基于粒子群神經網絡線控轉向故障診斷的研究*

付秀偉，孔 峰，付 莉

(1.桂林電子科技大學 計算機與控制學院，廣西桂林541004;2.廣西工學院 電控系 ，廣西 柳州545006)

0 引言

汽車線控轉向是通過微電子技術連接并控制轉向系統的元件來代替傳統的機械連接，用傳感器記錄駕駛者的轉向數據和車輛轉角、車速、轉向阻力等數據并傳送給車載控制器，車載控制器按照給定的控制算法計算輸出控制信號，控制車輛的轉向角度實現汽車轉向控制［1］。但因傳感器的穩定性和數據傳輸的誤差性，不可避免地要出現故障，對其引入故障診斷，提高汽車轉向系統的可靠性和穩定性。運用故障診斷機制直接進行故障定位，故障隔離，并指導用戶及時排除故障，減少事故的發生，對汽車轉向系統具有重要意義。

神經網絡具有自學習、自組織、自適應等特性，并具有極強的容錯性、魯棒性和聯想存儲功能［2］。但神經網絡算法存在收斂速度慢、易陷入局部極小值等問題，本文通過改進的粒子群優化算法來訓練神經網絡，并根據群體早熟收斂程度和個體適應值來調整慣性權重的自適應粒子群優化神經網絡算法，有效改善神經網絡的訓練效率，加快了收斂速度，提高故障模式識別的準確率。

1 汽車線控轉向系統故障診斷模型的建立

1.1 輸入模式的確定

本文主要是通過檢測傳感器的信號，控制器輸出控制信號x5和指示燈x6判斷汽車轉向故障，傳感器的信號主要來自力矩傳感器x1，轉向角傳感器x2，車速傳感器x3和位移傳感器x4，選取以上5種信號作為汽車故障的特征信號。

1.2 輸出模式的確定

本文中，網絡輸出采用以下5種故障模式表示:力矩過大y1，轉角不變幾乎為零y2，速度超過規定值y3，位移超過量程范圍y4，控制器干擾信號多y5。據此建立神經網絡，它具有5個輸入神經元，5個輸出神經元，隱含神經元數為6個。其訓練樣本如表1所示。

表1 網絡訓練樣本Tab 1 Samples of network training

2 改進粒子群優化算法

2.1 全局粒子群優化算法

全局粒子群優化算法是同時跟蹤自己的歷史最優值與全局最優值來改變自己的位置和速度［3］。設種群規模為m，第i個粒子在d維空間的位置表示為xi=(xi1，xi2，…，xid)，速度表示為vi=(vi1，vi2，…，vid)，i=1，2，…，m。計算每個粒子的適應度，適應度函數一般由被優化的函數決定。根據每一個粒子的適應度，更新每個粒子的個體最優值位置pb和全局最優值位置gb，粒子通過動態跟蹤pb和gb來更新其速度和位置。粒子根據以下公式來更新其速度和位置

式中 i=1，2，…，m 表示第 i個粒子;j=1，2，…，d，表示第 j維空間;c1和c2為學習因子，t為迭代次數，rand()為均勻分布在(0～1)之間的隨機數，w為慣性權重。

2.2 局部粒子群優化算法

局部粒子群算法［4］是在上面全局粒子群算法基礎上，多速度更新中用lb代替gb，其余保持不變。經過實踐證明:全局粒子群箅法收斂速度快，但容易陷入局部最優;局部粒子群算法收斂速度慢，但可以有效避免陷入局部最優，粒子的速度和位置根據如下公式進行更新

式中 c1，c2，c3為學習因子。

3 基于改進自適應粒子群算法的神經網絡

3.1 粒子速度與位置更新策略的改進

將全局粒子群算法和局部粒子群算法上的融合來實現對全局粒子群優化算法進行了改進，在迭代過程中計算每一個粒子與群中其他粒子的距離，記錄任何2個粒子間的最大距離為dmax。dab是當前粒子a到粒子b的距離，如果粒子b滿足dab/dmax＜η時，認為b屬于當前粒子的鄰域 ;如果粒子b滿足dab/dmax＜η時，認為b不屬于當前粒子的鄰域。閾值系數η的選擇根據迭代次數而變化［4］，η的表示如下

式中 t為當前迭代次數，tmax為最大迭代次數。

當η＞0.9時，采用全局粒子群算法來更新粒子的速度和位置。當η＜0.9時，采用局部粒子群算法來更新粒子的速度和位置。

3.2 對慣性權值的改進

當群體的最優適應值長時間未發生變化(停滯)時，應根據群體早熟收斂程度自適應地調整慣性權重。本文引用文獻［5］的指標來評價粒子群早熟收斂程度。設粒子群的規模數為Q，如果favg為所有粒子當前適應度值的平均值，則

其中，fi為粒子在當前迭代次數時的適應值。設最優粒子的適應值為fg，并將適應值優于favg的適應值求平均得到f'avg，定義Δ=|fg－f'avg|，Δ可用來評價粒子群的早熟收斂程度，Δ越小，說明粒子群越趨于早熟收斂。

本文引用文獻［6］來計算慣性權重，適應值為fi的粒子，其慣性權重w的具體調整方法如下:

1)fi＞f'avg時，粒子已經比較接近全局最優，所以，應被賦予較小的慣性權重，以加速向全局最優收斂。本文根據粒子適應值，按下式調整粒子的慣性權重

其中，wmax為搜索開始時最大的權重。粒子適應值越接近平均值，其慣性權重相應越小，局部尋優越好。

2)f'avg＞fi＞favg時，粒子具有良好的全局尋優能力和局部尋優能力。開始搜索時w能較長時間保持較大值以提高搜索效率，在搜索后期 w又能較長時間保持較小值以提高搜索精度，其w的修正公式

式中 wmax為搜索開始時最大的權重;wmin為搜索結束時最小的權重;t為迭代所進行的步數;tmax為允許最大迭代次數。

3)fi＜favg時，滿足此條件的粒子是群體中較差的粒子，其慣性權重的調整引用文獻［5］中調整控制參數的方法

其中，k1主要用來控制w的上限，k1選取大于1的常數，本文取k1=1.5;k2主要起調節作用，若k2過大，在早期停滯時，w會迅速變得很小，這雖然會加快收斂，卻使算法在早期全局尋優中能力不足，若k2過小，則式(9)的調節能力不是很明顯，尤其是在后期算法不能有效地跳出局部最優，本文取k2=0.3。w隨著Δ的增大而減小，因此，Δ較大時，加強局部尋優，以使群體趨于收斂;Δ較小，使粒子具有較強的探查能力，從而有效地跳出局部最優。

4 自適應粒子群訓練神經網絡

自適應粒子群優化算法訓練神經網絡的基本流程如下:

1)根據神經網絡的輸入、輸出樣本集，建立神經網絡的拓撲結構，將神經元之間所有的連接權值和閾值編碼成實數向量表示種群中的個體粒子。

2)初始化粒子的初始位置、速度、慣性權重w，加速因子c1，c2，規定最大迭代次數等。

3)根據輸入、輸出樣本，粒子群算法計算出每個粒子適應度函數值，并將每個粒子的最好位置作為其歷史最佳位置，并記錄當前位置，開始迭代。

4)如果當前粒子與前一個粒子的距離η＞0.9時，采用全局粒子群算法，反之，用局部粒子群算法。

5)如果粒子適應度優于個體極值pi，將pi設置為新位置。若粒子適應度優于全局極值pg，將pg設置為新位置。

6)利用全局粒子群優化算法的式(1)，式(2)，式(3)更新粒子的速度和位置。

7)檢查粒子速度和位置是否越界，如越界，排除越界并重新更新粒子速度和位置。

8)重新計算粒子的適應度值，并根據適應度自動改變慣性權重，搜索出粒子最佳位置。

9)檢根據粒子適應值不同采取相應的自適應策略，分別按照式(4)～式(6)調整慣性權重w，轉向(3)。

10)若滿足停止條件，則搜索停止，輸出全局最優位置。

5 診斷結果與分析

對于6種故障，每種設定故障下采集70組數據，共420組數據。利用改進后的自適應粒子群優化算法的神經網絡對訓練樣本數據進行學習，得到網絡的權重矩陣，權重矩陣表達了網絡輸入輸出間的非線性關系，即故障診斷的知識。

圖1為采用普通粒子群優化算法的神經網絡(PSO—NN)與改進型自適應粒子群神經網絡(MAPSO—NN)進行訓練時最優誤差P隨迭代次數T的變化曲線。

由圖1可知，ACPSONN收斂速度快，且誤差精度高。對500組檢驗樣本分別取不同故障下的典型樣本進行測試.并將MAPSO—NN的診斷結果與BPNN，遺傳—神經網絡(GA—NN)和PSO—神經網絡(PS0—NN)的診斷結果進行比較，診斷結果如表2和表3所示。

圖1 最優誤差曲線Fig 1 The optimal error curve

表2 MAPSO—NN的故障診斷結果Tab 2 Fault diagnosis results of MAPSO—NN

表3 診斷結果的比較Tab 3 Comparison of diagnosis results

由結果可以看出，改進后的自適應粒子群算法訓練神經網絡的方法比其他訓練算法性能更好，用此算法進行汽車線控轉向故障診斷的精度要高于其他算法，所以，將其應用于汽車線控轉向故障診斷是可行的。

6 結束語

本文使用改進后的自適應粒子群優化算法優化神經網絡并將其應用于汽車線控轉向故障診斷中，有效的克服了收斂速度慢、易陷入局部極小值等問題。實驗結果表明:該方法比普通粒子群優化算法、遺傳算法訓練神經網絡能有效地提高神經網絡的訓練效率，加快網絡的收斂速度，而且，網絡的故障識別精度更高，能有效地對汽車轉向故障進行診斷。

［1］胡靜波.轉載機容錯線控轉向系統研究［D］.長春:吉林大學，2008.

［2］周志華，曹存根.神經網絡及其應用［M］.北京:清華大學出版社，2004.

［3］Rumelhart D E，McClelland J L.Parallel distributed processing:Explorations in the microstructure of cognition.［M］.Cambridge:MIT Press，1986.

［4］Suganthan P.Particle swarm optimizer with neighborhood operator［C］∥Proceeding of Congress on Evolutionary Computation.Piscataway，1999:1958－1964.

［5］王建國，陽建宏.改進粒子群優化神經網絡及其在產品質量建模中的應用［J］.北京科技大學學報，2008，30(10):1189－1195.

［6］吳浩揚，朱長純，常炳國，等.基于種群過早收斂程度定量分析的改進自適應遺傳算法［J］.西安交通大學學報，1999，33(11):27－30.

［7］Isermann R，Schwarz R，Stolzl S.Fault-tolerance for drive-by-wire systems［J］.IEEE Control Systems Magazine，2002，22(5):64－81.