模拟退火混合遗传算法在机械故障诊断系统中的应用

模拟退火混合遗传算法在机械故障诊断系统中的应用

目前，故障诊断技术已成为一个非常活跃的研究方向之一。而神经网络不仅可以表达复杂的非线性关系，而且不要求分析对象的数学模型，很适合故障诊断。其中误差反向传播神经网络（即BP神经网络）是目前在实际应用中使用最广泛的神经网络模型之一。但是，BP网络算法由于采用梯度训练法，不可避免地存在着网络的麻痹现象及易陷入局部极小的问题。而遗传模拟退火算法结合了遗传和模拟退火全局寻优和局部寻优的特点来修正BP网络前向传播中的权值和阈值，这正好弥补了BP算法的不足。因此利用遗传模拟退火的神经网络方法可以有效地提高故障诊断的效率和准确性。1bp神经网络故障分类方法近年来，神经网络理论在智能故障诊断中得到了广泛的应用。这里采用的是BP网络。BP网络算法是个非线性优化算法，能做到并行运算，具有一定的泛化能力，又显示了较好的容错性。但是存在着局部最小值，我们采用遗传模拟退火算法使系统跳出误差较大的局部最小值。这里提出的用神经网络进行故障分类的基本思想就是根据系统可用仪表测得的系统的输入/输出参数或状态，构成正常模式，故障1模式，故障2模式等等的样本，这些样本经过归一化处理后形成BP神经网络的输入，而BP网络的输出则为模式；网络输出节点则采用0、1状态输出。通过学习，网络将能够对各种故障模式进行区分。结构如图1所示。2遗传模型和硝基燃烧优化了神经网络的工作原理2.1改进混合遗传算法的优缺点遗传模拟退火算法是将遗传算法与模拟退火算法相结合而构成的一种优化算法。既有遗传算法较强的全局搜索能力，又有模拟退火算法较强的局部搜索能力，互相取长补短，得到的一种性能优良的新的全局搜索算法。而我们提出的混合遗传算法优化神经网络的基本思想就是利用其优点来解决了在故障诊断系统中，BP算法收敛速度慢，容易陷入局部极小值的问题。用模拟退火的混合遗传算法代替BP网络的反向传播过程，这样搜索点不是从一点出发，而是从一个初始点的群体出发，不断迭代计算，逐步逼近最优解，结合遗传和模拟退火全局寻优和局部寻优的特点来修正BP网络前向传播中的权值和阈值。2.2优化流程本文以内燃机燃油供给系统的故障诊断为例，说明权值学习的过程。2.2.1基于数据的模型这里具体编码方法是对于权值和阈值以十进制数字串代替GA中的二进制数字串来直接表征参数，因而，便于较大空间的遗传搜索；同时，由于取消了编码、译码过程，进而提高了算法学习的速度。2.2.2个体适应度函数在遗传算法中，判断个体优劣性的尺度是适应度。适应度的大小，决定某些个体的繁殖和消亡，即保留适应度大的个体，淘汰适应度小的个体。个体适应度采用网络的函数误差，即误差大的个体其适应度小，具体表示为：Fi=1/Ei；其中Fi为第i个样本适应度；Ei为网络的第i个样本实际输出与期望输出的误差。适应度越大，网络的实际输出与期望输出的误差越小。2.2.3群体选择继承个体适应度的计算完成后，选择适应度大的个体遗传到下一代，从而使权值越来越接近最优解空。在本例中，采用轮盘赌选择方法。2.2.4选择相对重要性的解为了克服搜索过程极易陷入局部解的特点，我们采用基于概率的双向随机搜索技术；以一定的概率Pc，随机地从父本种群中选取两条染色体进行交叉操作。当新染色体使当前解质量提高时，就接收这个被改进的解作为新的当前解；在相反的情况下，就以一定的概率exp（-C/T）接收相对当前解来说质量较差的解作为新的当前解。其中，C为邻域操作前后解的质量差，T为退火过程的控制参数。变异过程也照此接受当前解。若满足要求，过程结束。否则Tx+1=aTx，继续进行优化过程。3燃油系统故障内燃机燃油供给系统主要由低压燃油泵、高压燃油泵、高压油管、喷油器等组成，是内燃机中的重要部分，也简称燃油系统。由于它决定了每次循环喷油量的多少，因而直接影响燃油过程，决定内燃机性能。但由于它结构复杂，又处于高压状态下工作，故障率也高。根据英国燃油机工程师与用户协会提供的内燃机停机故障资料，在造成停车的故障中，燃油系统故障占27%。因此对内燃机燃油系统及时进行性能检测和故障诊断是十分重要的。3.1油压波形结构的特点燃油系统的故障是与结构和燃油方式紧密相关的。当系统某处发生故障时，燃油压力波的参数必然发生变化。因此燃油压力波动过程蕴含了燃油系统性能及故障的许多信息。如图2所示，为12150L内燃机在转速为n=500r/min采样频率为50kHz时所采用夹持式压力传感器测取的燃油系统正常时的油压波形，图中a点是高压油泵开始供油点。B点为喷油器针阀开启压力点。针阀开启后，由于针阀上升及燃油开始向汽缸喷射，油管油压下降到c点。以后由于喷油泵压油的速度增加，管中油压继续上升到最大点d。此后由于泵速下降，管中油压下降，当油压低于针阀关闭压力时，针阀关闭（点e）。e点后，油泵仍工作，油压有所回升（点f）。直到油泵出油阀关闭，油压下降到剩余力。根据油压波形结构特点，选择如下特征参数：Vm—油压波峰值与残余油压波值之差；Vo—喷油器开启压力波值与残余油压波值之差；Ta—高压油泵开始供油时间；Td—油压波峰值对应的时间；Ts=Te-Tb；△Vm—两波峰差值；If和Cf—脉冲因子与波峰因子；E—波压波功率谱能量。3.2原始数据的归一化由于选用的特征参量数值变化幅度很大，使得网络对数值较小的分量的变化不敏感，从而，造成网络学习精度的降低。同时，也将导致网络收敛速度减慢，而且，由于搜索空间的范围增大，容易使网络陷入局部极小。所以，对原始数据采用下面的方法进行归一化处理，使其值在。以避免由于数据的不同量级而引起的偏差。式中：xi—从油压波形中提取的特征参数；φi—标准特征参数，Ci=s2/3为方差。当神经网络的输出单元Oi值为1时，表示对应的故障存在；其值为0时，表示故障不存在。神经网络结构设计为多输入多输出系统，输入层单元数为选择的特征参数8个，隐层为16个，输出层为故障的类型8个。3.3温度适宜应选取的原则参数的设定是经过反复的实验确定的，温度过高，收敛速度慢；温度过低，又不能全局收敛。当T0取300时，温度适中。交叉和变异概率，如果选的过大，结果不稳定；太小，又不能起到作用。这里我们选Pc为0.8,Pm为0.01。3.4故障发生设备待诊参数归一化后的数据，如表1所示。诊断结果，如表2所示。表中0.900就表示故障发生了。实际测试结果表明，通过提取夹持压力传感器油压波的特征参数可以有效地对内燃机的故障做出诊断。4．综合搜索能力的发挥(1）将BP算法与遗传模拟退火算法相结合，用遗传模拟退火算法优化BP网络的权值，使算法既有神经网络的学习能力和鲁棒