基于GA—BP模型的油液光譜預(yù)測 性

張竹慧+段東立

摘要：根據(jù)BP神經(jīng)網(wǎng)絡(luò)在時間序列預(yù)測中的優(yōu)缺點，文章采用遺傳算法（GA）優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)、閾值，并利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型（GA-BP）預(yù)測發(fā)動機油液光譜參數(shù)。首先對8組樣本進行訓(xùn)練，然后進行預(yù)測，并同BP模型預(yù)測結(jié)果比較，證明6A-BP模型預(yù)測誤差小，預(yù)測精度高，具有一定的應(yīng)用價值。

關(guān)鍵詞：油液光譜；神經(jīng)網(wǎng)絡(luò)；遺傳算法；預(yù)測

磨損金屬顆粒濃度可直接反映了設(shè)備的運行狀況，所以在設(shè)備狀態(tài)監(jiān)控領(lǐng)域金屬顆粒濃度預(yù)測是潤滑油分析的最重要內(nèi)容之一。文章通過研究磨損金屬顆粒濃度數(shù)據(jù)序列構(gòu)成的一般規(guī)律，根據(jù)神經(jīng)網(wǎng)絡(luò)與遺傳算法在時間序列預(yù)測中的優(yōu)缺點，提出以GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)、閾值，構(gòu)建GA-BP模型。實例預(yù)測結(jié)果表明，GA-BP模型的精度與速度都比較理想，優(yōu)于單一的BP模型。

1神經(jīng)網(wǎng)絡(luò)和遺傳算法

BP神經(jīng)網(wǎng)絡(luò)在時間序列分析中不是一個十分完善的網(wǎng)絡(luò)，這是因為一方面學(xué)習(xí)算法的收斂速度較慢，另—方面在優(yōu)化過程中易陷入局部極小點。

而遺傳算法具備優(yōu)秀的全局搜索能力，所以可利用遺傳算法對BP網(wǎng)絡(luò)從三個方面進行優(yōu)化：（1）優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值；（2）優(yōu)化神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)進化；（3）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的進化。

通過得出具有最佳隱層節(jié)點的網(wǎng)絡(luò)結(jié)構(gòu)，合理的初始權(quán)值和閾值，及最佳學(xué)習(xí)進化規(guī)則，保證網(wǎng)絡(luò)不陷入局部最小值，同時又具備合理的收斂速度。

2遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

文章GA-BP算法的假設(shè)是網(wǎng)絡(luò)拓撲結(jié)構(gòu)固定。算法的基本思想是：（1）給定網(wǎng)絡(luò)拓撲結(jié)構(gòu)以及網(wǎng)絡(luò)的輸入、輸出樣本；（2）構(gòu)建待尋優(yōu)參數(shù)與GA染色體位串的映射函數(shù)；（3）確定GA算法的目標函數(shù)、適應(yīng)度函數(shù)和優(yōu)化參數(shù)，產(chǎn)生初始種群；（4）計算目標函數(shù)的值，個體的適應(yīng)度，判斷是否進行優(yōu)化計算，并進行遺傳操作（復(fù)制、交叉和變異），產(chǎn)生新一代群體；（5）重復(fù)上述過程，直至進化滿足停止準則。

step5：新個體插入到種群中，計算評價函數(shù)；

step6：如果找到了滿意的個體，則結(jié)束，否則轉(zhuǎn)step3。最終群體中的最優(yōu)個體解碼即可得到優(yōu)化后的網(wǎng)絡(luò)連接權(quán)值；

step7：以GA算法獲得的連接權(quán)值作為初始權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)，直到指定精度。

3GA-BP模型預(yù)測油液光譜參數(shù)

3.1光譜數(shù)據(jù)的處理

在機械裝備狀態(tài)監(jiān)測中，一般不直接對采集到的油液光譜參數(shù)進行建模，這是因為，一方面直接建模容易忽視參數(shù)的摩擦學(xué)特征，另一方面，設(shè)備的元素含量之間本身有一定線性比例關(guān)系，所以，設(shè)備的檢修、補換油等因素的影響效果從某種程度上來說是一致的。在文章的研究中，通過將元素間比例關(guān)系的數(shù)據(jù)作為系統(tǒng)的輸入與輸出，即以元素間濃度比值的形式對原始數(shù)據(jù)進行處理，使其能夠比較客觀地表征被監(jiān)測系統(tǒng)的狀態(tài)。一定設(shè)備的油樣中，各種不同元素的濃度差異較大，F(xiàn)e、Cu、Pb、及A1等元素的變化具有一定的規(guī)律。文章數(shù)據(jù)是引用的SGM沖壓機潤滑油系統(tǒng)與液壓系統(tǒng)的油箱中的采樣監(jiān)測結(jié)果為例進行討論。監(jiān)測過程中，根據(jù)元素光譜分析的結(jié)果，選取與設(shè)備磨損密切相關(guān)的五種元素，并計算各種元素濃度值的比例，如表1所示。

3.2實驗分析

將表1的Fe元素百分比數(shù)列前6組作為訓(xùn)練樣本，后2組作為實驗樣本，如表2所示。

構(gòu)建4×9×1的BP神經(jīng)網(wǎng)絡(luò)，第一層、第二層采用tansig傳遞函數(shù)，第三層采用purelin傳遞函數(shù)。最大循環(huán)次數(shù)10000，收斂誤差0.002，學(xué)習(xí)率0.01。設(shè)置種群規(guī)模為80，遺傳代數(shù)為800，染色體長度為55，交叉概率為0.98，變異概率0.01。

用Matlab2010編程，主要包括4個程序：主程序gabpfault.m；網(wǎng)絡(luò)初始化nninit.m；適應(yīng)值計算函數(shù)gabpEval.m；編碼解碼函數(shù)gadecod.m。經(jīng)過大約700代的搜索后染色體的平均適應(yīng)度趨于穩(wěn)定，誤差平方和曲線和適應(yīng)度曲線，如圖l所示，將遺傳算法的結(jié)果分配BP網(wǎng)絡(luò)所對應(yīng)的權(quán)值、閾值，訓(xùn)練神經(jīng)網(wǎng)絡(luò)。如圖2所示，給出了GA-BP算法的訓(xùn)練目標曲線。用GAS訓(xùn)練BP網(wǎng)絡(luò)的權(quán)值可以得到滿意的結(jié)果。GA-BPfflBP都用前6組進行訓(xùn)練，后2組進行仿真，如表3所示，列出了GA-BP和BP的預(yù)測結(jié)果。

4結(jié)語

GA-BP算法既結(jié)合BP算法按負梯度方向進行快速搜索的能力，又利用了GA算法的全局尋優(yōu)特點，是一種快速、可靠的預(yù)測方法。而且結(jié)合磨損金屬顆粒濃度時間序列的內(nèi)在特征，該模型在油液光譜預(yù)測中以及機械設(shè)備的狀態(tài)監(jiān)控中，可得到有效利用。實例結(jié)果證明，GA-BP模型預(yù)測結(jié)果精度較單一的BP模型預(yù)測結(jié)果精度高，該算法是可行適用的。