陷入局部最優(yōu),另外兩大改進(jìn)分別為搜索范圍共享策略和解共 享策略,當(dāng)激活概率Pr(s)小于一個(gè)0到1的隨機(jī)數(shù)時(shí),則采用搜索范圍共享策略,反之則 采用解共享策略,Pr(s)的公式為:
[0051] 公式中iteration是迭代的最大次數(shù),s是當(dāng)前的迭代次數(shù)。
[0052] 搜索范圍共享策略是將單個(gè)粒子的所有維度在某一特定的解空間內(nèi)重新設(shè)定,由 解空間搜索范圍的不同分為全局模式和局部模式,在全局模式下,粒子搜索范圍就是粒子 的初始設(shè)定范圍(xmin,xmax)。而在局部模式下,則從所有粒子的當(dāng)前個(gè)體最優(yōu)解Pbest中選 出最大值Pbestmax和最小值Pbestmin,組成(Pbestmin,Pbestmax),作為粒子新的解空間。
[0053] 解共享策略的設(shè)定改變了原有粒子速度更新的單一性,計(jì)算公式如下所示:
[0055] 其中w是慣性權(quán)重,c是學(xué)習(xí)因子,r是0到1之間的隨機(jī)數(shù),a是從群體中隨機(jī)抽 取的一個(gè)粒子序號(hào),rand為一個(gè)0到1之間的隨機(jī)數(shù),Gbest為當(dāng)前迭代下的