趙建春，葉麗娜，張兵兵

(陸軍軍官學(xué)院 a.研究生管理大隊(duì);b.裝甲兵系，合肥 230013)

目前，非線性系統(tǒng)的故障診斷已成為當(dāng)今故障診斷領(lǐng)域的熱點(diǎn)和難點(diǎn)問題［1］。而神經(jīng)網(wǎng)絡(luò)由于具有良好的自學(xué)習(xí)、并行性、較強(qiáng)的容錯(cuò)能力以及一定的泛化能力，使其在故障隔離方面表現(xiàn)出較為優(yōu)秀的性能，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷已取得許多成果。但是，傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)的過擬合與泛化性之間的矛盾不易調(diào)和，很多時(shí)候其學(xué)習(xí)訓(xùn)練收斂速度慢，易陷入局部極值。遺傳算法［2-4］(Genetic Algorithm，GA)具有很強(qiáng)的宏觀搜索能力和良好的全局優(yōu)化性能，將遺傳算法與BP 網(wǎng)絡(luò)相結(jié)合，訓(xùn)練時(shí)先用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行尋找，將搜索范圍縮小后，再利用BP 網(wǎng)絡(luò)來進(jìn)行精確求解，可以達(dá)到全局尋找和快速高效的目的，并且可以避免局部最小問題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，使網(wǎng)絡(luò)整體性能得以改善。本文將基于遺傳算法的神經(jīng)網(wǎng)絡(luò)用于建立故障診斷模型，在數(shù)據(jù)化的故障征兆和故障類型之間建立一種非線性映射，使其達(dá)到良好的擬合。

1 前向多層神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)屬于前饋型神經(jīng)網(wǎng)絡(luò)［5-7］，它由輸入層、輸出層和隱含層組成，相鄰層之間由節(jié)點(diǎn)連接，而同一層不需要節(jié)點(diǎn)連接。

本文采用級(jí)聯(lián)BP 網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1 所示。BP 網(wǎng)絡(luò)的結(jié)構(gòu):輸入層的神經(jīng)元個(gè)數(shù)為8 個(gè)，輸出層的神經(jīng)元個(gè)數(shù)為5個(gè)，隱含層神經(jīng)元個(gè)數(shù)l =2 ×m +1 =17，m 為輸入層的神經(jīng)元個(gè)數(shù)，因此選取拓?fù)浣Y(jié)構(gòu)為8 -17 -5 的網(wǎng)絡(luò)，網(wǎng)絡(luò)模型的訓(xùn)練采用LM(Levenberg-Marquardt)反饋算法，通過不斷調(diào)整神經(jīng)元的權(quán)值和閾值以實(shí)現(xiàn)網(wǎng)絡(luò)對(duì)樣本輸入輸出數(shù)據(jù)的非線性映射。

圖1 BP 網(wǎng)絡(luò)結(jié)構(gòu)

2 算法流程

GA 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)主要有兩種［8-9］:優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值;優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。本文采用前者。主要思想是將權(quán)值和閾值表示成基因型(二進(jìn)制編碼串)，隨機(jī)產(chǎn)生一個(gè)種群為n 的群體，把每一個(gè)個(gè)體通過BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到其適應(yīng)度值，通過適應(yīng)度對(duì)每一代的n 個(gè)個(gè)體進(jìn)行復(fù)制、交叉和變異，產(chǎn)生適應(yīng)度更高的新一代種群，一代一代不斷進(jìn)步，最后可求得最優(yōu)權(quán)值和閾值。算法流程圖如圖2所示。

圖2 算法流程

遺傳算法按以下步驟進(jìn)行:

1)產(chǎn)生初始種群。采用10 位二進(jìn)制編碼方法，設(shè)定種群的規(guī)模為40，每個(gè)個(gè)體含243 個(gè)染色體:分別對(duì)應(yīng)隱含層136 個(gè)權(quán)值w17×8、17 個(gè)閾值b17×1，輸出層85 個(gè)權(quán)值v5×17、5個(gè)閾值b5×1;

2)將權(quán)值閾值解碼，賦給BP 神經(jīng)網(wǎng)絡(luò)，計(jì)算誤差E;

3)適應(yīng)度函數(shù)選取為目標(biāo)誤差函數(shù)的倒數(shù);

計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將其排序，可按下式概率值選擇網(wǎng)絡(luò)個(gè)體:

式(1)中，fi為個(gè)體i 的適配值，可用誤差平方和E 來衡量，fi=1/E(i)。

4)代溝0.95，交叉概率0.7，變異概率0.01，即從父代排序后的40 個(gè)個(gè)體中選取最優(yōu)38 個(gè)個(gè)體，以0.7 的概率進(jìn)行交叉，以0.01 的概率進(jìn)行變異，再加上父代中最優(yōu)的2 個(gè)個(gè)體，產(chǎn)生包含40 個(gè)個(gè)體的子代。

5)遺傳代數(shù)gen 取40。如未達(dá)到遺傳代數(shù)，則進(jìn)入步驟(2)，開始下一循環(huán)，同時(shí)記錄每一代最小誤差。

6)將最優(yōu)個(gè)體解碼得到最優(yōu)權(quán)值和閾值。

3 故障診斷實(shí)驗(yàn)

本文采用文獻(xiàn)［3］中的實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證基于遺傳算法改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)(簡稱GA-BP)在故障診斷中的有效性。該設(shè)備常見的故障變量包括F1無故障;F2增壓器效率下降;F3空冷氣傳熱惡化;F4透平保護(hù)格柵阻塞;F5透平通流部分阻塞。共5 個(gè)變量作為網(wǎng)絡(luò)的輸出變量。

樣本的確定輸入向量包括排氣總管溫度Tr、掃氣箱壓力Ps、各缸平均燃燒最大爆發(fā)壓力Pmax、增壓器轉(zhuǎn)速ntc、掃排氣道壓損系數(shù)mp、壓氣機(jī)出口溫度Tc、掃氣箱溫度Ts，再加上的一個(gè)負(fù)荷參數(shù)共8 個(gè)變量作為網(wǎng)絡(luò)輸入變量。將9 類故障的訓(xùn)練、測試樣本輸入神經(jīng)網(wǎng)絡(luò)，由GA 優(yōu)化40 代，最小誤差err=0.008 455 1，得到的進(jìn)化曲線如圖3 所示。由優(yōu)化后的神經(jīng)網(wǎng)絡(luò)輸出診斷結(jié)果，并與單純BP 算法比較，如表1所示。

圖3 誤差進(jìn)化曲線

表1 基本BP 算法與GA-BP 算法的比較結(jié)果

由表1 和圖4、圖5，通過優(yōu)化前后的比較可以看出:

1)單純BP 算法的運(yùn)行時(shí)間大于15 s，訓(xùn)練步數(shù)為58步，且常常不能收斂，結(jié)果很不穩(wěn)定，正確率較低。

2)GA-BP 算法運(yùn)行時(shí)間大致為5 s，訓(xùn)練步數(shù)為15 步，分類結(jié)果穩(wěn)定，正確率很高，幾乎為100%。

圖4 隨機(jī)權(quán)值閾值訓(xùn)練誤差曲線

圖5 優(yōu)化權(quán)值閾值訓(xùn)練誤差曲線

4 結(jié)束語

GA-BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷不僅能夠克服BP 神經(jīng)網(wǎng)絡(luò)易陷入局部極值的缺點(diǎn)，在速度和準(zhǔn)確率上也有較大的提高，對(duì)故障能夠進(jìn)行可靠的分類。通過Matlab 仿真平臺(tái)驗(yàn)證了該算法應(yīng)用于故障診斷的科學(xué)性和合理性，可以大大提高診斷的準(zhǔn)確率和魯棒性，具有較好的應(yīng)用價(jià)值。

［1］周東華，葉銀忠.現(xiàn)代故障診斷與容錯(cuò)控制［M］.北京:清華大學(xué)出版社，2000.

［2］周明，孫樹棟.遺傳算法原理及應(yīng)用［M］.北京:國防工業(yè)出版社，2001.

［3］何險(xiǎn)峰.遺傳算法及其在化學(xué)化工中的應(yīng)用［J］.化學(xué)進(jìn)展，1998，10(3):312-318.

［4］何飛，程志毅.改進(jìn)的遺傳算法在優(yōu)化中的應(yīng)用［J］.湖北工學(xué)院學(xué)報(bào)，2003，18(2):8-10.

［5］張德豐.MATLAB 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京:機(jī)械工業(yè)出版社，2009.

［6］袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用［M］.北京:清華大學(xué)出版社，1999.

［7］徐麗娜.神經(jīng)網(wǎng)絡(luò)控制［M］.哈爾濱:哈爾濱工業(yè)大學(xué)出版社，1999.

［8］王宏剛，錢峰.基于遺傳算法的前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化［J］.控制工程，2007(4):387-390.

［9］劉紅梅，王少萍.基于GRNN 網(wǎng)絡(luò)和遺傳算法的旋翼平衡調(diào)整［J］. 北京航空航天大學(xué)學(xué)報(bào)，2008，34(5):507-511.