模擬退火混合遺傳算法在機械故障診斷系統(tǒng)中的應(yīng)用

模擬退火混合遺傳算法在機械故障診斷系統(tǒng)中的應(yīng)用

目前，故障診斷技術(shù)已成為一個非常活躍的研究方向之一。而神經(jīng)網(wǎng)絡(luò)不僅可以表達復雜的非線性關(guān)系，而且不要求分析對象的數(shù)學模型，很適合故障診斷。其中誤差反向傳播神經(jīng)網(wǎng)絡(luò)（即BP神經(jīng)網(wǎng)絡(luò)）是目前在實際應(yīng)用中使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。但是，BP網(wǎng)絡(luò)算法由于采用梯度訓練法，不可避免地存在著網(wǎng)絡(luò)的麻痹現(xiàn)象及易陷入局部極小的問題。而遺傳模擬退火算法結(jié)合了遺傳和模擬退火全局尋優(yōu)和局部尋優(yōu)的特點來修正BP網(wǎng)絡(luò)前向傳播中的權(quán)值和閾值，這正好彌補了BP算法的不足。因此利用遺傳模擬退火的神經(jīng)網(wǎng)絡(luò)方法可以有效地提高故障診斷的效率和準確性。1bp神經(jīng)網(wǎng)絡(luò)故障分類方法近年來，神經(jīng)網(wǎng)絡(luò)理論在智能故障診斷中得到了廣泛的應(yīng)用。這里采用的是BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)算法是個非線性優(yōu)化算法，能做到并行運算，具有一定的泛化能力，又顯示了較好的容錯性。但是存在著局部最小值，我們采用遺傳模擬退火算法使系統(tǒng)跳出誤差較大的局部最小值。這里提出的用神經(jīng)網(wǎng)絡(luò)進行故障分類的基本思想就是根據(jù)系統(tǒng)可用儀表測得的系統(tǒng)的輸入/輸出參數(shù)或狀態(tài)，構(gòu)成正常模式，故障1模式，故障2模式等等的樣本，這些樣本經(jīng)過歸一化處理后形成BP神經(jīng)網(wǎng)絡(luò)的輸入，而BP網(wǎng)絡(luò)的輸出則為模式；網(wǎng)絡(luò)輸出節(jié)點則采用0、1狀態(tài)輸出。通過學習，網(wǎng)絡(luò)將能夠?qū)Ω鞣N故障模式進行區(qū)分。結(jié)構(gòu)如圖1所示。2遺傳模型和硝基燃燒優(yōu)化了神經(jīng)網(wǎng)絡(luò)的工作原理2.1改進混合遺傳算法的優(yōu)缺點遺傳模擬退火算法是將遺傳算法與模擬退火算法相結(jié)合而構(gòu)成的一種優(yōu)化算法。既有遺傳算法較強的全局搜索能力，又有模擬退火算法較強的局部搜索能力，互相取長補短，得到的一種性能優(yōu)良的新的全局搜索算法。而我們提出的混合遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的基本思想就是利用其優(yōu)點來解決了在故障診斷系統(tǒng)中，BP算法收斂速度慢，容易陷入局部極小值的問題。用模擬退火的混合遺傳算法代替BP網(wǎng)絡(luò)的反向傳播過程，這樣搜索點不是從一點出發(fā)，而是從一個初始點的群體出發(fā)，不斷迭代計算，逐步逼近最優(yōu)解，結(jié)合遺傳和模擬退火全局尋優(yōu)和局部尋優(yōu)的特點來修正BP網(wǎng)絡(luò)前向傳播中的權(quán)值和閾值。2.2優(yōu)化流程本文以內(nèi)燃機燃油供給系統(tǒng)的故障診斷為例，說明權(quán)值學習的過程。2.2.1基于數(shù)據(jù)的模型這里具體編碼方法是對于權(quán)值和閾值以十進制數(shù)字串代替GA中的二進制數(shù)字串來直接表征參數(shù)，因而，便于較大空間的遺傳搜索；同時，由于取消了編碼、譯碼過程，進而提高了算法學習的速度。2.2.2個體適應(yīng)度函數(shù)在遺傳算法中，判斷個體優(yōu)劣性的尺度是適應(yīng)度。適應(yīng)度的大小，決定某些個體的繁殖和消亡，即保留適應(yīng)度大的個體，淘汰適應(yīng)度小的個體。個體適應(yīng)度采用網(wǎng)絡(luò)的函數(shù)誤差，即誤差大的個體其適應(yīng)度小，具體表示為：Fi=1/Ei；其中Fi為第i個樣本適應(yīng)度；Ei為網(wǎng)絡(luò)的第i個樣本實際輸出與期望輸出的誤差。適應(yīng)度越大，網(wǎng)絡(luò)的實際輸出與期望輸出的誤差越小。2.2.3群體選擇繼承個體適應(yīng)度的計算完成后，選擇適應(yīng)度大的個體遺傳到下一代，從而使權(quán)值越來越接近最優(yōu)解空。在本例中，采用輪盤賭選擇方法。2.2.4選擇相對重要性的解為了克服搜索過程極易陷入局部解的特點，我們采用基于概率的雙向隨機搜索技術(shù)；以一定的概率Pc，隨機地從父本種群中選取兩條染色體進行交叉操作。當新染色體使當前解質(zhì)量提高時，就接收這個被改進的解作為新的當前解；在相反的情況下，就以一定的概率exp（-C/T）接收相對當前解來說質(zhì)量較差的解作為新的當前解。其中，C為鄰域操作前后解的質(zhì)量差，T為退火過程的控制參數(shù)。變異過程也照此接受當前解。若滿足要求，過程結(jié)束。否則Tx+1=aTx，繼續(xù)進行優(yōu)化過程。3燃油系統(tǒng)故障內(nèi)燃機燃油供給系統(tǒng)主要由低壓燃油泵、高壓燃油泵、高壓油管、噴油器等組成，是內(nèi)燃機中的重要部分，也簡稱燃油系統(tǒng)。由于它決定了每次循環(huán)噴油量的多少，因而直接影響燃油過程，決定內(nèi)燃機性能。但由于它結(jié)構(gòu)復雜，又處于高壓狀態(tài)下工作，故障率也高。根據(jù)英國燃油機工程師與用戶協(xié)會提供的內(nèi)燃機停機故障資料，在造成停車的故障中，燃油系統(tǒng)故障占27%。因此對內(nèi)燃機燃油系統(tǒng)及時進行性能檢測和故障診斷是十分重要的。3.1油壓波形結(jié)構(gòu)的特點燃油系統(tǒng)的故障是與結(jié)構(gòu)和燃油方式緊密相關(guān)的。當系統(tǒng)某處發(fā)生故障時，燃油壓力波的參數(shù)必然發(fā)生變化。因此燃油壓力波動過程蘊含了燃油系統(tǒng)性能及故障的許多信息。如圖2所示，為12150L內(nèi)燃機在轉(zhuǎn)速為n=500r/min采樣頻率為50kHz時所采用夾持式壓力傳感器測取的燃油系統(tǒng)正常時的油壓波形，圖中a點是高壓油泵開始供油點。B點為噴油器針閥開啟壓力點。針閥開啟后，由于針閥上升及燃油開始向汽缸噴射，油管油壓下降到c點。以后由于噴油泵壓油的速度增加，管中油壓繼續(xù)上升到最大點d。此后由于泵速下降，管中油壓下降，當油壓低于針閥關(guān)閉壓力時，針閥關(guān)閉（點e）。e點后，油泵仍工作，油壓有所回升（點f）。直到油泵出油閥關(guān)閉，油壓下降到剩余力。根據(jù)油壓波形結(jié)構(gòu)特點，選擇如下特征參數(shù)：Vm—油壓波峰值與殘余油壓波值之差；Vo—噴油器開啟壓力波值與殘余油壓波值之差；Ta—高壓油泵開始供油時間；Td—油壓波峰值對應(yīng)的時間；Ts=Te-Tb；△Vm—兩波峰差值；If和Cf—脈沖因子與波峰因子；E—波壓波功率譜能量。3.2原始數(shù)據(jù)的歸一化由于選用的特征參量數(shù)值變化幅度很大，使得網(wǎng)絡(luò)對數(shù)值較小的分量的變化不敏感，從而，造成網(wǎng)絡(luò)學習精度的降低。同時，也將導致網(wǎng)絡(luò)收斂速度減慢，而且，由于搜索空間的范圍增大，容易使網(wǎng)絡(luò)陷入局部極小。所以，對原始數(shù)據(jù)采用下面的方法進行歸一化處理，使其值在。以避免由于數(shù)據(jù)的不同量級而引起的偏差。式中：xi—從油壓波形中提取的特征參數(shù)；φi—標準特征參數(shù)，Ci=s2/3為方差。當神經(jīng)網(wǎng)絡(luò)的輸出單元Oi值為1時，表示對應(yīng)的故障存在；其值為0時，表示故障不存在。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計為多輸入多輸出系統(tǒng)，輸入層單元數(shù)為選擇的特征參數(shù)8個，隱層為16個，輸出層為故障的類型8個。3.3溫度適宜應(yīng)選取的原則參數(shù)的設(shè)定是經(jīng)過反復的實驗確定的，溫度過高，收斂速度慢；溫度過低，又不能全局收斂。當T0取300時，溫度適中。交叉和變異概率，如果選的過大，結(jié)果不穩(wěn)定；太小，又不能起到作用。這里我們選Pc為0.8,Pm為0.01。3.4故障發(fā)生設(shè)備待診參數(shù)歸一化后的數(shù)據(jù)，如表1所示。診斷結(jié)果，如表2所示。表中0.900就表示故障發(fā)生了。實際測試結(jié)果表明，通過提取夾持壓力傳感器油壓波的特征參數(shù)可以有效地對內(nèi)燃機的故障做出診斷。4．綜合搜索能力的發(fā)揮(1）將BP算法與遺傳模擬退火算法相結(jié)合，用遺傳模擬退火算法優(yōu)化BP網(wǎng)絡(luò)的權(quán)值，使算法既有神經(jīng)網(wǎng)絡(luò)的學習能力和魯棒