基于改進(jìn)的粒子群優(yōu)化算法的漏磁檢測缺陷重構(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)中無損檢測技術(shù)的應(yīng)用也越來越受到關(guān)注。作為無損檢 測中最常用的一種檢測方法，漏磁檢測在鋼鐵、石油、石化等領(lǐng)域的應(yīng)用較廣泛，其主要對 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，也可用于鐵磁性材料 的測厚。
[0003] 缺陷輪廓重構(gòu)能更形象地表達(dá)缺陷的信息，而對于一個良好性能的漏磁重構(gòu)方 法，一個合適的前行模型是必須的，而對于一個給定前向模型的缺陷輪廓重構(gòu)可以視為一 個優(yōu)化問題，由于輪廓通常由多個均勻的離散值構(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)精度并減小了計算時間。
[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)測漏磁信號，yd是實(shí)測漏磁信號，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0到1的隨機(jī)數(shù)時，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)計算所有粒子的適應(yīng)度值，并更新粒子群體的當(dāng)前個體最優(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 粒子，其位值為：
[0016] 其中aJPa2代表從當(dāng)前群體中隨機(jī)抽取兩個粒子的序號，Pbestfei)和Pbest(a2) 為所抽取的兩個粒子的當(dāng)前個體最優(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，需要先去除一個適應(yīng)度值最差的粒子，再添加這個新的粒子；
[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)度值最差的那個粒子去除；
[0018] 6):利用變異因子對所有粒子的位置進(jìn)行擾動，變異因子的公式為：
[0019] x'』=xj+b*rand，Xy為第i個粒子的第j維的原位置，i和j分別是粒子的序 號與維度，rand為一個0到1之間的隨機(jī)數(shù)，x'u為擾動后的位置，其中b的計算公式為：
[0021] 其中fit(Xi)是第i個粒子的適應(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 取的一個粒子序號，rand為一個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)，可以對不同 尺寸的缺陷，由漏磁信號很好地重構(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，源于對鳥群捕食的行為研宄。該算法最初是受到飛鳥集群活動的規(guī)律性啟 發(fā)，進(jìn)而利用群體智能建立的一個簡化模型。粒子群算法在對動物集群活動行為觀察基礎(chǔ) 上，利用群體中個體對信息的共享使整個群體的運(yùn)動在問題解空間中產(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 粒子，其位置為：
[0047] 其中aJPla2代表從當(dāng)前群體中隨機(jī)抽取兩個粒子的序號，Pbestfei)和Pbest(a2) 為所抽取的兩個粒子的當(dāng)前個體最優(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，需要先去除一個適應(yīng)度值最差的粒子，再添加這個新的粒子；
[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0到1的隨機(jī)數(shù)時，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 取的一個粒子序號，rand為一個0到1之間的隨機(jī)數(shù)，Gbest為當(dāng)前迭代下的