喬維德

（常州市廣播電視大學(xué)，江蘇常州213001）

1 引言

隨著現(xiàn)代工業(yè)和科學(xué)技術(shù)的迅速發(fā)展，電機(jī)拖動系統(tǒng)已廣泛應(yīng)用到各個領(lǐng)域，電機(jī)是拖動系統(tǒng)的重要部件；但由于電機(jī)在工作過程中，發(fā)生設(shè)備故障或失效的潛在可能性會隨著運行時間而不斷增大，最終可能導(dǎo)致整個拖動系統(tǒng)不能正常安全運轉(zhuǎn)，甚至癱瘓。所以如何及時準(zhǔn)確地確定電機(jī)故障原因、類別及其故障嚴(yán)重程度，是提高電機(jī)及其拖動系統(tǒng)安全運行的重要措施和可靠保證。

傳統(tǒng)的電機(jī)故障診斷專家系統(tǒng)雖然取得了一定成果，但存在著明顯的局限性，而在人工智能方法，如神經(jīng)網(wǎng)絡(luò)、遺傳算法等，能夠處理傳統(tǒng)故障診斷方法無法解決的問題?；诖?，本文提出了一種基于改進(jìn)遺傳算法（IGA）和誤差（BP）算法相結(jié)合的混合算法，并應(yīng)用于電機(jī)故障診斷，有效地減少了誤判、漏判的情況，保證了電機(jī)故障診斷的準(zhǔn)確性與快速性。

2 BP神經(jīng)網(wǎng)絡(luò)及算法

BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播前饋型神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)由輸入層、輸出層和若干隱含層組成，網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程是按誤差由輸出層節(jié)點經(jīng)隱含層節(jié)點反向傳播的，網(wǎng)絡(luò)學(xué)習(xí)目的是使網(wǎng)絡(luò)盡量逼近所需要的映射，這種映射是通過學(xué)習(xí)樣本的輸入和輸出對反映出來的。但標(biāo)準(zhǔn)BP算法中網(wǎng)絡(luò)的權(quán)值和閾值采用梯度下降進(jìn)行調(diào)節(jié),通常具有收斂速度慢、容易陷入局部極小等缺點，因此必須對BP算法進(jìn)行改進(jìn)。這里采用對每個連接權(quán)植和閾值增加一個矢量項，即慣性系數(shù)，增加有效的學(xué)習(xí)效率，且有效抑制振蕩現(xiàn)象。可以應(yīng)用式（1）實現(xiàn)：

式中：W為網(wǎng)絡(luò)中的連接權(quán)和閾值；α為慣性系數(shù)。

3 改進(jìn)遺傳算法（IGA）

遺傳算法（GA）是一種基于自然選擇和自然遺傳的全局優(yōu)化算法，它模擬了自然選擇和遺傳過程中的繁殖、交雜和突變的現(xiàn)象。目前遺傳算法已成功解決了許多復(fù)雜的優(yōu)化問題，它最大的優(yōu)點是：即使對多態(tài)的和非連續(xù)性的函數(shù)，也能獲得全局最優(yōu)解。但仍存在著早熟和收斂速度慢等不足，因此本文對傳統(tǒng)的遺傳算法進(jìn)行了改進(jìn)，然后采用改進(jìn)遺傳算法（IGA）優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重等，來提高優(yōu)化效率。

3.1 遺傳算法的編碼方式改進(jìn)

神經(jīng)網(wǎng)絡(luò)的權(quán)重、閾值學(xué)習(xí)是一個復(fù)雜的連續(xù)參數(shù)優(yōu)化問題，每個遺傳碼串代表一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)重和閾值。如果采用二進(jìn)制編碼形式，每一個權(quán)重和閾值究竟用幾個二進(jìn)制表示就是一個比較難決定的問題，位數(shù)太少，則訓(xùn)練時間可能很長或可能找不到解；如果位數(shù)太多，則染色體長度又很長，訓(xùn)練時間就很長或者不能實現(xiàn)，而且二進(jìn)制編碼占用空間較大，在求解適應(yīng)度值時還會遇到一個解碼問題，這也在某種程度上增加算法計算時間，所以本文采用浮點數(shù)編碼方式。

3.2 交叉算子和變異算子的改進(jìn)

交叉概率Pc和變異概率Pm直接影響算法的收斂性。從種群的個體來看，如果交叉概率Pc過大，新個體產(chǎn)生的速度越快；如果交叉概率Pc過小，新個體產(chǎn)生的速度就越慢，GA搜索過程較慢。對于變異概率Pm，如果變異概率Pm過大，GA搜索過程就變成了隨機(jī)過程，若變異概率Pm過小，則其產(chǎn)生新個體的抵制早熟現(xiàn)象的能力便會削弱。因此設(shè)計自適應(yīng)變化的交叉概率Pc和變異概率Pm很有必要。本文采用一種交叉概率和變異概率的自適應(yīng)調(diào)整規(guī)則，使得每個個體根據(jù)在遺傳過程中按其適應(yīng)度選擇不同的交叉概率和變異概率，并加以自動調(diào)節(jié)。自適應(yīng)交叉概率Pc和變異概率Pm計算公式表述為：

式中，fmax表示種群最大適應(yīng)度值；favg為種群平均適應(yīng)度；f′表示在要交叉的兩個個體中較大的適應(yīng)度值；f表示要變異的個體適應(yīng)度；這里，k1、k2、k3、k4是 0-1 之間的常數(shù)，k3和 k4較大。

3.3 適應(yīng)度的調(diào)節(jié)

種群適應(yīng)度的平均值favg和方差δ的計算公式為：

為了避免特優(yōu)個體被過多復(fù)制而產(chǎn)生“過早收斂”和搜索后期的“停滯現(xiàn)象”，加快收斂速度，本文對適應(yīng)度按如下公式進(jìn)行調(diào)整，即

其中，fi為個體i的適應(yīng)度值；N為群體規(guī)模；fi*為調(diào)整后個體i的適應(yīng)度；r為1-5之間的整數(shù)。

4 基于IGA-BP混合算法的神經(jīng)網(wǎng)絡(luò)

在IGA-BP混合算法的神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)的訓(xùn)練分兩步；首先應(yīng)用改進(jìn)遺傳算法（IGA）優(yōu)化訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其定位在權(quán)空間全局最優(yōu)解附近，然后利用BP算法局部搜索，最終使其快速收斂到最終的優(yōu)化值。IGA-BP混合算法的具體實現(xiàn)過程為：

①根據(jù)給定的輸入、輸出訓(xùn)練樣本集，確定神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層及隱含層節(jié)點數(shù)，構(gòu)建神網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

②設(shè)置遺傳算法的群體規(guī)模N、交叉概率Pc、變異概率Pm，將神經(jīng)網(wǎng)絡(luò)的權(quán)向量和閾值編碼成浮點數(shù)表示的字符串，在［-1，1］之間隨機(jī)產(chǎn)生N條染色體作為初始種群。

③對種群中每代群體中的每一條染色體進(jìn)行譯碼，按下列公式計算第i條染色體的誤差平方和Ei和適應(yīng)度fi的值。

其中：qk為神經(jīng)網(wǎng)絡(luò)的期望（目標(biāo)）輸出值；yk為每條染色體的實際輸出值。

④計算種群中每代群體中的最大適應(yīng)度值fmax和平均適應(yīng)度值favg，如果fmax滿足精度要求轉(zhuǎn)去執(zhí)行⑦，否則按順序執(zhí)行⑤。

⑤對交叉概率Pc和變異概率Pm進(jìn)行自適應(yīng)調(diào)整，采用改進(jìn)的交叉和變異算子執(zhí)行遺傳操作，產(chǎn)生下一代群體。

⑥對網(wǎng)絡(luò)權(quán)值通過反向傳播計算求出各層神經(jīng)元的誤差信號，應(yīng)用BP算法的改進(jìn)公式對權(quán)值反復(fù)調(diào)整，并從父代和下一代群體中挑選出N個較好的染色體來形成下一代新群體，然后轉(zhuǎn)去步驟③執(zhí)行。

⑦通過對適應(yīng)度為fmax的染色體譯碼，得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，結(jié)束算法過程。

5 基于IGA-BP混合算法的電機(jī)智能故障診斷

5.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

以電機(jī)轉(zhuǎn)子故障為研究對象，在電機(jī)轉(zhuǎn)子實驗臺上分別通過渦流傳感器采集水平和垂直方向上的振動信號，然后通過放大、濾波和A/D轉(zhuǎn)換后，由DSP對振動信號進(jìn)行頻譜分析。轉(zhuǎn)子振動頻譜分量包含轉(zhuǎn)子常見的不平衡、不對中、徑向摩擦、油膜振蕩、喘振和軸承座松動6種故障信息，本文將以上6種故障作為神經(jīng)網(wǎng)絡(luò)的輸出，分別提取振動信號頻譜中的8個頻段上的不同頻譜峰值作為特征量，因此確定用于電機(jī)轉(zhuǎn)子故障診斷的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為3層，輸入層節(jié)點數(shù)為8，分別對應(yīng)8個不同的特征頻段；隱含層節(jié)點數(shù)為6；輸出層節(jié)點數(shù)為6，分別對應(yīng)轉(zhuǎn)子常見的6種故障。從故障診斷實踐中形成訓(xùn)練樣本，每一種故障分別選3組頻譜，構(gòu)成相應(yīng)的6種故障的18組學(xué)習(xí)樣本（含輸入樣本和期望輸出），如表1和表2所示。表 2 中“1”表示故障，“0”表示正常（無故障）。

當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)樣本選定后，就可以利用IGA-BP混合算法優(yōu)化、訓(xùn)練神經(jīng)網(wǎng)絡(luò)，實際訓(xùn)練次數(shù)為95次時，便達(dá)到了設(shè)定的誤差精度E≤0.001的要求。

表1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入樣本

表2 神經(jīng)網(wǎng)絡(luò)的期望輸出

5.2 網(wǎng)絡(luò)檢驗及結(jié)果分析

為了驗證以上用IGA-BP混合算法優(yōu)化訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對電機(jī)故障的診斷效果，利用表1中的第 1、4、7、10、13、16 組樣本故障數(shù)據(jù)作為檢驗樣本代入網(wǎng)絡(luò)進(jìn)行檢驗，得到網(wǎng)絡(luò)的實際輸出結(jié)果如表3所示。

表3 檢驗樣本的實際輸出

從表3與表2結(jié)果對比中可以明顯看出，輸出的數(shù)據(jù)符合期望要求，該方法識別電機(jī)故障信息的準(zhǔn)確率達(dá)到100%，得到比較滿意的效果。

6 結(jié)束語

遺傳算法、神經(jīng)網(wǎng)絡(luò)、電機(jī)故障診斷三者的有機(jī)結(jié)合是一個十分活躍的研究領(lǐng)域，為電機(jī)故障診斷提供了一條新的技術(shù)路線。本文利用改進(jìn)的遺傳算法和BP算法相結(jié)合的IGA-BP混合算法對電機(jī)轉(zhuǎn)子常見的幾種故障進(jìn)行診斷，取得很好的效果。結(jié)果表明此方法是切實有效、可行的。

［1］黃 丹，黃采倫.基于BP神經(jīng)網(wǎng)絡(luò)模型的電機(jī)故障診斷專家系統(tǒng)［J］.自動化儀表，2003（3）：15-16.

［2］王少芳,蔡金錠,劉慶珍.基于改進(jìn)GA-BP混合算法的電力變壓器故障診斷［J］.電網(wǎng)技術(shù)，2004（4）：30-32.

［3］李占鋒，韓芳芳，鄭德忠.基于BP神經(jīng)網(wǎng)絡(luò)的電機(jī)轉(zhuǎn)子故障診斷的研究［J］.河北科技大學(xué)學(xué)報，2001（3）：23-26.