遺傳算法在故障診斷中的應用

2013-07-09 02:33:44趙建春葉麗娜張兵兵

兵器裝備工程學報 2013年3期

趙建春，葉麗娜，張兵兵

(陸軍軍官學院 a.研究生管理大隊;b.裝甲兵系，合肥 230013)

目前，非線性系統的故障診斷已成為當今故障診斷領域的熱點和難點問題［1］。而神經網絡由于具有良好的自學習、并行性、較強的容錯能力以及一定的泛化能力，使其在故障隔離方面表現出較為優秀的性能，利用神經網絡進行故障診斷已取得許多成果。但是，傳統的BP 神經網絡的過擬合與泛化性之間的矛盾不易調和，很多時候其學習訓練收斂速度慢，易陷入局部極值。遺傳算法［2-4］(Genetic Algorithm，GA)具有很強的宏觀搜索能力和良好的全局優化性能，將遺傳算法與BP 網絡相結合，訓練時先用遺傳算法對神經網絡的權值進行尋找，將搜索范圍縮小后，再利用BP 網絡來進行精確求解，可以達到全局尋找和快速高效的目的，并且可以避免局部最小問題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，使網絡整體性能得以改善。本文將基于遺傳算法的神經網絡用于建立故障診斷模型，在數據化的故障征兆和故障類型之間建立一種非線性映射，使其達到良好的擬合。

1 前向多層神經網絡

BP 神經網絡屬于前饋型神經網絡［5-7］，它由輸入層、輸出層和隱含層組成，相鄰層之間由節點連接，而同一層不需要節點連接。

本文采用級聯BP 網絡，其結構如圖1 所示。BP 網絡的結構:輸入層的神經元個數為8 個，輸出層的神經元個數為5個，隱含層神經元個數l =2 ×m +1 =17，m 為輸入層的神經元個數，因此選取拓撲結構為8 -17 -5 的網絡，網絡模型的訓練采用LM(Levenberg-Marquardt)反饋算法，通過不斷調整神經元的權值和閾值以實現網絡對樣本輸入輸出數據的非線性映射。

圖1 BP 網絡結構

2 算法流程

GA 優化BP 神經網絡主要有兩種［8-9］:優化神經網絡的初始權值和閾值;優化神經網絡的結構。本文采用前者。主要思想是將權值和閾值表示成基因型(二進制編碼串)，隨機產生一個種群為n 的群體，把每一個個體通過BP 神經網絡訓練得到其適應度值，通過適應度對每一代的n 個個體進行復制、交叉和變異，產生適應度更高的新一代種群，一代一代不斷進步，最后可求得最優權值和閾值。算法流程圖如圖2所示。

圖2 算法流程

遺傳算法按以下步驟進行:

1)產生初始種群。采用10 位二進制編碼方法，設定種群的規模為40，每個個體含243 個染色體:分別對應隱含層136 個權值w17×8、17 個閾值b17×1，輸出層85 個權值v5×17、5個閾值b5×1;

2)將權值閾值解碼，賦給BP 神經網絡，計算誤差E;

3)適應度函數選取為目標誤差函數的倒數;

計算每一個個體評價函數，并將其排序，可按下式概率值選擇網絡個體:

式(1)中，fi為個體i 的適配值，可用誤差平方和E 來衡量，fi=1/E(i)。

4)代溝0.95，交叉概率0.7，變異概率0.01，即從父代排序后的40 個個體中選取最優38 個個體，以0.7 的概率進行交叉，以0.01 的概率進行變異，再加上父代中最優的2 個個體，產生包含40 個個體的子代。

5)遺傳代數gen 取40。如未達到遺傳代數，則進入步驟(2)，開始下一循環，同時記錄每一代最小誤差。

6)將最優個體解碼得到最優權值和閾值。

3 故障診斷實驗

本文采用文獻［3］中的實驗數據驗證基于遺傳算法改進的BP 神經網絡(簡稱GA-BP)在故障診斷中的有效性。該設備常見的故障變量包括F1無故障;F2增壓器效率下降;F3空冷氣傳熱惡化;F4透平保護格柵阻塞;F5透平通流部分阻塞。共5 個變量作為網絡的輸出變量。

樣本的確定輸入向量包括排氣總管溫度Tr、掃氣箱壓力Ps、各缸平均燃燒最大爆發壓力Pmax、增壓器轉速ntc、掃排氣道壓損系數mp、壓氣機出口溫度Tc、掃氣箱溫度Ts，再加上的一個負荷參數共8 個變量作為網絡輸入變量。將9 類故障的訓練、測試樣本輸入神經網絡，由GA 優化40 代，最小誤差err=0.008 455 1，得到的進化曲線如圖3 所示。由優化后的神經網絡輸出診斷結果，并與單純BP 算法比較，如表1所示。