基于遺傳神經網絡的除濕機故障診斷與壽命預測

張琪，吳亞鋒，徐建

（1.中國華陰兵器試驗中心 環境模擬室，陜西 華陰 714200；2.西北工業大學 動力與能源學院，西安 710072）

裝備通用質量特性及壽命評估

基于遺傳神經網絡的除濕機故障診斷與壽命預測

張琪1，吳亞鋒2，徐建1

（1.中國華陰兵器試驗中心 環境模擬室，陜西 華陰 714200；2.西北工業大學 動力與能源學院，西安 710072）

目的 識別除濕機的性能狀態和預測吸附劑的剩余壽命。方法 針對除濕機故障過程緩變的特點，提出一種基于數據驅動的遺傳神經網絡模型。首先，為解決設備失效程度劃分模糊的問題，由 5個熱力參數組成反映吸附劑劣化程度的特征向量，關聯分析得到除濕機的 5類故障模式。其次，利用遺傳神經網絡建立狀態參數和故障模式的映射關系。最后，對表征設備吸附能力的主參數進行外推預測。結果 訓練好的診斷網絡可準確地識別出設備的劣化程度及其演變過程，預測網絡的預測精度非常高。結論 該方法可有效地實現對除濕機的故障診斷與預測。。

遺傳算法；神經網絡；除濕機；露點溫度

某低溫制冷系統采用空氣渦輪制冷，由于渦輪是高精密設備，且其進氣溫度低至–40 ℃，為防止空氣攜帶的水蒸氣結冰于渦輪中造成事故的發生，在渦輪前端設置除濕機，利用其填料鋁膠和分子篩吸附除去空氣中的水分，使濕度降低到安全范圍內，保證了渦輪的安全運行。近幾年來，隨著使用時間的增加，除濕機頻繁出現故障。據統計，由于吸附效率低下導致的制冷系統停機、再生過程加熱絲燒毀等故障20余次，對試驗進程造成了很大的影響。因此，建立故障診斷與預測系統，加強設備的監測和預知性維修勢在必行[1]。

實際問題都是非線性和時變的，很難建立精確的數學模型描述其失效機理。目前，基于數據驅動的機器學習方法對解決“黑箱”問題上優勢突出，例如，一個三層神經網絡可以模擬任意非線性對象的輸入輸出關系。

文中以除濕機為研究對象，利用收集到的狀態數據得出故障生長模型，將吸附劑失效這類典型故障進行故障程度的關聯劃分，并結合出口氣體露點溫度的變化趨勢作出綜合評價，通過遺傳神經網絡實現對除濕機狀態的識別和露點溫度的趨勢預測。

1 遺傳算法組合BP神經網絡模型

神經網絡和遺傳算法這兩種智能仿生算法都是模擬生物結構去表達輸入輸出之間隱性關系的。雖然神經網絡具有結構簡單、可調整參數多、訓練算法多、可操作性好的特點[2]，但其自身也存在缺陷。由于搜索求解算法是沿梯度下降的，導致網絡存在收斂速度慢的缺點，難以保證復雜網絡的全局優化而易導致陷入局部極小值。這都是由于隨機選取網絡初始權值和閾值的影響，所以要對初始值進行優化選擇。遺傳算法具有極佳的全局搜索能力和高度的魯棒性，故采用遺傳算法對神經網絡初始權值和閾值進行優化。

遺傳算法優化BP神經網絡的原理是把網絡的初始權值和閾值作為染色體，建立種群，利用生物遺傳特性（復制、交叉、變異）逐代進行選擇，高收斂精度與速度保證了搜索到全局范圍內的最優解[3]。這個最優解就是最佳的網絡結構，比用經驗和試驗判斷更能使網絡參數合理化，它的交叉因子和變異因子在網絡陷入局部極值時能很好地跳出來，提高網絡的學習精度和穩定性[4]。遺傳BP神經網絡（以下簡稱GABP）算法的流程如圖1所示。

該組合算法由三部分組成：BP神經網絡結構確定、權值與閾值的遺傳優化、網絡訓練及仿真。根據樣本輸入和輸出參數的個數來確定BP神經網絡拓撲結構，進而得出遺傳算法待優化參數的數目，也就能計算出種群中個體的編碼長度，染色體長度s=R×s1+s1×s2+s1+s2（R，s1，s2分別為輸入層，中間隱含層和輸出層的神經元個數），并編碼成二進制形式。交叉概率和變異概率這兩個關鍵的遺傳參數是根據適應度的大小進行選擇的。訓練網絡的第一步需要初始化參數，隨機獲取一組網絡連接的權值和閾值，遺傳算法按照其染色體的復制、交叉、變異原則調整網絡的連接權值和閾值，計算出BP網絡輸出與測試目標的均方誤差E，見式（1）：。

圖1 遺傳算法優化神經網絡算法流程

式中：Ok為輸出層輸出；Tk為輸出層目標值。進而得到遺傳進化的適應度fitness=1/E，向著適應度增大（即網絡輸出誤差最?。┑姆较蛟谶M化代中搜尋最優個體，即使網絡均方誤差最小的權值和閾值。將全部樣本按步驟讓網絡學習一遍后，訓練結束的條件是全部樣本的輸出誤差均小于設定誤差精度。如果未達到，網絡將繼續學習，以相同的條件判定是否結束，將最終得到最優的權值與閾值輸入網絡進行識別或預測。

對設備狀態進行模式識別，首先就要選擇與設備本身相關的各監測參數，各監測參數是以一定時間間隔采集的實時數據。選擇以表征進入除濕機氣體工況的制冷氣體入口露點、流量、壓力、溫度和除濕機出口露點溫度等5個參數為特征參數。由這些熱力參數組成的參數集作為識別網絡的輸入，故障模式的類型作為網絡的輸出[5]。

2 除濕機故障模式的劃分

2.1 吸附劑失效程度的區間設定

除濕機吸附劑吸附失效屬于緩變故障，從未發生到嚴重故障的生長過程可細分為不同嚴重程度的狀態[6]。鑒于盡可能精確評估低溫除濕機的狀態，采用4個故障程度評價指數，故障等級序列號為k（k=1，2，3，4），分別表示“報廢”、“待修”、“堪用”、“良好”四級。對于出口露點溫度，–50 ℃是低溫控制系統報警設定值，而–40 ℃是渦輪膨脹機進口溫度下限值（即露點溫度高于該值則會結冰）。由于兩臺除濕機并聯工作，以兩路出口氣體的總氣流作為除濕機的輸出，因此擴大單臺設備工作允差范圍，延拓了出口氣體露點溫度最差方向的下限至–20 ℃，增設“特差”級。

為了驗證數據對故障描述的準確性和全面性，對2015年7月20日夏季某次低溫試驗系統–40 ℃保溫期間，每隔6 s采集1次1號除濕機露點溫度的典型數據，全程記錄了露點溫度超高變化的過程。記錄數據見表1。

表1 吸附劑失效故障參數（節選）

2.2 故障狀態的關聯分析

根據待檢模式與參考模式之間的接近程度，進行狀態劃分。根據設備各特征參數之間的內部聯系與發展態勢的相似程度來衡量參數之間的關聯程度[7]。具體應用過程如下.

1）表 1中故障數據的前兩組表示正常狀態，將這兩組數據作為參考模式向量，其他數據作為待檢模式向量，由這兩組參考模式向量構成參考模式矩陣。

式中：X1為第1個參考模式向量。每種標準參考模式特征向量中包含5個元素，即表1中所列的設備故障診斷的特征參數。

2）待檢模式各向量構成待檢模式矩陣：

式中：Yj為第j個待檢模式向量。

3）關聯系數計算。待檢模式向量和參考模式向量狀態之間的關聯程度定義為：

式中：ρ為分辨系數；ξij為待檢模式向量和參考模式向量之間的關聯系數。

ρ越小，參數之間分辨力越大，一般ρ取值在[0，1]區間內。不同的ρ值實際意義不大，只影響ξj(k)的相對排列順序，作為衡量參數間密切程度相對大小的指標。一般取0.5。

4）關聯度計算

Yj(k)對X1(k)的關聯度的定義是不同點關聯系數的平均值，即：

如用第三組數據與第一組數據求關聯度：ξ(1)=0.6697，ξ(2)=0.3903，ξ(3)=0.7425，ξ(4)=0.6682，ξ(5)=1，r=0.6941。

在MATLAB中編寫上述方法的相關程序，將全部數據序列進行與參考模式序列的關聯度計算,得到吸附劑失效程度的關聯度。

通過比較每個待檢模式序列對參考模式序列的關聯程度大小，按其大小順序排列起來組成關聯序。它直接反映了各個待檢模式向量對同一參考序列的“主次”或“優劣”關系[8]。從而依照從大到小的排列順序，相當于把待檢模式向量劃歸典型模式的可能性大小依次排列，見表2。

表2 除濕機吸附劑失效程度的關聯度劃分

2.3 除濕機故障模式分類

由表 2中顯示的設備狀態數據對應的故障狀態關聯度結合操作人員人工經驗，確定各指標對故障等級的區間劃分[9]，見表3。

表3 故障等級評價指標

3 除濕機故障診斷網絡

除濕機診斷網絡的輸出層節點數由吸附劑吸附能力的優劣程度確定[10]，即良好、堪用、待修、報廢和特差等，輸出層節點數就選為5。按照表3的每類標準故障指標將表 1中的樣本分類作為相應診斷子網絡的輸入，網絡結構為 5-8-5。隱含層和輸出層神經元傳遞函數均采用S型函數[11]，分別為 S型正切函數tansig和S型對數函數logsig，網絡訓練函數取trainlm學習算法。訓練目標0.01，自學習率0.08，訓練次數 5000次。遺傳算法染色體長度為 243，種群大小和遺傳代數分別設定為 50和 100。首先訓練網絡，為了驗證診斷網絡的準確性和普適性，分別將1號除濕機和 2號除濕機冬季和夏季的狀態數據作為測試數據，將這四類故障測試樣本作進一步的測試。網絡識別結果見表4。

表4 對不同故障樣本的識別結果

從測試中得知，待修和報廢這兩類故障的隸屬度非常接近，互相識別錯誤的情況較多，無法識別是哪類故障。夏季空氣濕度較大，引起吸附劑負荷重，除濕效果較差；冬季空氣干燥，吸附劑狀態相對較優。

對單臺設備這樣連續測量與識別能夠看出失效演變的過程[12]。以夏季大濕度極端條件為例，如連續測量1號除濕機某次試驗的狀態數據，樣本1至樣本4是按時間發展先后排列的待測樣本，診斷子網絡對此系列的失效程度識別結果見表5。

表5 對1號除濕機夏季某次試驗測量的故障識別結果

用柱狀圖直觀表現此次測量的 1號除濕機吸附劑失效趨勢情況，如圖2所示。

圖2 1號除濕機吸附劑失效變化趨勢

從圖 2中可以看出，網絡診斷的結果是吸附劑狀態由堪用到待修轉變，與除濕機出口露點溫度劃分區間的變化趨勢相匹配，網絡分類結果與實際過程一致，說明此診斷網絡分類精度高。

4 露點溫度變化趨勢預測

狀態預測是狀態監控研究領域中的一個重要課題，準確的故障預報可以幫助操作人員及時采取有效措施，減少經濟損失和維修時間成本[13]。考慮到除濕機出口氣體露點溫度監測的意義重大，有必要對露點溫度進行預測，從而準確掌握吸附劑除濕能力，一旦發現故障前兆，就可以做到在故障發生前合理處置安全隱患。采用新陳代謝模型，即隨著時間的推移，將新數據補充到數據序列最后，去掉歷史數據序列的第一個數據，從而使數據序列長度保持不變，依次進行類推[14]。從預測的角度看，隨著時間的推移，舊數據的信息意義逐步降低，在不斷去掉歷史信息（老數據），補充新信息（新數據）的同時，數據序列不斷被修正，這樣就可以對低溫環境試驗設備除濕機出口露點溫度進行動態預測，并能提高預測精度。

4.1 數據采集

以上已對吸附劑正常工作劃分了區間，露點溫度在–73～–50 ℃之間是設備正常工作范圍。如果超出–50 ℃的報警值，操作人員務必立刻進行停機維修，更換吸附劑填料或者進行徹底的干燥再生過程。采集了表1中的1號除濕機夏季工作過程中吸附劑失效過程的數據，用于遺傳神經網絡訓練，并對 2015年 8月13日的一次試驗中降溫段和保溫段的數據進行了測試。

4.2 網絡訓練與測試

首先，建立網絡預測模型。將露點溫度數據列的前4個數作為網絡輸入，對應第5個數作為網絡輸出，然后加入第 5個數并去掉第一個數作為下一次的輸入，輸出第 6個數，依次類似外推。訓練網絡結構4-9-1。再次，設定網絡訓練目標為1e-04，自學習率為 0.08，學習步數為 5000，遺傳算子的參數設定同上節診斷網絡的情況。

將訓練好的網絡結構進行存儲，W1，W2分別是輸入層與隱含層、隱含層與輸出層之間的連接權值，B1，B2分別是隱含層和輸出層的閾值，權值系數和閾值為：

B1=0.4298

用訓練好的網絡對測試數據進行預測，結果如圖3所示。

圖3 保溫段除濕機露點溫度測試值與真實值對比

圖 3顯示的是露點溫度預測值和真實值的對比情況，可以看出，預測值非常接近于真實值，誤差很小。訓練好的GABP網絡對除濕機出口氣體露點溫度的預測非常精確，可以作為除濕機吸附性能的預報工具。

接下來利用訓練好的網絡進行外推預測?？紤]到露點溫度–50 ℃的報警閾值，增設提前量至–55 ℃，對良好狀態演變到堪用狀態的數據進行后 200步智能外推[15]，給出報警值出現的時間，以供操作人員視情查找故障原因，及早維護，以防止故障的發生。外推預測的結果如圖4和圖5所示。

圖4 降溫段不同時刻對應的露點溫度值

圖5 保溫段不同時刻對應的露點溫度值

從圖4和圖5可以看出，不同的工作狀態下，當除濕機工作到某個時刻，故障對應的露點溫度達到報警閾值，此時完成吸附劑失效趨勢預測，認為在該點制冷壓縮空氣中的水分含量過高，達到了引發故障的狀態。露點測量儀的采樣間隔是1 s。對照圖中結果表明，在降溫段，除濕機運行大約再運行 1′50″（時間=時序數/采樣頻率）發生故障，即除濕機出口露點溫度將在第1570個時刻高于–50 ℃，吸附劑進入報廢狀態，這個預測結果與實際的第2162個時刻點基本吻合；在保溫段，除濕機運行大約再經過 2′37″，即在第587個時刻點發生故障，與實際的第646個時刻點高度一致。由此可以看出，該網絡的預測與實際情況比較吻合，預測的露點溫度值完全落在劃分的故障程度區域內。通過對除濕機出口氣體露點的實時預測，就可以準確地定位吸附劑失效程度，也就可以計算出什么時間會達到報廢的程度，繼而實現設備的預知性維修。

5 結語

目前，大部分的故障診斷系統只能識別到故障類型這一階段，不能確定故障的具體程度，且缺少對設備狀態的預測功能。針對這些問題，提出了遺傳算法與神經網絡相結合的方法，對低溫試驗系統關鍵設備除濕機的吸附劑失效程度進行了診斷研究，并應用網絡模型對除濕機出口氣體溫度這一主要特征參數進行了仿真預測，診斷和預測效果比較理想。主要研究成果如下。

1）對除濕機評估體系失效程度進行區間劃分，將其作為神經網絡的輸出模式進行訓練。通過神經網絡的訓練與測試，識別結果不僅能夠準確反映出故障程度，而且可以清晰地表明故障演變的過程。

2）將遺傳神經網絡應用于除濕機出口氣體露點溫度的預測，結合吸附劑失效程度各區間閾值，能夠準確掌握吸附劑的工作能力，為低溫環境模擬試驗的正常運行、制定維修策略及開展設備維護維修具有重要意義。

[1] 曾聲奎, MICHAEL G P, 吳際. 故障預測與健康管理(PHM)技術的現狀與發展[J]. 航空學報, 2005, 26(5): 626—631.

[2] 秦衡峰. 基于神經網絡的設備狀態預測方法研究及在風機上的應用[D]. 長沙: 中南大學, 2004.

[3] 林香, 姜青山, 熊騰科. 一種基于遺傳BP神經網絡的預測模型[J]. 計算機研究與發展, 2006, 43 (S1): 338—343.

[4] 張琪, 吳亞鋒, 李鋒. 基于遺傳神經網絡的旋轉機械故障預測方法研究[J]. 計算機測量與控制, 2016(2): 11—15.

[5] PECK L K. A Hybrid of Back Propagation Neural Network and Genetic Algorithm for Optimization of Collagen Extraction from Malaysian Cultured Catfis[J]. Biotechnology and Bioprocess Engineering, 2013, 18: 257—265.

[6] NASSERI M, ASGHARI K. Optimized Scenario for Rainfall Forecasting Using Genetic Algorithm Coupled with Artificial Neural Network[J]. Expert Systems with Applications, 2008, 35: 1415—1421.

[7] SAMARASINGHE Sandhya.. 神經網絡在應用科學和工程中的應用: 從基本原理到復雜的模式識別[M]. 史曉霞, 陳一民, 譯. 北京: 機械工業出版社, 2010: 55—62.

[8] 周開利, 康耀紅. 神經網絡模型及其 MATLAB仿真程序設計[M]. 北京: 清華大學出版社, 2005: 17—19.

[9] 李洪剛, 趙興鋒, 李剛, 等. 基于 CBR的新型防空導彈故障診斷專家系統研究[J]. 裝備環境工程, 2013, 10(4): 90—93.

[10] 何建新, 李繼紅, 方堃, 等.基于 Matlab編程實現Arrhenius模型壽命預測[J]. 裝備環境工程, 2013, 10(3): 87—90.

[11] 徐小力. 設備運行狀態監測與故障診斷的現代技術[C]//全國設備監測與診斷學術會議論文集.北京: 中國機械工程學會設備與維修工程分會, 2005.

[12] 陳建宏, 劉浪, 周智勇, 等. 基于主成分分析與神經網絡的采礦方法優選[J]. 中南大學學報, 2010, 41(5): 1967—1972.

[13] 蔣一然. 基于遺傳神經網絡的柴油機故障診斷技術研究[D]. 大連: 大連海事大學, 2009.

[14] 秦興生, 胡覺亮, 丁佐華. 基于神經網絡集成的軟件故障預測及實驗分析[J]. 計算機工程與應用, 2014, 50(14): 44—56.

[15] 李鋒, 湯寶平, 劉文藝. 遺傳算法優化最小二乘支持向量機的故障診斷[J]. 重慶大學學報, 2010, 33(12): 14—20.

Fault Diagnosis and Life Prediction of Genetic Neural Network-based Dehumidifier

ZHANG Qi1,WU Ya-feng2,XU Jian1
(1.Department of Environment Simulation, Huayin Ordinance Test Centre, Huayin 714200, China; 2.School of Power and Energy, Northwestern Polytechnical University, Xi′an 710072, China)

Objective To identify performance state of dehumidifier and predict residual life of adsorbent. Methods A data driving-based genetic neural network model was proposed in view of the slow variable failure process of dehumidifier. Firstly, to solve the issue fuzzy division of equipment failure degree, 5 failure patterns of the dehumidifier were obtained with correlation analysis according to characteristic vectors formed by 5 thermodynamic parameters which reflect adsorbent degradation. Secondly, the mapping relationship between state parameters and failure patterns was established with genetic neural network. Finally, principal parameters reflecting adsorption capacity of equipment were predicted by extrapolation. Results The diagnosis network could determine deterioration degree and evolution process of equipment accurately. It possessed very high accuracy in network prediction. Conclusion This method can effectively finish fault diagnosis and prediction of dehumidifier.

genetic algorithm; neural network; dehumidifier; dew point temperature

10.7643/ issn.1672-9242.2017.01.018

TJ07；TP391.5

A

1672-9242(2017)01-0078-06

2016-06-16；

2016-07-13

張琪（1984—），女，咸陽人，碩士,工程師, 主要從事環境適應性試驗、設備故障診斷與壽命預測等方面的研究。

吳亞鋒（1966—），男，渭南人，博士生導師，從事現代信號處理方面的研究。