论文-遗传算法优化神经网络的故障诊断方法研究

遗传算法优化神经网络的故障诊断方法研究

摘要 提出了一种基于遗传优化的神经网络故障诊断方法。该方法把经小波包分解的信号能量特征向量作为神经网络的输

入向量，用遗传算法对BP神经网络的隐含层节点数、初始权值、阈值和网络的学习速率进行前期优化训练，再用LM算法进行二次训练，最后将优化得到的网络用于故障诊断。仿真结果表明，该算法不仅可以得到最优的网络结构和参数，而且降低了网络误差，提高了运算速度和训练性能。将该方法应用于平流泵故障诊断，证实了它的可行性和有效性。

关键词 小波包 神经网络 遗传算法 故障诊断

Research of fault diagnosis method based on neural network

optimized by genetic algorithms

Zhao Shijun1,2 Sun Shihui2

(1. College of Information and Engineering, University of Science and Technology Beijing, Beijing 100083 2. College of Information and Control Engineering, China University of Petroleum, Dongying, Shandong 257061)

Abstract This paper proposes the fault diagnosis method based on neural network optimized by genetic algorithms. This method regards the energy eigenvectors which are decomposed by the wavelet packet as the input eigenvector of the neural network. Genetic algorithm is used to optimize the number of hidden neuron, the initial weights and thresholds and the learning rate of BP neural network for the first time, then the network is trained by LM algorithm again, finally, fault diagnosis is done by the optimized neural network The simulation result shows that this method can not only give an optimized structure and parameters of neural network, but also reduce the network error, improve the computing speed and the training performance. Furthermore, this method verifies the correctness and effectiveness of applying in the pump fault diagnosis. Key words wavelet packet neural network genetic algorithm fault diagnosis

1 引言

人工智能技术特别是专家系统在故障诊断领域中的应用，为故障诊断的智能化提供了可能性，也使诊断技术进入新的发展阶段。神经网络以其固有的记忆能力、自学习功能以及强容错性为故障诊断问题提供了一个新的解决途径，但是人们通常使用的误差反向传播算法，即BP算法，也有着自身的缺陷，如网络的性能严重依赖于训练样本和初始权值、阈值，网络的隐含层节点数需由经验或试探来确定，网络的收敛速度慢且容易陷入局部极小值等[1]。遗传算法是一种随机优化搜索方法，具有很强的全局搜索能力，

并能以较大的概率找到最优解或性能很好的次优解，但标准的遗传算法也有容易过早收敛等方面的局限性[2]。本文针对科学实验中广泛使用的平流泵的故障特点，选取合适的小波函数提取信号的能量特征向量，用遗传算法优化BP神经网络的结构和参数，然后用优化后的网络对平流泵进行故障诊断，实验证实了它的可行性和有效性。

2 故障信号能量特征提取

2.1 小波函数的选取

运用小波包进行时频分析时，要求能够提取非平稳信号的瞬时、奇异与突变成分，即提取有限频带上的信息，也就是在特定尺度上进行小波变换。因此，选择小波函数时，考虑时频两域的紧支撑尤为重要。考察故障信号可以发现，它们是不平滑的曲线，所以，小波函数的正则性也要着重考虑。

工程实践经验告诉我们，dbN小波因其具有正交、时频紧支撑等特点，在信号处理领域大受欢迎。

dbN小波的支撑长度为2N 1，因此db2～db4要比db5～db10的局部化特性好[3]。在对db2、db3、db4、db5几种小波进行比较后发现，db3与故障信号的波形相似。因此，综合以上几方面的考虑，本

文选用db3小波进行信号分析。

2.2 信号的小波包降噪

在信号处理中，信噪比（SNR）、均方根误差（RMSE）和峰值误差是最常用的三种衡量信号降噪有效性的指标。信号的信噪比越高，原始信号与估计信号的均方根误差越小，同时，若峰值误差越接近于零的话，则估计信号就越接近于原始信号，降噪效果越好。

小波包降噪处理一般有强制降噪处理、默认阈值降噪处理、给定软（或硬）阈值降噪处理三种方法[4]。本文任意抽取一种信号用这三种方法分别进行小波包降噪，对比它们的降噪效果，从而决定对所有信号采用的降噪方法。三种方法降噪的性能对比如表1所示。由表1知，硬阈值降噪效果的性能比其他三种方法的都要好一些。因此，本文将采用给定硬阈值降噪方法对采集到的所有信号进行降噪处理。

2.3 小波包分解提取信号特征向量

1．首先对数据做归一化处理。归一化的公式为：

（（ minx（maxx（ minx（ 1 （1） xit）=2(xit）it）it）it））

为归一化之后的数据，maxx（（（（式中，x为初始数据，x和minx分别表示同一个输入节it）it）it）it）

点的数据中的最大值和最小值。

2. 将信号进行N层小波包分解，得到第N层从低频到高频2N个频带的特征信号SNj，j=1,2, , 2N。 3. 求各频带信号的能量：

ENj SNjdt SNj。

k 1

2

n

2

（2）

4. 构造特征向量。首先对ENj进行归一化处理：

NNj

ENj

2N 1j 0

， （3）

Nj

E

则可由此确定能量特征向量为u NN1NN2…NN2N。

3 GA+BP算法设计

遗传算法（Genetic Algorithm，简称GA）的基本原理为：首先产生若干个所求解问题的数字编码，即染色体，形成初始群体；通过适应度函数给每个染色体一个数值评价，选择适应度值大的染色体参加交叉和变异遗传操作；经过遗传操作后的染色体集合形成下一代群体，若未达到最大进化代数，则再对这个新群体进行下一轮进化[5]。

BP神经网络是一种具有三层或三层以上的神经网络，包括输入层、隐含层和输出层。BP神经网络已被广泛应用于故障诊断领域[6]，但如何确定网络的隐含层节点数和网络的初始参数仍值得探讨。遗传算法虽然有很强的全局搜索能力，但标准遗传算法也存在一些局限性。本文研究设计了GA+BP算法，即遗传算法优化BP神经网络的隐含层节点数、权值阈值的初始值以及网络的学习速率。

3.1 遗传编码与解码

把每个染色体分解为连接基因和参数基因进行编码。连接基因采用二进制编码方式，“1”表示该神经元存在，“0”表示不存在，编码长度等于隐含层神经元个数；参数基因采用实数编码方式，即每个连接权值、阈值和学习速率直接用一个实数表示。由于网络的权值、阈值可以为负，而学习速率必须是正数，因此，将参数基因划分为权阈基因和速率基因两部分。权阈基因的编码长度等于神经网络各层所有权值、阈值的总个数，速率基因则只需用1个实数来编码。因此，参数基因的编码长度为权阈基因与速率基因的长度之和，而一个染色体的编码总长度为连接基因编码长度与参数基因编码长度的和。

假设1 1 0 1 1 是一个染色体中连接基因的编码，编码的长度为K，那么这样的基于GA编码的三层BP神经网络的结构如图1所示。图1中，in为输入层神经元，hk为隐含层神经元，om为输出层神经元，Xn为输入 …… 此处隐藏：8766字，全部文档内容请下载后查看。喜欢就下载吧 ……