（通信与信息系统专业论文）基于遗传算法的多故障诊断技术研究.pdf

华中科技大学硕士学位论文 摘要 本文以中国北京航天测控公司支持的“板级产品故障诊断软件开发平台”项目为 背景，在深入研究多故障诊断和正交设计原理的基础上。提出了基于自适应正交局部 搜索算子的混合遗传算法并将其成功的用于电路的多故障诊断。 概率因果模型是多故障诊断的理论基础之一。然而遗传算法自身的特点使其在运 用概率因果模型进行复杂的多故障诊断时不能取得令人满意的效果。本文分析了概率 因果模型的各项因子在遗传算法进化过程中所起的作用，提出了改进的概率因果模型， 以此作为本文各项研究工作的基础。 在提高遗传算法的性能方面，局部搜索算子与遗传算法的结合是一个很有前途的 研究方向。厂基于遗传算法的动态特性和正交设计的思想，本文提出了能根据当前进化 的种群状态自适应调整局部搜索空间大小的正交局部搜索算予。第四章对结合了自适 应正交局部搜索算子的遗传算法进行了经典的多峰值测试函数的性能测试，结果表明 混合算法在获得的解的准确性和收敛速度上均优于标准遗传算法。 在改进的概率因果模型的基础上，本文采用c o m 组件技术实现了混合遗传算法电 路故障诊断模块，将其集成到“板级产品故障诊断软件开发平台”中，整个软件平台 具有稳健性和可扩展性。根据电路故障诊断的实际特点，本文对遗传算法的各个参数 和自适应正交局部搜索算子进行了适当的调整，使混合遗传算法故障诊断模块能很好 的适用于电路故障诊断领域，具有很强的实际意义，也为进一步的研究提供了实践基 础。抄 关键诃t 多故障诊断 遗传算法j 正交设计 概率因果模型j 华中科技大学硕士学位论文 a b s t r a c t n l eb a c k g r o u n do ft h ep a p e ri st h ep r o j e c t 。t h ep l a t f o r mf o rd e v e l o p i n gf a u l td i a g n o s i s s y s t e m so fc i r c u i tb o a r d s ，w h i c hi ss p o n s o r e db yb e i j i n ga e r o s p a c em e a s u r e m e n ta n d c o n t r o lc o r p o r a t i o n b a s e do na ni n - d e p t hi n v e s t i g a t i o no nt h em u l t i p l ef a u l td i a g n o s i s ( m f d ) a n d t h eo r t h o g o n a ld e s i g n ，ag e n e t i ca l g o r i t h m ( g a ) h y b r i d i z e dw i t ha na d a p t i v e o r t h o g o n a ll o c a ls e a r c h ( a o l s ) o p e r a t o r i s p r o p o s e da n de m p l o y e ds u c c e s s f u l l yi nt h e m f do f c i r c u i t s p r o b a b i l i s t i cc a u s a lm o d e l ( p c m ) i so n eo f t h eb a s e so f h 伍d b u tw h e ng ai su s e dt o d e a lw i t hn 匝dhp c m e f f e c t sa r eo f t e n u n s a t i s f a c t o r y b e c a u s eo ft h ei n h e r e n t c h a r a c t e r i s t i c so fg a 。n ef u n c t i o no fe a c hf a c t o ri np c m d u r i n gt h ee v o l u t i o no fg a i s a n a l y z e da n d am o d i f i e dp c mi sp r e s e n t e d , w h i c hl a y st h ef o u n d a t i o no f r e s e a r c h e si nt h e p a p e r i t sp r o m i s i n gt oc o m b i n et h el o c a ls e a r c ho p e r a t o rw i t hg ai no r d e rt oi m p r o v et h e p e r f o r m a n c eo fg a o nt h eb a s i so ft h et h e o r yo f0 r t h o g o n a ld e s i g na n dt h ed y n a m i c a t l r i b u t eo fg a ，a l lo r t h o g o n a ll o c a ls e a r c ho p e r a t o rt h a tc a n v a r y t h es i z eo f t h el o c a ls e a r c h a r e aa d a p t i v e l yi nr e s p o n s et ot h ec u r r e n ts t a t eo ft h ep o p u l a t i o nd u r i n gt h ee v o l u t i o ni s p r e s e n t e d i nt h e p a p e r t h eg ah y b r i d i z e d w i t ht h e p m p o s a d a o l so p e r a t o ri se v a l u a t e do n as e to fb e n c h m a r kf u n c t i o n si nt h ef o u r t hc h a p t e r r e s u l t ss h o wt h a tt h e r e s u l t i n ga l g o r i t h m o u t p e r f o r m st h e t r a d i t i o n a lg ai nt e r m so f b o t hs o l u t i o na c c u r a c ya n d c o n v e r g e n c es p e e d n ec i r c u i td i a g n o s i sm o d u l eb a s e do n h y b r i d i z e dg au t i l i z i n gt h ec o m t e c h n o l o g y i s r e a l i z e da n di n t e g r a t e di n t ot h ep l a t f o r mf o rd e v e l o p i n gf a u l td i a g n o s i ss y s t e m so fc i r c u i t b o a r d s ，w h i c hi sr o b u s ta n de x p a n s i b l e a c c o r d i n gt ot h ef e a t u r eo f t h ec i r c u i td i a g n o s i s ，w e p r o p e r l ya d j u s tt h ep a r a m e t e r so f g aa n da o l s o p e r a t o rs oa st om a k e t h em o d u l em o r e a p p l i c a b l e f o rt h ef i e l do ft h ec i r c u i t d i a g n o s i s n ea b o v ew o r ke s t a b l i s h e sas o l i d f o u n d a t i o nf o rt h ef u t u r er e s e a r c h t i 华中科技大学硕士学位论文 k e y w o r d s ：m u l t i p l e f a u l td i a g n o s i s g e n e t i ca l g o r i t h mo r t h o g o n a ld e s i g n p r o b a b i l i s t i ec a u s a lm o d e l i i l 华中科技大学硕士学位论文 1 绪论 本章介绍了本文所研究课题的背景及意义。首先介绍了多故障诊断问题的定义并 详细分析了当前在多故障诊断领域中的挑战，然后初步介绍了多故障诊断领域的研究 现状，并重点讨论了智能诊断系统。接下来简要介绍了遗传算法的基本理论和本文的 选题背景。本章最后大致描述了本文研究内容和结构安排。 1 1 多故障诊断( m u i t j p l ef a u i td i a g n o $ i s ) 及其挑战 随着技术的进步，现代化的工程技术器件和系统朝着大规模、复杂化的方向发展， 例如v l s i 芯片、通信系统、航天飞机或者核反应堆等都是非常复杂的对象。这些器件 和系统由数目惊人的组件构成，例如一个v l s i 芯片就包含了几百万个门。当由于某种 原因其中的某些组件发生故障时，就会导致器件或系统的功能失常或者完全不能工作。 基于这些系统的高度复杂性，它们产生的故障征兆不但多种多样，而且各个故障之间 有着错综复杂的关系，从而使故障诊断变得异常艰难。 当对一个系统进行诊断的时候，必须考虑系统的故障特征，即系统故障之间的相 关性和排斥性，通常可以分为两类：单故障和多故障。单故障系统是指在任何时刻， 系统只有一个源故障产生，源故障之间是相互排斥的，系统的诊断结果为唯一的源故 障。多故障系统是指在任何时刻，系统可能有多个源故障同时发生，故障之间存在相 关性，一个源故障的出现常引起其它源故障的出现。系统的外部特征是多个源故障的 复合表现，最终的诊断结果是一组相关的源故障。相对于单故障系统，多故障系统更 能反映实际的情况。几乎任何一个实际系统都是多故障系统，而且故障之间相关和无 关都是同时存在的。现代复杂系统的故障诊断中，诊断一个故障征兆集需要评估大量 的故障组合，故障解空间随着故障种类的增多而成指数关系增长。在很多应用中，多 故障诊断问题被证明是n p - h a r d 问题，对各种现有的故障诊断方法提出了严峻的挑战。 当前多故障诊断领域中的三个主要的难点是：( 1 ) 庞大的故障诊断数目；( 2 ) 判断一 华中科技大学硕士学位论文 个诊断结果的好坏的标准：( 3 ) 搜寻最优或者次优解的搜索策略假设一个规模比较小 的情形，一块由2 0 个元件组成的电路板，这个系统中的每一个元件都可能产生十个故 障征兆中的征兆。假定我们已经有一个判别机制来判断2 2 0 ( 即1 , 0 4 8 ，5 7 6 ) 个可能的诊断 结果的好坏，我们同时还必须考虑如何搜索这个巨大的解空间来找到最好的诊断结果。 1 2 多故障诊断领域的研究现状 故障诊断是一个非常活跃的研究领域，过去几十年里故障诊断技术得到了飞速发 展，各种针对特定系统的诊断理论和方法层出不穷。在多故障诊断领域，当前主要的 方法有以下几种：基于解析模型的方法、基于信号处理的方法和基于人工智能( a r t i f i c i a l i n t e l l i g e n c e ) 的方法等。 基于解析模型的方法是最早发展起来的，此方法需要建立被诊断对象的较为精确 的数学模型。它又可以分为参数估计方法、状态估计方法和等价空间法。 状态空间法的基本思想是：首先重构被控过程的状态，通过与可测变量比较构成 残差序列，再构造适当的模型并用统计检验法，从残差序列中把故障检测出来。因此 要求系统可观测和部分可观测，通常用各种状态观测器和滤波器进行状态估计。n a n d o d ef m i t a s 1 】使用了条件高斯状态空间模型并使用了一个高效的m o n t ec a r l o 方法，即 r a o - b l a c k w e l l i s e d 微粒滤波方法，取得了很好的效果。f r c d r i kq l s 协f s s o n 口】贝u 采用基于 滑动窗口数据的k a l m a n 滤波器来进行状态估计并用于实际的故障检测与诊断。 参数估计法与状态估计方法不同，不需要计算残差序列，而是根据参数变化的统 计特性来检测故障的发生。与状态估计的方法相比，参数估计法更利于故障的分离【3 】。 参数估计方法要求找出模型参数和物理参数之间的一一对应关系，且被控过程需充分 激励。因此将参数估计方法和其它基于解析模型的方法结合起来使用，可以获得更好 的故障检测和分离性能。 等价空间方法的基本思想就是利用系统的输入输出的实际测量值检验系统数学模 型的等价性( 即一致性) 以检测和分离故障【】，通常的等价空间方法仅适用于线性系 统。 当难以建立诊断对象的解析数学模型时，基于信号处理的方法是非常有用的，因 2 华中科技大学硕士学位论文 为这种方法回避了抽取对象的数学模型的难点，而直接利用信号模型，如相关函数、 高阶统计量、频谱和自回归滑动平均过程，以及现在热门的小波分析技术。基于小波 的故障诊断方法是一种新的信号处理方法。是一种时间尺度分析方法，具有多分辨 率分析的特点。利用连续小波变换可以检测信号的奇异性，而离散小波变换可以检测 随机信号频率结构的突变。小波变换不需要系统的数学模型，对噪声的抑制能力很强， 有较高的灵敏度，运算量也不大，是一种很有前途的方法，并取得了很好的实用效果1 5 。 随着人工智能技术的发展，近年来智能诊断系统不断出现，人工智能在故障诊断 中的应用逐渐成为多故障诊断领域中的热点，它主要包括以下几种：专家系统、基于 事例的推理系统、基于决策树的系统、基于人工神经网络的系统、基于统计模式识别 的系统和基于遗传算法的系统等。 专家系统在多故障诊断领域中取得了令人瞩目的成就，许多使用经典的知识表示 并采用基于规则( r u l eb a s e d ) 和基于模型( m o d e lb a s e d ) 的推理机制的专家系统被陆续提 出并进入应用领j 划6 】。然而为了在复杂的情形下获得精确的推论，基于产生式规则的专 家系统必须生成大量的规则来描述复杂的系统，而维护一个巨大的知识库是非常困难 的，因此专家系统的发展受到了一定的制约，主要表现在：知识的获取和记忆方式， 对新情况适应的灵活性以及对输入信息的容错性方面。另一方面，虽然基于模型的系 统不存在需要维护知识库但是对被诊断的系统建立一个精确的数学模型通常也是一 个很大的难题 基于事例的推理诊断系统通过建立一个事例库，避免了专家系统对知识工程的需 求。诊断系统根据一定的标准选取最匹配输入的故障征兆的事例，而且基于事例的推 理系统不像归纳学习系统那样需要建立模型。基于事例的推理系统的主要缺点是需要 存储个非常大的事例库。另一方面。在寻找最佳匹配事例的过程中，如果没有使用 先进的内存管理机制和专用的并行计算硬件，基于事例的推理系统的计算量问题将是 它的一个瓶颈。在最近的研究和应用中，将基于事例的推理系统与基于规则的专家系 统或者归纳学习系统结合起来成为了一个很有意义的研究课题。 归纳学习系统需要一个具有代表性的例子的集合( 即训练集) 来建立个模型把故 障征兆和故障联系起来。决策树是实现归纳学习系统的一个简单而且强大的途径。一 华中科技大学硕士学位论文 旦根据训练集建立了决策树，分类过程就变得非常简单：根据与移动路径上每一个中 间节点的属性比较的结果，从树的根节点旅行到相应的叶节点。决策树比较容易被用 户所理解，同时它也很容易转化为专家系统中的i f - - t h e n 规则集。 基于神经网络的故障诊断系统是归纳学习系统的另外一个发展迅速的研究领域 【7 】1 8 1 。神经网络技术代表了一种新的方法体系，它以分布的方式存储信息，利用网络的 拓扑结构和权值实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间 的非线性信息变换。神经网络系统十分适于用在输入模式受噪声影响很大甚至某些属 性缺失的诊断中。但是神经网络的结构，学习算法和输入的表达模式等的选取都需要 很多经验。由于神经网络是基于数字的表达方式，许多诊断问题中的符号变量必须映 射为数字，这种映射对于网络的学习速度和分类能力都有很大的影响。神经网络系统 不能保证每次都收敛到全局最优值，训练网络的时间也比较长。另一方面，只要故障 诊断问题出现变化，例如出现了新的故障类别，整个神经网络都需要重新训练，而且， 神经网络系统往往对它们的诊断结果不能提出很好的解释，使人们难以理解诊断结果 的意义。 基于模糊神经网络的故障诊断系统在一定程度上克服了单独的神经网络诊断系统 的缺点。模糊方法与神经网络的结合可以在神经网络框架下引入定性知识。模糊神经 网络一般是在普通的神经网络的输入层加入模糊化层，在输出层加入反模糊化层。用 语言描述的规则构造网络，是网络中的权值具有明显的意义，同时保留了神经网络的 学习机制。文献 9 】提出了一个多故障诊断的模糊神经网络系统，它用单故障事例训练 神经网络以诊断多故障，同时压缩在线的测量数据以减少训练网络的计算量。 基于统计分类器的故障诊断系统根据最大可能性原理( m a x i m u ml i k e l i h o o d p r i n c i p l e ) ，利用从事例中得来的归纳结果来进行故障诊断统计模式识别系统具有一 些与神经网络诊断系统相同的优点。但是如果不做简化的假设，从训练集中计算各个 故障类的发生概率的计算量会变得非常大。而且与神经网络系统类似，统计模式识别 系统的结果也存在让人难以理解的问题 近年来，基于遗传算法的故障诊断系统显示出了强大的优势，并迅速进入了应用 领域【1 0 】【l l 】。基于遗传算法的诊断系统可以很快确定多个全局最优值，即诊断出多个故 4 华中科技大学硕士学位论文 障。同时由于遗传算法的隐性并行机制，基于遗传算法的诊断系统可以处理大规模的 复杂系统的诊断。而且针对遗传算法较弱的局部搜索能力，j o h na m i l l e r u 2 1 等把局部 搜索算子与经典遗传算法相结合用于多故障诊断问题，同时讨论了不同的局部搜索算 子和遗传算法相结合后的混合遗传算法对于各种多故障诊断问题的适用性。实验结果 表明结合局部搜索算子的混合遗传算法不但能快速确定全局最优值所在的区域，而且 能快速的定位全局最优值，非常适合于多故障诊断领域。本论文提出了新型的基于自 适应正交局部搜索算子的遗传算法，并将其用于多故障诊断特别是电路故障诊断中， 取得了很好的效果。我们将在下一节简要介绍遗传算法，为第三章提出的基于自适应 正交局部搜索算子的遗传算法提供理论基础。 1 3 遗传算法 本节介绍了遗传算法的起源与发展、基本理论、特点及应用。 1 3 1 遗传算法的起源与发展 遗传算法的思想由来已久。早在2 0 世纪5 0 年代，一些生物学家就着手于计算机 模拟生物学的遗传系统。1 9 6 7 年，美国芝加哥大学的h o l l a n d 教授在研究适应系统时， 进一步涉及进化演算的思考，并于1 9 6 8 年提出模式理论。1 9 7 5 年，h o l l a n d 教授的专 著自然界和人工系统的适应性问世，全面的介绍了遗传算法，为遗传算法奠定了 基础 1 3 1 。 将遗传算法应用于函数优化始于d ej o n g ，他设计了一系列遗传算法的执行策略和 性能评价指标，对遗传算法性能作了大量的分析。d el o n g 的在线( o n 1 i n e ) 和离线( o f f - i h e ) 指标仍然是目前衡量遗传算法性能的主要手段，他挑选的5 个实验函数( d ej o n g sf i v e t e s tf u n c t i o n s ) 也是目前遗传算法素质实验中用的最多的实验函数【1 4 1 i s 。在一系列研究 工作的基础上，8 0 年代由o o l d b e r g 进行归纳总结，形成了遗传算法的基本框架。 在h o l l a n d 和d ej o n g 的工作之后，遗传算法经历了一个相对平稳的发展时期，逐 渐被人们所接受和运用。遗传算法的发展高潮始于2 0 世纪8 0 年代末，而且延续至今。 人们对遗传算法兴趣的日益增长有两个背景，其一是工程领域，特别是人工智能与控 华中科技大学硕士学位论文 制领域，不断涌现出超大规模的非线性系统，在这些系统的研究中存在着大量的经典 优化方法所不能有效求解的优化问题，诸如神经网络连接权重及网络拓扑结构的优化， 模糊系统中模糊规则的选取及隶属函数的确定，知识库的维护和更新1 q 等。其二，遗 传算法本身就是一种模拟自然演化这一学习过程的求解问题的方法，它能以独立的或 与其它方法相结合的形式用于智能机器学习系统的设计中。 1 3 2 遗传算法的基本理论 遗传算法的计算流程如图1 1 所示： 圈卜1 遗传算法的计算漉程圈 由上图看到，遗传算法是一种种群型操作，该操作以种群中的所有个体为对象。 遗传算法的3 个主要操作算子是物种选择( s e l e c t i o n ) 、杂交( c r o s s o v e r ) 和变异( m m a l i 彻) 。 _ 。 6 华中科技大学硕士学位论文 这3 个算子构成了所谓的遗传操作( g e n 吼i co p e r a t i o n ) 。下面对遗传算法的5 个基本要素 进行解释： ( 1 ) 参数编码 遗传算法一般不能直接处理问题空间的参数，必须把它们转化成遗传空间由基因 按一定结构组成的染色体或个体，这种转换操作就称为编码( c o d i n g ) 。大多数的问题都 可以采用一维的染色体编码方式，尤其是基于 o ，1 ) 符号集的二进制编码方式。编码 不当会对遗传算法的求解产生不利的影响。 d a v i d e g o l d b e r g 提出了编码的两条基本原理：所选编码方式应能容易的生成与 求解问题有关的确定位数少，定义长度短的组块。所选编码方式应具有最小的字符 集，自然的表达欲求解的问题【1 7 1 。 ( 2 ) 初始种群的生成 由于遗传算法具有群体型操作的特点，因此，必须为其准备一个由若干初始解组 成的初始种群，遗传算法以此为起点经过一代代进化直到终止。初始种群中的个体一 般是随机产生的。初始种群的产生有以下两个原则：基于问题的先验知识，确定最 优解所占空间在整个问题空间中的分布范围，然后在此范围内设定初始种群；先随 机生成一定数目的个体，然后从中挑选出最好的个体加入到初始种群中去。 ( 3 ) 适应度函数的设计 遗传算法在运行中基本上不需要搜索空间的知识，只用依据适应度函数来评价染 色体的优劣，在此基础上控制种群的更新。对适应度函数的唯一要求是可以计算出可 以加以比较的非负数值，同时要求把待解优化问题表达为最大化问题，即目标函数的 优化方向对适应度函数的增大方向。设计适应度函数的主要方法是把问题的目标函数 转化成合适的适应度函数。另外，当优化问题存在强约束条件时，也要对原适应度函 数进行修正，因为经典的遗传算法是不考虑约束问题的。 为了使遗传算法能正常运行，同时保持种群内染色体的多样性，改普染色体适应 度值的多样性，改善染色体适应度值的分散程度，使之既要有差距，又不要差距过大， 以利染色体之间的竞争，保证遗传算法的良好性能，需对所选择的适应度函数进行某 些数学变换。几种常见的变换方法如下：非负变换；线性变换；幂变换：指 华中科技大学硕士学位论文 数变换1 引。 ( 4 ) 遗传操作设计 遗传操作包括选择、杂交与变异3 个主要算子。这三个算子有如下的特点：它 们都是随机操作算子，种群中的个体向最优解迁移的过程是随机的；遗传操作的效 果和这三个算子所取的操作概率，编码方法，种群的规模以及适应度函数的设定密切 相关；遗传算子的操作方法与个体的编码方式直接有关。 选择算子的作用是把优化的个体直接遗传到下一代或通过配对杂交产生新的个体 再遗传到下一代。确定选择算子的方法有：轮赌法；期望值法；排序法；联 赛选择法；最佳个体保留法；排挤法。 杂交算子是遗传算法的核心操作算子，该算子与自然界生物基因的重组作用相当。 杂交操作就是把配对的两个父本个体的部分结构加以替换重组，而产生新个体的操作。 基本的杂交算子有：一点杂交；两点杂交；多点杂交；一致杂交等1 1 8 1 。 变异的算子的功能就是对个体串的某些基因座上的基因值做变动。变异的操作步 骤是：在种群中所有个体的码串范围内随机的确定基因座；以预先给定得变异概 率只对这些基因座的基因进行变异。 ( 5 ) 控制参数和终止判据的设定 控制遗传算法运行的主要参数是种群规模，染色体长度，遗传操作概率( 交换概率 只和变异概率只) 等，这些参数的设定目前尚无统一的理论指导，主要根据问题和实验 确定。 目前使用的严格数学方法判定遗传算法的终止( 收敛) 条件还比较困难。因此，大多 数应用系统在实际中采用的主要是启发式方法，如用以下条件来判定算法的终止： 是否到了预定算法的最大代数：是否找到了某个较优的染色体；连续几次迭代后 得到的解群中最好解是否变化等。 1 3 3 遗传算法的特点及应用 遗传算法与传统算法有很多不同之处，主要体现在以下几个方面： ( 1 ) 遗传算法操作的可行解集是由待解决的各种数学、物理、工程技术问题经过编 8 华中科技大学硕士学位论文 码化的( 通常采用二进制编码) ，目标函数解释为编码化个体的适应值。传统的优化方法 往往直接利用待解决问题中的决策变量的实际值本身来进行优化计算。遗传算法的编 码处理方式使之与原来问题的物理意义和特点没有关系，因而具有良好的可操作性和 简单性，适用面广。移植性强。 ( 2 ) 遗传算法同时使用多个搜索点的搜索信息，也可以同时处理个体中各部分码元。 传统的优化算法往往是从解空间中的一个初始点开始最优解的迭代搜索过程，而单个 搜索点所提供的搜索信息有限，所以搜索效率不高，有时甚至使搜索过程陷入局部最 优解而停滞不前。遗传算法从初始种群开始最优解的搜索过程，具有隐含的并行性， 这种内在的可并行处理性极大的提高了处理复杂优化问题的速度。 ( 3 ) 遗传算法直接以目标函数作为搜索信息，而不需要求优化函数的导数值等其他 一些辅助信息，因而适用于任何大规模，高度非线形的不连续多峰值函数的优化以及 无解析表达式的目标函数的优化，具有很强的通用性。 ( 4 ) 遗传算法操作如选择，交叉和变异等都是按概率在解空间进行搜索，它不同于 盲目的穷举，也不同于完全随机的查找，而是一种有目标，有方向的启发式搜索。其 中，交叉操作相当于大范围内的信息重组，是一种求解过程的粗调节；变异则是某些 基因的突变，借以实现优化步骤的微调。这种粗调和微调的有机结合在加上适当的选 择操作，就可能避开求解空间的局部极值。以较快的速度逼近全局最优解。所以遗传 算法具有很强的稳健性。 由于遗传算法的诸多优点，它受到了人们的广泛关注遗传算法的早期应用主要 围绕组合优化问题求解。如煤气管道的最优控制，旅行商( t s p ) f 司题等1 1 8 】l ，近年来迅速 扩展到机器学习、软件技术，图像处理、模式识别、神经网络【1 9 1 1 2 0 1 2 1 】l 、- i 业优化控 制、故障诊断【l o l 1 l 】【1 2 1 、生物学、遗传学、社会科学等方面，遗传算法显示了非常广泛 的应用前景。 1 4 本论文的研究内容和结构安排 本论文针对多故障诊断问题采用概率因果模型o ，r o b a b m s 廿cc a u s a lm o d e l ) ，研究了 9 华中科技大学硕士学位论文 基于正交局部搜索算子的遗传算法在多故障诊断领域，特别是在电路故障诊断中的应 用。正交设计的思想来源于实验设计( d e s i g no fe x p e r i m e n t s ) 的统计技术，本论文基于 正交设计的思想构造了自适应正交局部搜索算子，并把它与标准遗传算法相结合，提 出了混合型的遗传算法，实验的结果表明新的算法具有很强的鲁棒性，能很快的收敛 到全局最优值，适和解决各种组合优化问题，尤其是各种多故障诊断问题。 本论文的选题背景来自于由中国北京航天测控公司支持的“板级产品故障诊断软 件开发平台”项目。在板级产品故障诊断软件开发平台中，我们引入了多种人工智能 的方法进行电路故障诊断。本论文所做的工作在于实现了遗传算法电路故障诊断模块， 运用基于自适应的正交局部搜索算子的遗传算法来解决实际的数字电路故障诊断问 题，提供了一条新的电路故障诊断思路。 本论文首先在绪论中介绍了多故障诊断问题并简要介绍了遗传算法的基本理论， 接着在第二章介绍了定义了多故障诊断问题的数学模型，并根据遗传算法故障诊断的 特点提出了改进的概率因果模型。然后在接下来的一章中。论文提出了基于自适应正 交局部搜索算子的遗传算法。在第四章中，论文对提出的新型遗传算法进行验证和性 能分析。第五章应用本文提出的正交遗传算法到多故障电路诊断领域中。最后一章对 全文进行了总结并结合多故障诊断领域的挑战提出了自己的分析并指出了今后的研究 方向。 1 0 华中科技大学硕士学位论文 2 多故障诊断 本章首先简要介绍了多故障诊断问题，然后对多故障诊断问题进行了数学建模， 最后根据遗传算法的故障诊断方法的特点提出了改进的概率因果模型。 2 1 多故障诊断问题描述 在故障诊断问题中，观察到的现象与推理所得的预测现象之间存在的任何不同被 定义为一个故障征兆。故障诊断本质上就是根据一个预示故障存在的故障征兆 f s y m p t o m s ) 集，从一个故障集中确定一个或者多个故障的过程。 多故障诊断应用在很多领域中，一个多故障诊断系统的例子是医疗诊断专家系统。 这个专家系统根据病人的一系列症状在一个疾病集合中做出一个诊断，确定病人身患 一种或者是多种疾病。另一个例子是电路故障诊断系统，对于大规模的板级电路，诊 断系统在输入管脚输入测试模式序列作为输入信号，同时在输出管脚测量电路的输出 来进行多故障诊断。 无论多故障诊断应用到哪个领域中，以下两个重要的特性都是人们所期望的：( 1 ) 快速的诊断，即诊断一个故障的时间达到最小。这个特性在某些实时系统，例如核反 应堆系统中显得尤其重要；( 2 ) 可靠的诊断，即诊断结果具有很高的正确率。 2 2 多故障诊断的数学模型 通过对多故障诊断问题的建模，有关待诊断系统的结构信息被编码进模型中。正 式的模型中包含了诊断决策知识，这些知识对用户来说是透明的，它们主要包含两大 类：结构化知识和概率性知识。 结构化知识经常被表示为故障征兆与故障之间的关系，例如征兆x 是由故障y 引 起的，或者征兆x 是由故障y 引起而不是被故障z 引起的。这种类型的知识可以以表 格的形式表示出来，表格的列表示所有可能的故障，行则表示所有可能的故障征兆。 华中科技大学硕士学位论文 另一类知识是概率性知识，它表征了不同的故障征兆和故障之间关系的紧密性， 同时，概率性知识也表示在一个故障诊断系统中故障发生的先验概率。故障发生的先 验概率与故障征兆的发生之间是独立的，它们是专家根据系统的本质并参考各种环境 因素计算出来的，并不随着新的信息的出现而发生变化。概率通常都由数字表示，例 如如果一个病人患了疾病x ，则他出现症状y 的概率是8 0 ，即1 0 0 个x 疾病患者中 有8 0 个会出现症状y 。这些特定的值都是根据过去的医疗病例和医疗专家的知识得出 来的。 多故障诊断系统的建模有很多种方式，而概率因果模型【3 7 】f 3 8 】口明是其中最经典的一 种，它可以用来解决通用的故障诊断问题。本论文以概率因果模型作为基于正交局部 搜索算子的遗传算法在多故障诊断问题中应用的基础。 概率因果模型是一个基于被诊断问题的因果结构的人工智能模型，它适用于各种 领域。在已有的多故障诊断模型中，贝叶斯分类是一种统计模式识别的方法，最小集 合覆盖理论是一种人工智能的方法。概率因果模型则结合了贝叶斯分类和最小集合覆 盖理论，同时具有数字概率推理和符号因果推理的优点，弥补了单独使用贝叶斯分类 或者最小集合覆盖理论的缺陷“o l t l 羽。 在概率因果模型中，一个多故障诊断的问题被一个四元组表示： ( d ，m ，c ，m + ) ，其中 d = 忙。，d ：，d ， ，表示所有的故障的集合： m = 徊。，m 2 ，m ，表示所有的放障征兆的集合； c = h 。，c m 勺，c 。 ，c 是故障d ，引起故障征兆m ，的条件概率矩阵，勺表示 故障d ，引起故障征兆埘，的条件概率。勺【o ，1 】，( ，= l ，f = 1 ，行) ； j l f + 是m 的子集，表示出现的故障征兆。 给定d 、c ，可以定义下面的集合： 咖甜瓴) = 如，i ( 嘭，m ，勺) er ，v 乃d ，c 瓦j ( 2 1 ) 1 2 华中科技大学硕士学位论文 。口淞e ( m ，) ：k i ( 嘭，m 。, c u i r ，v m ，m ，c ，瓦 ( 2 2 ) e f f e c t l d _ ，) 表示所有乃可能引起的故障征兆的集合； c a u s e ( m ，) 表示所有可能引起m ，的故障集合； 瓦为一阈值，q 瓦表示故障4 引起故障征兆m ，的可能性必须不小于瓦。 一个诊断结果d i ( d 的一个子集) 定义了可能引起出现的故障征兆集m + 中的故 障征兆的故障。覆盖的定义为：如果根据c 中的可信度判断m + 中的每一个故障征兆都 与1 9 1 中至少一个故障有关联，则称诊断结果研覆盖了m + 。通常没有出现在d ，中的 故障被认为没有发生。非覆盖( n o n c o v e r s ) 诊断则是指诊断肼中的故障不能完全解释 出现的故障征兆集m + 中的征兆，而超覆盖( s u p e r c o v e r s ) 诊断是指诊断d ，中的故障 能够导致出现的故障征兆集肘+ 之外的故障征兆发生。 故障集d 中的每一个故障以都有一个发生的先验概率p ，p j = p ) ，其中 o p j sl 。故障集d 中的故障之间假定是相互独立的表2 - 1 是一个关系矩阵的例子： 衰2 - 1 一个关系矩阵的钳予 d ld td ld l d sd d 1d iddio d i id 1 2d 1 3d 1 4d h p l 0 1 20 1 40 3 90 6 40 o l 0 2 10 2 60 1 90 5 90 2 90 0 60 4 7o 5 6o 4 l 0 0 6 m 0 5 8o o oo o o0 0 0 o 0 00 2 50 o o0 9 6o 0 0o o 8 5o o o0 7 4 o 0 00 3 8 m ，0 0 00 0 0o 0 0 00 0 00 1 5 0 8 10 0 00 3 20 0 00 3 60 7 70 3 00 6 10 0 0 m ，o 0 0o 0 “o 0 00 0 00 0 0 0 0 0o 1 lo 0 9 70 6 40 0 00 6 30 8 50 0 0 0 4 3o 6 70 7 9 0 0 2 60 7 20 0 70 0 0 0 0 00 0 0o 8 40 0 0o 0 00 4 20 6 4 m 。0 4 60 1 0o 0 5 8 0 0 00 0 4 6o 0 00 5 70 如o 0 00 5 l0 0 00 9 7 0 0 0 m 0 9 1 0 0 00 0 00 0 00 0 0 1 0 0o 2 80 0 0o o oo 0 00 0 00 o 0 00 0 00 1 2 m ，0 9 0o 9 40 0 70 2 8o 0 0 0 0 00 0 00 0 00 9 70 0 00 0 00 9 10 4 8o 2 30 7 2 埘。o 0 0 o 0 00 1 4o 1 7d 2 40 0 00 3 0 o 0 0o 2 6o 0 0 00 0 50 o oo o oo o o 坍。0 0 00 0 00 1 30 1 20 1 70 0 40 0 0 0 0 00 9 70 0 00 0 00 0 4 3 0 o 0 0 ”l o 0 0 00 6 30 0 70 7 50 1 20 0 00 0 00 4 50 0 00 8 80 2 10 0 00 4 50 8 60 1 9 华中科技大学硕士学位论文 在定义了以上概念的基础上，我们采用如下的公式来计算相对可能性，作为判断 一个故障诊断结果好坏的标准： 上l 以，m + ) - - l i 三2 三3 ( 2 3 ) 其中第一个因子厶， 厶：f i l n ( 1 一勺) ( 2 4 ) _ “+ l d j e d ! j 是诊断结果盯的中的故障引起出现的故障征兆集肘+ 中故障征兆的可能性。根据上式， 对于没有覆盖m + 的诊断结果来说，厶的值将为0 ，从而使三的值为0 。这种情况会导 致非覆盖诊断信息的丢失，阻止了对非覆盖诊断的进一步分析a 第二个因子2 ， 三：= 兀玎( 1 1 ) ( 2 5 ) d s d ! _ i e 四l m u i 卜m 是诊断结果肼中的故障不引起在出现的故障征兆集m + 之外的故障征兆( 即m 一肘+ ) 的可能性。厶是一个用来衡量诊断结果中的故障引起没有出现的故障征兆的可能性大 小的权值，理想状态下上：的值应该接近1a 超覆盖的诊断在上式定义的厶计算的结果 为0 ，最终三的值也为0 ，同样也存在着不能分析超覆盖诊断的缺憾。最后，第三个因 子上3 ， l 3 一- - d 兀s , d ! 尚、* - - y j ( 2 6 ) 表征了故障诊断三玎中故障的先验概率对诊断结果的影响，即出现概率高的故障对诊断 所的整个相对可能性值上的贡献大于出现概率低的故障。 2 3 基于遗传算法的改进多故障诊断模型 2 2 节中指出的关于概率因果模型的缺点使之不能很好的适用于基于遗传算法的 故障诊断，因此，本论文的多故障诊断问题的研究采用改进的概率因果模型f j 2 】，改进 1 4 华中科技大学硕士学位论文 后的模型可以在使用非覆盖的诊断，即没有完全解释故障征兆的诊断的情况下使诊断 搜索过程收敛到全局最优值。即使在搜索空间表面非常平坦，仅仅偶然出现一些非常 细小的脊或者针状结构的情况下，改进的模型依然能够根据搜索空间提供的有限的信 息，逐步接近并最后到达全局最优值。 由于条件的限制很多故障诊断闯题都只存在为数不多的覆盖故障征兆集的诊断， 如果没有一种全局的收敛机制，基于某种搜索策略的搜索过程通常会迷失在平坦的搜 索空间中而不能发现附近的峰值。在概率因果模型中所有非覆盖诊断的相对可能性的 值都是零，从遗传算法的观点来看，概率诊断模型中的非覆盖诊断不能提供有用的信 息使诊断搜索过程向着靠近全局最优值的方向进行。 为了保证遗传算法能正常的进化，本论文采用的改进的概率因果模型保证因子厶 永远不为零。在概率因果模型中，只要诊断l ，中的某个故障与故障征兆集肘+ 的因果 关系的值为零，相对可能性三中的因子厶的值就会为零。改进的概率因果模型把这些 因果关系的值设置为一个非常接近零的值，所以非覆盖诊断的相对可能性的值在改进 的模型中不会为零，可以为遗传的进化过程提供有益的信息在这种情况下诊断讲中 故障的先验概率和相对于诊断上玎而言期望出现但是没有出现的故障征兆成为了决定 相对可能性三大小的主要因素。当然，随着能被诊断所解释的故障征兆的增多，厶的 值也会发生一些变化。 另外一个能帮助搜索过程收敛的因素是因子上：。在概率因果模型中，因子三：被强 制为零以防止冗余或者超覆盖的诊断。如果诊断中的某个故障与出现的故障征兆集之 外的征兆有因果关系，因子上：的值就会为零。同样的道理，在改进的概率因果模型中， 此情况下的因子2 会被设置为一个非常接近于零的值。通过把上述状态下的因子厶和 三：用接近于零的值代替原来的零值，可以把这些原来丢失的诊断信息重新加以评估比 较，从而使搜索过程能收敛到全局最优值。由于改进的概率因果模型保留了非覆盖诊 断和超覆盖诊断的信息，遗传算法可以向着全局最优的方向进化。 堡塑= 全壅匿盟型王：耋壁圭堇量堂鲍! ! 尘垫堕塑! ! 全垫堕堑些塑苤丕堑堕： 1 5 华中科技大学硕士学位论文 见表2 - 1 ，给定出现的故障征兆集 m + = b i ，m 2 ，m 5 ，m 7 ，m s ，m 9 ，m l o ) ， 和诊断 d i = 0 0 1 1 0 0 0 0 1 0 0 1 1 0 0 根据改进的概率因果模型可以得出诊断肼相对于出现的故障征兆集肘+ 的因子厶， 三2 ，厶和相对可能性厶却m 大小： 厶= 1 9 9 3 1 5 5 2 7 7 1 5 7 1 8 e 一0 1 l 2 = 2 1 1 8 4 4 6 4 0 5 4 7 1 0 8 e 一0 l 上3 = 1 8 2 0 1 2 5 3 8 5 6 1 0 8 6 e + 0 0 l 。姊b j ，m + ) - - 7 6 8 5 2 8 4 0 1 8 3 1 9 1 3 e 一0 2 1 6 华中科技大学硕士学位论文 3 基于自适应正交局部搜索算子的遗传算法 遗传算法存在着一些缺点，人们提出了很多方法对遗传算法进行改进以适应特定 领域中的应用。局部搜索算子，例如爬山法等具有很强的局部搜索能力，可以在一定 程度上弥补遗传算法局部搜索能力弱的缺点。本章首先概括了遗传算法的难点与当前 对遗传算法进行改进的研究，然后介绍了局部