基于改進的粒子群優化算法的漏磁檢測缺陷重構方法
【技術領域】
[0001] 本發明涉及一種漏磁檢測技術，特別涉及一種基于改進的有效群體利用策略粒子 群優化（ImprovedEfficientPopulationUtilizationStrategyforParticleSwarm Optimization,IEPUS-PSO)算法的漏磁檢測缺陷重構方法。
【背景技術】
[0002] 近些年來，我國經濟不斷發展，工業規模不斷擴大，電力生產已成為我國的支柱產 業。因此，電力設備的生產和維護中無損檢測技術的應用也越來越受到關注。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、石化等領域的應用較廣泛，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] 缺陷輪廓重構能更形象地表達缺陷的信息，而對于一個良好性能的漏磁重構方 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可以視為一 個優化問題，由于輪廓通常由多個均勻的離散值構成，這就產生了該問題的維度，求解有這 些離散值構成的輪廓重構問題，相當于求解一個高維優化問題。
[0004] PS0作為一種強大的隨機進化算法，能用于尋找復雜搜索空間中的全局最優解， 但在求解高維實際問題時由于問題的復雜性，容易過早陷入局部最優，不能準確地重構缺 陷的真實輪廓，因此迫切需要找到一種能避免陷入局部最優并可求解高維優化問題的改進 PS0算法。
【發明內容】
[0005] 本發明是針對如何改進策略粒子群優化算法并將其應用于漏磁缺陷重構的的問 題，提出了一種基于改進的粒子群優化算法的漏磁檢測缺陷重構方法，將自適應變異因子 引入到的EPUS-PS0算法中，得到本發明的IEPUS-PS0算法，并且將IEPUS-PS0算法應用于 漏磁檢測的缺陷重構，改進后的算法能夠提高重構精度并減小了計算時間。
[0006] 本發明的技術方案為：一種基于改進的粒子群優化算法的漏磁檢測缺陷重構方 法，其特征在于，具體包括如下步驟：
[0007] 1):設置有效群體利用策略粒子群優化IEPUS-PS0算法的參數，包括最大迭代次 數iteration、初始粒子數目和最大粒子數目、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):建立適應度函數
，其中d是粒子的維度，D為粒子的總維 度，Pd是前向模型的預測漏磁信號，yd是實測漏磁信號，設置迭代次數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，當激活概率Pr(s)小于一 個0到1的隨機數時，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，s是當前迭代次數；
[0012] 4):根據適應度函數計算所有粒子的適應度值，并更新粒子群體的當前個體最優 解和全局最優解；
[0013] 5):群體管理器根據IEPUS-PS0算法對群體規模進行調整，通過群體的全局最優 解的適應度值變化來有效改變粒子的數目，具體規則是：
[0014] (a)如果全局最優解的適應度值在連續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代表從當前群體中隨機抽取兩個粒子的序號，Pbestfei)和Pbest(a2) 為所抽取的兩個粒子的當前個體最優解，如果增加了該粒子后，粒子數目大于所設定的最 大粒子數時，需要先去除一個適應度值最差的粒子，再添加這個新的粒子；
[0017] (b)如果全局最優解的適應度值在連續兩次迭代中均得到更新，則說明粒子的數 目已經足夠，則將適應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之間的隨機數，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個粒子的適應度值，N表示群體規模；
[0022] 7):迭代次數s=s+1 ;
[0023] 8):如果迭代次數s滿足s〈iterati〇n，更新粒子群體位置，跳轉至步驟3);否則， 結束，此時全局最優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神經網絡。
[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 內重新設定，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定范圍（Xmin，X_);而在局部模式下，則從所有粒子的當前個體最優 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是慣性權重，c是學習因子，r是0到1之間的隨機數，a是從群體中隨機抽 取的一個粒子序號，rand為一個0到1之間的隨機數，Gbest為當前迭代下的全局最優解，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] 本發明的有益效果在于：本發明基于改進的粒子群優化算法的漏磁檢測缺陷重構 方法，將自適應變異因子引入EPUS-PSO算法中，并將其運用于漏磁缺陷重構，可以對不同 尺寸的缺陷，由漏磁信號很好地重構出缺陷輪廓。
【附圖說明】
[0032] 圖1為現有的迭代反演框架原理示意圖圖；
[0033] 圖2為本發明缺陷1情況下真實缺陷輪廓、基于EPUS-PSO算法與本發明重構輪廓 的比較示意圖；
[0034] 圖3為本發明缺陷2情況下真實缺陷輪廓、基于EPUS-PSO算法與本發明重構輪廓 的比較示意圖；
[0035] 圖4為本發明缺陷3情況下真實缺陷輪廓、基于EPUS-PSO算法與本發明重構輪廓 的比較示意圖；
[0036] 圖5為本發明缺陷4情況下真實缺陷輪廓、基于EPUS-PSO算法與本發明重構輪廓 的比較示意圖；
[0037] 圖6為本發明流程示意圖；
[0038] 圖7為本發明實施例采用的實驗裝置原理示意圖；
[0039] 圖8為本發明在缺陷5情況下真實缺陷輪廓、基于EPUS-PSO算法與本發明重構輪 廓的比較圖；
[0040] 圖9為本發明在缺陷6情況下真實缺陷輪廓、基于EPUS-PSO算法與本發明重構輪 廓的比較圖。
【具體實施方式】
[0041] 本發明將自適應的變異因子加入EPUS-PSO算法中，并將其運用于漏磁缺陷重構 方法。下面將從IEPUS-PS0算法對本發明的技術方案進行闡述。
[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律性啟 發，進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 上，利用群體中個體對信息的共享使整個群體的運動在問題解空間中產生從無序到有序的 演化過程，從而獲得最優解。
[0044] EPUS-PSO算法是一種通過有效改變粒子數目的改進粒子群算法，其最大的改進就 是通過群體的全局最優解的適應度值變化來有效改變粒子的數目，稱為群體管理器，具體 規則是：
[0045] (a)如果全局最優解的適應度值在連續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代表從當前群體中隨機抽取兩個粒子的序號，Pbestfei)和Pbest(a2) 為所抽取的兩個粒子的當前個體最優解。如果增加了該粒子后，粒子數目大于所設定的最 大粒子數時，需要先去除一個適應度值最差的粒子，再添加這個新的粒子；
[0048] (b)如果全局最優解的適應度值在連續兩次迭代中均得到更新，則說明粒子的數 目已經足夠，則將適應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，另外兩大改進分別為搜索范圍共享策略和解共 享策略，當激活概率Pr(s)小于一個0到1的隨機數時，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，s是當前的迭代次數。
[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重新設定，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 的初始設定范圍（xmin，xmax)。而在局部模式下，則從所有粒子的當前個體最優解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是慣性權重，c是學習因子，r是0到1之間的隨機數，a是從群體中隨機抽 取的一個粒子序號，rand為一個0到1之間的隨機數，Gbest為當前迭代下的