蟻群神經網絡及在故障診斷中的應用

浙江萬里學院 李小青

將蟻群算法與神經網絡相結合，克服神經網絡BP算法收斂速度慢、容易陷入局部極小的缺點，結合汽車發動機故障的特點，探討了一種基于蟻群神經網絡的發動機故障診斷系統。仿真實驗表明該系統具有一定的實用性。

基于BP算法的神經網絡早已廣泛應用于各種故障診斷中，但該算法具有收斂速度慢、易陷入局部極小等缺點。為此，本文融合蟻群算法，并將其應用于故障診斷中。

1 基于神經網絡專家系統的故障診斷

神經網絡具有處理復雜多模式及進行聯想推測和記憶的功能，很適合應用于各種系統的故障診斷[1]。如圖1所示為常見的基于神經網絡的故障診斷專家系統的一般結構。

圖1 基于神經網絡的故障診斷Fig.1 Fault diagnosis based on neural network

2 蟻群神經網絡

利用蟻群算法具有全局優化和啟發式尋優的特點[3]，采用蟻群算法來訓練神經網絡的權值。其主要步驟如下：

Step 1)：初始條件：令時間t和循環次數Nc均為0，設置最大循環次數Nmax，初始化所有集合Ωpr(1≤r≤D)中的每個元素pj(Ωpr)的信息素Ppj(Ωpr)

Step 2)：任意一只螞蟻k(k=1,2,…,s)從集合Ipi開始，根據公式（1）計算的概率隨機地選擇它的第j個元素。

Step 3): 重復步驟2，直到蟻群全部到達食物源。

Step 4):令t=t+m,NC=NC+1,計算用各螞蟻所選權值作神經網絡參數時訓練樣本的輸出誤差，記錄當前最優解，按式(2)來調節每個元素的信息素。

式中m為螞蟻覓食過程經歷的時間單位，ρ(0≤ρ≤1)為信息素的持久性，1-ρ表示信息素的消逝程度，Δτj(Ipi)為在本次循環中第k只螞蟻在集合Ipi的第j個元素上留下的信息素，可用式(3)來計算。

Step 5):重復以上步驟，直到進化趨勢不明顯或循環次數NC≥NCmax，則循環結束，輸出最優解，算法結束，否則轉到第步驟(2)執行。

3 蟻群神經網絡專家系統在汽車發動機故障診斷中的應用

3.1 發動機故障診斷專家系統的總體框架

本文設計了融合蟻群神經網絡混合算法的發動機故障診斷專家系統，如圖2所示，該系統主界面如圖3所示。專家知識庫管理是核心內容，完成瀏覽、添加和修改知識功能；故障診斷模塊綜合利用專家知識庫采用同一窗體進行幾十種診斷，包括數據采集和現象診斷等；可利用信息咨詢和系統幫助進行有關參數的查詢及輔助維修管理等。

圖2 系統總體框架圖Fig.2 Overall system framework

圖3 系統主界面Fig.3 System main interface

3.2 知識庫的建立

在神經網絡中將同一問題的知識表示在同一網絡中，它是一種隱式表示，而傳統的知識表示，是一種顯式表示[2]，神經網絡表示法如圖4所示。

圖4 神經網絡表示法Fig.4 Neural network representation

由于發動機是一個非常復雜的診斷對象，在此可以把系統劃分為幾大模塊。以發動機油路故障為例創建一個子神經網絡。例如發動機不能起動的原因，從大體方面可能是進氣系統、壓縮空氣起動系統及油路等故障造成的，通過分析，排除了其他的可能，發動機不能起動的原因是出現在油路故障，而油路故障又可能是因為濾清器、輸油泵或高壓油泵故障等引起的，為便于理解，我們可用如下定義：

故障現象：

X1：觀察油箱中剩余燃油情況(0：油箱中有油；1：油箱中沒油)

X2：檢查濾清器有無污垢(0：無污垢；1：有污垢)

X3：檢查輸油泵輸油情況(0：正常；1：不正常)

X4：高壓油泵工作情況(0：正常；1：不正常)

X5：噴油器供油情況(0：良好；1：不好)

故障原因：

Y1：油箱沒油(0：否；1：是)

Y2：濾清器污阻(0：否；1：是)

Y3：輸油泵故障(0：否；1：是)

Y4：高壓油泵故障(0：否；1：是)

Y5：噴油器故障(0：否；1：是)

根據上面例子分析，可以構造一個如圖5所示的5×4×5神經網絡。

圖5 油路故障神經網絡結構圖Fig.5 Neural network structure diagram of oil

確定各個子網絡的訓練樣本并進行訓練，獲得它們的連接權值和閾值，然后存儲連接權值，形成知識庫[4]。如表1所示部分油路故障診斷訓練樣本。

表1 油路故障診斷訓練樣本Tab.1 Training samples of oil circuit fault

3.3 知識庫的管理

包括知識的檢驗管理、知識的存入、知識的修改和刪除等。如圖6所示為知識庫基本管理界面。很方便地實現了人機交互對知識的輸入、查詢、瀏覽、刪除、修改等基本管理。

圖6 知識庫管理Fig.6 Knowledge base management

3.4 系統故障診斷流程

總體的故障診斷流程如圖7所示。首先輸入故障現象，系統進行計算，當某一輸出值大于閾值，輸出診斷結果，否則系統會重新提問或指示沒有故障。

圖7 系統總體診斷流程圖Fig.7 Overall system diagnosis flow chart

4 結語

本文將蟻群算法與神經網絡相結合，克服神經網絡BP算法收斂速度慢、容易陷入局部極小的缺點，設計了一種基于蟻群神經網絡的發動機故障診斷系統。仿真實驗表明該系統具有一定的實用性。

引用

[1] 畢曉君,柳長源,盧迪.基于PSO-RVM算法的發動機故障診斷[J].哈爾濱工程大學學報,2014,35(2):245-249.

[2] 程學珍,王常安,李繼明,等.基于自適應神經模糊Petri網的電機故障診斷[J].山東科技大學學報(自然科學版),2020,39(3):109-117.

[3] 宋紅英.基于蟻群神經網絡的發動機故障診斷專家系統的研究[D].北京:中國農業大學,2005.

[4] LECUN Y,BENGIO Y,HINTON G.Deep Learning[J].Nature,2015,521(7553):436-444．

[5] HINTON G E,SALAKHUTDINOV R R.Reducing the Dimensionality of Data with Neural Networks[J].Scince,2006,313(5786):504-507.