IWO 与 BPNN 混合智能算法在转子故障诊断中的应用

1、IWO 与 BPNN 混合智能算法在转子故障诊断中的应用过去十余年，人工神经网络得到了良好开展，在各领域中解决了大量间序列预测、分类、聚类及回归等问题。故障诊断技术的本质是形式识别问题，即在故障特征信号与故障类型间建立映射。而故障特征信号常难以用数学规那么描绘，且设备常难以建立准确的数学模型，这种情况下，人工神经网络以其成熟的理论背景与强大的非线性映射才能成为机械设备故障诊断的重要方法。人工神经网络学习才能和泛化才能是判断其是否能在工程中应用的关键，这些才能是由神经网络的权值与构造直接决定的。目前多用基于误差梯度信息反向传播法计算神经网络权值，这一类方法应用广泛，但也存在一些缺陷。粒子群算法P

2、SO与遗传算法GA等一类智能数值优化算法可以通过寻找全局最优来优化神经网络，使其获取最正确的权值与构造。近年，IWO(Invasive Weed Optimization)杂草算法又作为一种新的仿生智能数值优化算法解决了大量工程优化问题。杂草算法由Mehrabian与Lucas于2022年提出，并利用该算法求解3个标准多维数值优化函数集及解决了1个鲁棒控制器优化与调节问题验证算法性能;2022 年张氢等利用马尔科夫链证明了IWO 算法的全局收敛性，同时用一个齿轮箱优化实例对其观点进展验证。杂草算法已然在多个领域崭露头角，而将改良IWO用于神经网络故障分类的研究尚未见相关报导。本文将介绍这一新兴

3、优化算法并提出更适宜神经网络故障诊断的改良，讨论适用于神经网络优化的参数设置问题。结合杂草算法与BP算法将网络权值与构造同时进展编码处理代入算法进展优化，试图增强网络的学习才能的同时保证其泛化才能，使其在旋转机械故障诊断中得到更小的故障特征分类误差并且更具实用性。1 神经网络神经网络是互相连接的神经元的集合，这些神经元可以通过学习从复杂的数据中发现本质的线性和非线性的趋势。其构造由一个输入层、一个隐含层和一个输出层构成，每一层包含假设干神经元，各层之间通过不同的权值和阈值相连。2 IWO 算法2.1 算法原理模拟自然界中杂草占领生存空间生长繁殖的特性进展寻优计算的IWO算法与遗传算法、粒子群算

4、法等相似，都是一种与群体智能相关的计算方法。算法可以用如下伪代码表示：(1) 随机初始种群;(2) 根据调制指数确定最初与最终的标准差(3) 重复以下步骤：计算植株适应度值并排序;根据适应度繁衍子代;到达最大种群数目，父子代竞争;(4) 到达最大迭代次数，算法停顿。3 改良杂草算法优化神经网络针对神经网络优化中的详细问题，在详细分析杂草算法搜索过程之后，从杂草算法资源占用，神经网络参数编码，杂草种子的适应度计算三个角度进展了讨论，最后给出杂草算法优化神经网络流程。3.1 算法原理经典的杂草算法在解决高维问题时非常出色，神经网络有大量参数，是典型的高维寻优的问题。经典的杂草算法中，种子需要一样的

5、维度，限制了算法只能在一样网络构造下优化初始权值。根据杂草算法的思想本文进展了假设干改良。3.2 杂草种子编码神经网络进输入层节点数 m 取决于分类信号的特征维数，输出层节点数 n 为需要分类的类别数目，隐层节点数 n 由杂草算法确定。如图1所示，权值aij和阈值cj存在于输入层与隐层之间，bij与dj在隐层与输出层之间。4 仿真实例进展分段处理，得到每种状态下的120 组样本。经滤波和消噪后计算这 12 个传感器测得振动信号的均值、标准差、峰值、峰峰值、方根幅值、均方根值以及无量纲指标峭度、偏度、裕度、峰值指标、波形指标11种特征特征值。为使神经网络不至于过大，利用 PCA(Principal ponent Analysis)方法进展挑选，最终选取每组样本的6个可以敏感反响设备状态的特征归一化后作为网络输入，挑选详细过程见文献 13。将这120组5种样本随机划分为三份，即每份405组，分别用来训练网络，检查网络收敛情况和测试网络性能。划分时用的随机抽取方式，可以保证数据的典型性。5 结 语本文为寻找神经网络权值阈值与构造的最优解，通过调整IWO种子产生方式与每代标准差变化方式对算法进展了改良，多维度的种子对不定确定维度的问题进展优化，用标准差震荡变化减小算法的运算量。改良后的IWO算法保持了经典IWO强大的非线性快