基于IBA-ELM的發動機燃油系統故障診斷研究

靖婉婷 王海瑞 林雅慧

(昆明理工大學信息工程與自動化學院 云南 昆明 650500)

0 引 言

發動機的燃油系統長時間在高溫高壓的惡劣環境下工作，為整個機械設備提供動力。據權威機構數據統計，在柴油機的各種故障中，燃油系統故障占總體比重高達27%。由此可見，一旦燃油系統發生故障，將會造成整個機械停止工作，帶來的經濟和其他方面的損失較為嚴重。

本文提出一種基于改進的蝙蝠算法，優化極限學習機的故障診斷模型來對發動機的燃油系統進行故障診斷，利用傳感器實時采集燃油系統的振動信號。首先本文采用小波分解來對采集到的信號進行處理，從而提取其特征向量。然后使用蝙蝠算法來優化極限學習機的相關參數，搭建優化好的極限學習機的網絡結構。最后將提取到的特征向量輸入到優化好的極限學習機中進行訓練和測試，得到最終的故障診斷結果。本文設置對比實驗來驗證該模型的合理性和優越性，實驗結果表明本文所提方法具有良好的性能。

1 蝙蝠算法

蝙蝠算法是由劍橋大學Xin-she Yang教授在2010年提出的一種基于蝙蝠回聲定位的新型群體智能優化算法[1]。

1.1 標準蝙蝠算法

蝙蝠算法的思想是基于蝙蝠回聲定位的新型群體智能優化算法，其基本流程概括如下：

fi=fmin+(fmax-fmin)·β

(1)

(2)

(3)

式中：β是隨機變量，且β～U[0,1]；X*代表目前搜索范圍內的全局最優位置；t表示目前的迭代次數。

(4)

步驟5計算種群內所有蝙蝠個體的新解位置的適應度值。

(5)

(6)

步驟7更新找到的全局最優解，判斷是否達到尋優終止條件；若滿足則輸出X*，若不滿足則跳轉至步驟3。

1.2 改進的蝙蝠算法

由于蝙蝠算法需要初始化確定的參數個數較多，直到現在還沒有人對這一領域做深入的研究。為了提高蝙蝠算法的尋優能力，本文對其做如下改進，根據式(2)和式(3)可得：

(7)

(8)

由此可以更新位置公式為：

(9)

(10)

(11)

(12)

2 極限學習機及其改進算法

2.1 極限學習機

極限學習機ELM是南洋理工大學的黃廣斌教授在2004年提出的一種簡單易用的單隱層前饋神經網絡(SLFN)學習算法[5-6]。在極限學習機算法中需要人為設置的只有隱含層的節點個數這一個參數，而其輸入權值和隱含層的閾值是隨機生成的[10-11]，因此該算法的學習時間極短。 ELM的整體結構如圖1所示。

圖1 ELM的網絡結構

根據單隱層前饋神經網絡的相關知識，對于N個不同的訓練樣本集{(Xi,Ti)|i=1,2,…,N}，其中Xi=[xi1,xi2,…,xin]T∈Rn為輸入的訓練樣本，Ti=[ti1,ti2,…,tim]T∈Rm為期望的目標函數，則含有隱含層節點數為L的單隱層前饋神經網絡的數學模型為：

(13)

式中：g(x)為隱含層的激活函數；ai=[ai1,ai2,ain]T表示輸入權值向量；bi表示隱含層的偏置；βi=[βi1,βi2,…,βim]T表示輸出權值向量。

將式(13)寫成矩陣的形式為：

Hβ=T

(14)

式中：輸出矩陣

H(a1,a2,…,aL,b1,b2,…,bL,x1,x2,…,xN)=

隨機產生輸入權重ai閾值bi后，就可以根據式(14)計算得到ELM網絡的各個參數。由式(14)轉化即可得：

β=H+T

(15)

式中：H+表示隱含層輸出矩陣H的Moore-Penrose廣義逆矩陣[12-14]。求出輸出權重，再加上隨機產生的其他權重和閾值參數，整個ELM網絡就確定了。

2.2 基于改進的蝙蝠算法優化極限學習機

鑒于極限學習機和改進的蝙蝠算法各自的優缺點，本文將兩種算法結合在一起，從而提出一種基于改進蝙蝠算法優化極限學習機(IBA-ELM)的發動機燃油系統故障診斷模型。該模型的主要思想是改進極限學習機的輸入權值和閾值隨機生成。本文利用改進的蝙蝠算法來優化權值和閾值的選擇過程，從而選出一組最優的參數組合來提高極限學習機的工作性能。基于改進蝙幅算法優化極限學習機的流程如圖2所示。

圖2 基于改進蝙幅算法優化極限學習機流程圖

3 實驗及結果分析

3.1 樣本選擇及特征提取

實驗以某型號柴油機燃油系統為研究對象，采用傳感器來進行故障信號的采集，以MATLAB 2010b為實驗平臺。通過小波3層分解對原始信號進行分解重構，最終獲得8個特征參數，將其組成特征向量P=[P1,P2,P3,P4,P5,P6,P7,P8]作為診斷輸入。樣本故障類型選取柴油機燃油系統的6個常見故障，故障輸出以二進制的形式表示，因此故障分類及對應表示如表1所示。

表1 柴油機燃油系統的故障分類及對應表示

實驗選取樣本總數為900組，則6種故障每種故障分別選取150組，其中120組作為訓練輸入樣本，剩余30組錄入為預測樣本集。

3.2 實驗比較分析

3.2.1 優化算法性能比較

本實驗設置了如下4種實驗模型。初始化4種算法參數：4種算法的規模數量和最大迭代次數均取100；粒子群算法的慣性權重γ、加速常數c1和c2分別取0.6、2、2；遺傳算法的參數因子代溝、交叉概率和變異概率分別取0.95、0.7、0.01；BA算法其搜索脈沖頻率設置在[0,10]范圍內，IBA算法設置在[0.5,10.5]范圍內，脈沖響度衰減系數和脈沖頻度增加系數γ分別取0.95、0.9。最終，對比實驗可得適應度曲線對比如圖3所示。

圖3 4種優化算法優化ELM適應度曲線

由圖3的適應度迭代曲線可得到：4種算法在優化ELM過程中的適應度都隨著迭代代數的增多呈現收斂狀態，因而都能夠得到最優權值和閾值；GA算法在46代左右趨于收斂，但實驗發現GA尋優進化過程中后期搜索效率較低；PSO算法在33代左右趨于收斂，但尋優結果遠不如IBA算法；BA算法雖然最優值優于GA和PSO，但是尋優最終結果不如IBA，且該算法優化ELM在52代左右才收斂得到最終最優解，迭代次數不理想；IBA在BA的基礎上改進了初始數據，并引進慣性權重系數、重置最終判定條件，進而約減適應度較弱個體，最終達到優化BA的效果，解決了BA迭代次數多、收斂速度慢的缺點。同時該方法在22代左右適應度函數值趨于收斂取得最優，收斂速度快，且尋優所得結果遠比其他三種優化算法所得結果優質。因此，使用IBA算法優化極限學習機具有較為顯著的效果。

3.2.2 分類模型比較

為了驗證本文提出的IBA-ELM方法的性能在燃油系統故障診斷更勝一籌。本實驗將IBA-ELM診斷方法與支持向量機(SVM)、傳統極限學習(ELM)、蝙蝠算法優化的極限學習機(BA-ELM)進行比較。4種模型分別獨立運行10次，得到4種分類結果精確度的比較如圖4所示。訓練時間和測試時間的比較如圖5所示。

圖4 4種模型分類精確度的比較

圖5 4種模型的訓練時間和測試時間

由圖4和圖5，可以得出表2的性能分析：SVM方法分類準確率高，但訓練模型以及測試樣本速度慢。由于在燃油系統診斷過程中，準確率的高低和速度的快慢決定了診斷的性能，兩者缺一不可，所以本文考慮選用極限學習機。極限學習機訓練測試時間非常快，但明顯準確率不如支持向量機。因而選用蝙蝠算法優化極限學習機，得到準確率明顯高于支持向量機和傳統極限學習機，但速度還是不如傳統極限學習機。最后采用IBA優化ELM，速度和準確度相對于BA優化ELM大大地提升，經4種方法比較，其速度僅次于傳統ELM。實驗表明了IBA-ELM在燃油系統故障診斷中不僅分類速度快，而且能有效地提高診斷的準確率。

表2 4種模型性能比較

3.2.3 實際與預測值比較

為了測試IBA-ELM燃油機系統診斷模型的分類準確率，實驗將用于訓練模型后剩余的180組測試樣本集輸入已形成的IBA-ELM模型進行預測，并將預測結果與實際輸出真值作比較。得到IBA-ELM模型預測結果與實際輸出真值比較如表3所示。IBA-ELM模型測試集分類圖，如圖6所示。

表3 IBA-ELM模型預測結果與實際輸出真值比較

圖6 IBA-ELM模型測試集分類圖

由表3、圖6可得，對180組預測樣本集進行預測輸出時，診斷正確組數為177組，說明只誤判了3組，預測精度高達98.33%。綜上所述：IBA-ELM模型具有較高的預測精度,并且能夠準確地預測出燃油機故障系統的故障類型。

4 結 語

本文提出一種基于改進的蝙蝠算法優化極限學習機的發動機燃油系統故障診斷模型。通過設置適應度對比、診斷準確率比較和訓練時間與測試時間的比較等一系列對比實驗，證明了該模型的有效性以及穩定性。并且該模型在發動機燃油系統的故障診斷中具有很好實用效果。