基于GA-BP神經網絡的轉子故障診斷

田曉文，馬振利

(后勤工程學院 軍事供油工程系，重慶　400016)

基于GA-BP神經網絡的轉子故障診斷

田曉文，馬振利

(后勤工程學院 軍事供油工程系，重慶400016)

摘要：BP神經網絡在旋轉機械故障診斷方面取得了巨大成果，但因其自身的局限性，還存在網絡結構難以確定、學習時間較長、易收斂于局部最優解等問題。采用遺傳算法對BP神經網絡進行優化，并將其應用于轉子故障診斷，能有效克服以上缺點，效果較好。

關鍵詞：BP神經網絡;遺傳算法;轉子故障

旋轉機械在工業中應用廣泛，其中轉子是旋轉機械最重要的部件。旋轉機械故障的產生大多是由轉子故障引起的。因此，研究轉子故障智能診斷，對旋轉機械故障診斷整體水平的提高有重要的理論意義和較大的工程應用價值。

1遺傳BP神經網絡

遺傳算法實質是一種智能化的隨機優化搜索算法，其最重要的特點在于全局優化性和不依賴于目標函數的梯度信息的搜索策略。遺傳算法的全局性使其能夠快速定位最優解的大概范圍，但其在快速、精確地確定最優解的位置方面存在缺陷；而BP算法全局搜索能力較弱，局部搜索能力較強。因此，將兩者結合，用遺傳算法對BP算法進行優化，能夠達到弱勢互補，使其在全局、局部均具有快速、精確的搜索能力。

用遺傳算法對神經網絡進行優化，可以使神經網絡具有自進化、自適應能力，從而構造出進化的神經網絡[1-2]。兩者的結合方式主要有[3-10]：① 網絡連接權的進化；② 網絡結構的進化；③ 網絡連接權與網絡結構同時進化；④ 分析網絡的訓練數據與訓練結果。目前，對神經網絡拓撲結構選擇的研究，無論在理論上還是方法上，都還未找到有效的指導原則，且對網絡結構進行進化是一件復雜而困難的工作；利用遺傳算法來對神經網絡的訓練樣本之間的相關性進行分析，來指導網絡的訓練，目前也無法確定其有效性。因此，本文選擇采用遺傳算法對神經網絡的權值及閾值進行優化的方法。

傳統的神經網絡權值的獲取方法是根據確定的權值變化規則，在訓練中逐步進行調整，最終得到滿意的權值分布，容易導致陷入局部極值，用遺傳算法來優化神經網絡的權值，可以很好地解決這個問題[3]。遺傳算法優化BP神經網絡的權值主要有5步：① BP網絡采用不同的初始權值和閾值。② 對BP網絡的權值和閾值進行編碼，形成初始群體。③ 計算種群適應度，進行遺傳操作，經過多次迭代，對權值和閾值進行尋優，獲得使網絡誤差最小的一組權值和閾值。④ 用獲得值作為BP網絡初始的權值和閾值來進行訓練。⑤ 重復③、④，直到神經網絡滿足精度為止。其流程如圖1所示。

圖1　遺傳BP神經網絡流程

2基于GA-BP神經網絡的轉子故障診斷

2.1　轉子故障實驗

使用北京東方振動和噪聲技術研究所生產的INV1612型多功能柔性轉子試驗系統，共設置正常、轉子不平衡、轉子不對中、底座松動4種模式，利用電渦流傳感器采集其振動數據并運用db小波包進行3層分解，得到振動信號的各頻帶特征能量值如表1所示(各取6組數據)。

表1　各頻帶特征能量值

續表

因此，設計BP網絡輸入層節點數為8，輸出層節點數為4，因為遺傳算法一個顯著的特點是能夠大大減少BP神經網絡隱層的節點數，參考經驗公式，隱含層節點數取10。

2.2　GA-BP神經網絡設計

2.2.1編碼方案的選取

編碼通常要考慮問題空間與遺傳空間之間的完備性、健全性、非冗余性的問題，常用的編碼方法有二進制編碼和實數編碼2種。二進制編碼相對簡單直接，但不能直觀反映所解問題的結構特征，且為了提高編碼的精度，通常編碼較長，導致計算量增大、進化速度緩慢。實數編碼與二進制編碼相比，對問題的反映要直觀得多，且一般編碼長度較小，不需要為了保證精度而犧牲效率。就遺傳算法優化BP神經網絡而言，選用實數編碼還有兩點好處：一是BP網絡中的權值和閾值可以直接轉換為染色體中的基因；二是BP網絡中的權值和閾值都是數值型的，在進化過程中可以省去多次實數與二進制的直接轉換。因此，本設計選用實數編碼方法。

將BP神經網絡的權值和閾值都用一個實數進行表示，一個網絡的權值和閾值用一組實數來表達。則對于一個3層BP神經網絡來說，一個染色體長度就是(輸入層節點數×隱含層節點數+隱含層節點數+隱含層節點數×輸出層節點數+輸出層節點數)，則染色體長度為(8×10+10+10×4+4)=134，即有134個參數需要優化。

2.2.2初始種群的生成

種群規模的大小與遺傳算法的迭代次數與染色體長度有關。種群規模過大，計算量增加，收斂速度慢；種群數過小，染色體得不到充分的交叉、變異，導致過早收斂到局部最優解，結果精度不高，本文種群規模選擇為30。

2.2.3適應度函數的設計

遺傳算法中的種群根據適應度函數進行進化。一般是把問題的目標函數作為適應度函數，設計目標函數為BP網絡的mse最小，即輸出誤差ei的平方和最小。其公式為：

其中，i=1，2，…，k，k為染色體中基因的個數。因為遺傳算法是向適應度函數增大的方向進化，所以適應度函數為f=1/E。

2.2.4遺傳操作的設計

遺傳操作主要通過選擇、交叉、變異算子進行[4]。

1) 選擇算子

選擇算子根據個體適應度的大小來決定個體是被淘汰還是被遺傳到下一代，一般確定選擇算子的方法有最小個體保存法、輪盤賭法、聯賽選擇法、期望值法等。本文采用輪盤賭法，即每個個體被遺傳到下一代的概率為它的適應度與整個種群中個體適應度之和的比值，值越大，遺傳到下一代的概率越高。其公式為：

2) 交叉算子

交叉是指個體之間就部分信息進行交換，從而產生新個體的過程。交叉算子每次隨機抽取2個個體，對其部分結構進行替換重組，產生2個子代串，子代串中均包含2個父代的部分遺傳信息，交叉是個體更新的主要方法。本文采用算術交叉，新的個體由2個父代通過線性組合產生，假設父代個體分別為Wa和Wb，則交叉所得的新個體為：

其中a為每次運算時隨機產生的[0，1]之間的參數。

3) 變異算子

為了克服“早熟”現象，需要對個體進行變異。變異是指對個體串的某些基因座上的基因值進行變動，只變動染色體中的某一個或幾個基因。交叉是產生新個體的重要方法，主要是為了增強種群的多樣性，避免陷入局部最優。在實數編碼中，變異算子主要分為均勻變異與邊界變異。

其中，a為[0，1]之間符合均勻概率分布的隨機數。

其中random(0，1)表示以均等概率從0和1中任取其一。

2.2.5控制參數的設計

控制參數主要是指最大進化代數、交叉概率和變異概率的設計，控制參數的選取在很大程度上決定著遺傳算法的性能。

1) 最大進化代數T

在對最大代數進行選擇時，一般先取較小的進化代數，運行程序并觀察其收斂情況，再繼續進化，直到滿足要求為止。本文經過試運算，選取最大進化代數T=100。

2) 交叉概率Pcross

交叉算子的應用次數由交叉概率決定，每代進行復制之后，進行交叉操作的基因串的個數為Pcross×S，S為初始種群規模。若交叉概率過高，高性能個體可能被破壞；交叉概率過低，搜索可能會停滯不前。本文選擇交叉概率為0.6。

3) 變異概率Pmutation

變異概率控制著變異算子的應用頻率。每代復制后，大概產生Pcross×S×L次變異，式中 L為染色體串長。變異概率越大，變異算子應用頻率越高，種群多樣性越高，搜索的隨機性也隨之增大；變異概率越小，變異算子應用頻率越低，種群多樣性越低，可能會使搜索陷于局部最小[6]。本文選取變異概率為0.1。

2.2.6轉子故障診斷

編制GA-BP神經網絡程序，在Matlab軟件中運行，運用表1中的實驗數據對網絡進行訓練，并對其進行驗證，得到結果如圖2所示，BP神經網絡診斷結果如圖3所示。

圖2　神經網絡驗證表1數據的仿真結果

圖3　神經網絡診斷結果

3結束語

由對比分析可知：遺傳BP神經網絡運算速度高于BP算法且誤差較小。本文中遺傳BP神經網絡的誤差已經遠遠小于預定誤差。在相同精度的情況下，遺傳BP神經網絡收斂步數比BP神經網絡少，在本文中只用了4步。另外，遺傳BP神經網絡可以有效減少BP神經網絡的隱層節點數。因此，遺傳BP神經網絡應用于轉子故障的診斷具有明顯的可行性和可靠性。

參考文獻：

[1]張德豐.matlab神經網絡應用設計[M].北京:機械工業出版社，2009.

[2]蘭勝坤.遺傳算法優化BP神經網絡的說話人識別系統[J].重慶理工大學學報:自然科學版，2013，27(10):91-95.

[3]李英，李武，王浣塵.一種基于演化神經網絡的預測算法[J].預測，2003(6):66-69.

[4]史峰，王小川，郁磊，等.Matlab30個案例分析[M].北京:北京航空航天大學出版社，2009.

[5]黃衛華，許小勇，范建坤.實數編碼遺傳算法中常用變異算子的Matlab實現及應用[J].廣西輕工業，2007(1):77-78.

[6]王小平，曹立明.遺傳算法-理論、應用與軟件實現[M].西安:西安交通大學出版社，2002.

[7]孫穎，李秋鋒， 黃麗霞，等.模擬退火遺傳算法在混凝土層析成像中的應用[J].壓電與聲光，2013(4)：487-490，495.

[8]張婉琳.遺傳算法優化支持向量機的交通流量預測[J].激光雜志，2014(12):116-117.

[9]祁虔，羅婷，劉楓，等.基于遺傳算法的倒立擺系統模糊九點控制器參數優化[J].西南大學學報:自然科學版，2014(11):191-200.

[10]王禮剛，左源瑞，李盛瑜.一種基于改進型遺傳算法的關聯規則提取算法及其應用[J].重慶師范大學學報:自然科學版，2006(2):42-45.

(責任編輯劉舸)

收稿日期：2015-02-15

基金項目：國防項目“群車加油車效能提升智能控制技術研究”(YX214J038)

作者簡介：田曉文(1985—)，男，河南人，碩士研究生，主要從事機械工程研究。

doi:10.3969/j.issn.1674-8425(z).2015.07.008

中圖分類號：TH13

文獻標識碼：A

文章編號：1674-8425(2015)07-0044-05

Rotor Fault Diagnosis Based on GA-BP Neural Network

TIAN Xiao-wen, MA Zhen-li

(Military Oil Supply Engineering, Logistic University of Engineering, Chongqing 400016, China)

Abstract:BP neural network fault diagnosis of rotating machinery made in terms of a great achievement, but because of its own limitations, there are still difficult to determine the structure of the network, such as that it will take a long time to learn, and it is easy to converge to the optimal solution and so on. The paper optimized rotor fault diagnosis by taking genetic BP neural network algorithm and applied it to rotor fault diagnosis, which can effectively overcome the above drawbacks and achieve good results.

Key words：BP neural networks; genetic algorithms; rotor fault

引用格式：田曉文，馬振利.基于GA-BP神經網絡的轉子故障診斷[J].重慶理工大學學報：自然科學版，2015(7):44-48.

Citation format：TIAN Xiao-wen, MA Zhen-li.Rotor Fault Diagnosis Based on GA-BP Neural Network[J].Journal of Chongqing University of Technology:Natural Science，2015(7):44-48.