故障信息组群

故障信息组群（精选4篇）

故障信息组群 篇1

在现代工业生产过程中,电机是拖动系统的核心部件,但由于电机设备发生故障或失效的可能性会随着运行时间的增加而不断增大,最终可能导致整个拖动系统的非正常运转,所以需要采取有效的方法及时准确地确定电机故障原因、类型及其严重程度,以提高电机及其拖动系统的运行安全性。对于传统的电机故障诊断专家系统,虽然它获得了一定的成功,但存在着明显的局限性,而现在比较热门的人工智能方法,如:神经网络、遗传算法等,却能够处理传统故障诊断方法无法解决的问题。目前电机故障诊断已进入人工智能方法阶段,其中以BP算法为最常用的神经网络训练方法,它是基于梯度的学习方法,但由于其算法内在的原因会出现训练收敛较慢,易陷入局部最优值等问题。而本文采用改进的PSO代替传统的BP训练神经网络,用PSO调节和优化具有全局性的网络参数,用BP神经网络学习方法优化具有局部性的参数,发挥这两种算法各自的长处,综合使用这两种算法训练神经网络,用于提高电机故障诊断的性能。

1粒子群优化算法的原理

粒子群优化算法是一种进化计算技术,是由Kennedy与Eberhart于1995年提出的源于对鸟群捕食行为的研究,是一种基于迭代的优化工具,是一种群智能算法。由于它的原理简单,所需参数少,计算快速以及算法的容易实现,目前已广泛应用于目标函数优化、神经网络训练、数据挖掘、模糊系统控制以及其他的应用领域。

粒子群优化算法的基本思想是,每个优化问题的潜在解都是搜索空间的一只鸟,这里称为“粒子”,所有的粒子都有一个被优化的函数决定的适应值,每个粒子还有一个速度向量决定他们飞翔的方向和距离,然后粒子们就追随当前的最优粒子在解空间中搜索[1]。粒子群优化算法初始化为一群随机粒子(随机解),然后通过迭代找到最优解。在D维搜索空间中,第i个粒子的位置为Xi=(xi1,xi2,…,xiD),i=1,2,…,m,其速度为Vi=(vi1,vi2,…,viD),在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。一个是粒子本身所找到的最优解叫做个体极值pbest,另一个是整个种群目前找到的最优解,这个极值是全局极值gbest。在找到这两个最优值时,每个粒子根据如下公式来更新自己的速度和新的位置:

式中:i=1,2,…,m,m是该群体中粒子的总数;d=1,2,…,D;为第k次迭代粒子飞行速度矢量的第d维分量;为第k次迭代粒子i位置矢量的第d维分量;pid为粒子i个体最好位置pbest的d维分量;pgd为粒子群体最好位置gbest的第d维分量;c1,c2表示群体认知系数,也被称作学习因子,通常c1=c2=2;rand()是随机函数,一般产生介于(0,1)之间的随机数。粒子群优化算法以它特有的记忆使其可以动态跟踪当前的收缩情况来调整其搜索策略。与进化算法比较,粒子群算法是一种更高效的并行搜索算法。

2粒子群优化算法的改进

由式(1)可以看出来公式右边由三部分组成,第一部分是粒子的更新前的速度,而后两部分反映了粒子速度的更新,Shi与Elbert的研究发现,式(1)的第一部分由于具有随机性且其本身缺乏记忆能力,有扩大搜索空间、搜索新的区域的趋势。因此具有全局优化的能力。在考虑实际优化问题时,往往希望先采用全局搜索,使搜索空间快速收敛于某一区域,然后采用局部精细搜索以获得高精度的解。

因此,在式(1)的前乘以惯性权重ω,ω较大则算法具有较强的全局搜索能力,ω较小则算法倾向大于局部搜索。一般的做法是将ω初始为0.9,并使其随迭代次数的增加线性递减至0.4,已达到上述期望的优化目的。通常惯性权重函数ω由下式来确定:

式(3)中:ωmax、ωmin分别是ω的最大值和最小值;iter、itermax分别是当前迭代次数和最大迭代次数。

3粒子群优化算法的实现

BP算法是最常用的神经网络训练方法,它是基于梯度的学习方法,但由于其算法内在的原因会出现训练收敛较慢,易陷入局部最优值等问题,采用PSO代替BP训练神经网络,用PSO调节和优化具有全局性的网络参数,用BP神经网络学习方法优化具有局部性的参数。用PSO作为一种粗优化或离线学习过程,用BP神经网络学习作为一种细优化或在线学习过程,就这样将这两种方法进行综合使用。

(1)初始化BP网络结构,设定网络的输入层、隐含层、输出层的神经元个数。

(2)初始化粒子群及每个粒子的位置、速度,以及个体极值和全局最优值。

(3)计算每个粒子的适应度。

(4)比较适应度,确定每个粒子的个体极值点和全局最优极值点。

(5)利用PSO算法的式(1)、式(2)、式(3)对每个粒子的位置和速度进行更新。

(6)计算算法的误差。

(7)检查是否符合结束条件,如果算法误差满足预设精度或迭代次数满足最大迭代次数,则停止迭代,输出神经网络的最终权值和阈值,否则返回第3步,算法继续迭代。

4异步电机的故障诊断

4.1神经网络训练

选用异步电机转子故障为研究对象,使用涡流传感器采集转子水平和垂直方向上的振动信号,通过放大、滤波和A/D转换,由DSP对振动信号进行频谱分析[2]。分别提取振动信号频谱中的8个频段上的不同频谱峰值作为特征量,当作神经网络的输入,而与其转子振动频谱分量对应的不平衡、不对中、油膜涡动、转子径向碰摩、喘振、轴承座松动6种故障信息作为神经网络的输出。建立起输入层为8节点,隐含层为11节点,输出层为6节点的三层BP神经网络。从故障诊断的实践中形成训练样本,并给出样本的目标输出,如表1所示,转子震动故障原因与征兆表。

在表1中每一故障分别选3组频谱,构成18组学习样本。该算法为有教师学习算法,在样本目标输出中“1.00”表示对应故障发生,“0.00”表示对应故障不发生。

4.2训练结果比较与分析

故障诊断调用Matlab程序分别进行BP神经网络和基于PSO优化的BP神经网络的训练,选取表1中的3、6、9、12、15、18组样本故障数据作为检验数据,如表2所示,得到基于BP算法的网络输出结果,如表3所示,得到基于PSO算法的网络的输出结果。

本系统中,PSO的固定粒子数取20,ω初始值可取稍大些为1.2,后迭代次数由1.2线性递减为0.4,迭代步数取20 000次[3,4]。从表2、表3的对比可以看出,基于PSO算法神经网络的训练结果相对于基于BP算法的神经网络有较高的准确度。

基于BP算法的神经网络训练曲线(见图1)。

基于PSO算法的神经网络训练曲线(见图2)。

图2及图2中横坐标代表网络训练次数,纵坐标代表网络性能即系统误差。从图中训练曲线可以看出:PSO算法迭代次数为597次时,系统误差就达到了0.001,而BP算法迭代次数为10 000次时,还未达到系统精度,陷入局部极小值0.166 8。图2与图1相比,训练曲线变得曲折,说明PSO算法易于跳出多个局部极小值向全局最优值搜索。因此,采用基于粒子群优化算法训练的BP神经网络对异步电机进行故障诊断要优于基于传统BP算法的诊断方法。

5结论

应用神经网络对电机进行故障诊断是目前一个十分活跃的研究领域,而加入了粒子群优化算法的电机故障诊断又为其提供了新的思路和方法。本文应用基于粒子群优化算法和BP神经网络对异步电机转子的常见故障进行了诊断。仿真结果表明,基于PSO算法的BP神经网络对异步电机故障征兆能给出较理想的输出结果,其迭代次数少,收敛快,诊断精度高,性能优于BP算法,具有较好的工程应用价值和非常广阔的应用前景。

参考文献

[1]潘昊,候清兰.基于粒子群优化算法的BP网络学习研究.计算机工程与应用,2006;(16):41-42

[2]李占峰,韩芳芳,郑德忠.基于BP神经网络的电机转子故障研究.河北科技大学学报,2001;22(3):24-25

[3] Bocaniala C D,da Costa J S.Tuning the parameters of a classifier for Fault Diagnosis-particle swarm optimization vs genetic algorithms. ICINCO,2004;(1):157-162

[4] Bocaniala C D,Da Costa J S,Palade V.Refinement of the diagnosis process performed with a fuzzy classifier.Lecture Notes in Artificial Intelligence,2004;3215:365-372

故障信息组群 篇2

几十年来, 国内外众多专家先后提出了多种以油中特征气体为依据的判断变压器故障的方法, 如罗杰斯法 (Rogers) 、三比值法 (IEC) 、特征气体法、气液平衡法、电协研法等[1], 目前应用比较成熟和广泛的是三比值法。虽然三比值法经过多次改进, 但是在实际分析中仍有不在其中的故障类型, 而且多种故障混合时, 用三比值法就很难进行判断。所以, 专家学者们陆续研究出了多种智能故障诊断方法, 如神经网络、专家系统、模糊控制等, 并且都取得了可喜的成果。粒子群算法是一种新兴的智能进化算法, 具有搜索能力强大、参数少、算法简便等优点, 但是也存在收敛慢、易陷入局部极值的缺点, 所以本文对基本粒子群算法的惯性权重和加速因子做出了改进, 并尝试用改进后的粒子群算法训练BP神经网络, 应用在变压器故障诊断上。实验仿真证明改进的粒子群算法应用在变压器故障诊断上是可行、有效的。

2 基本粒子群算法

粒子群优化算法 (PSO) 最早是由Eberhart和Kennedy[2,3,4]博士于1995年提出的, 起源于对鸟类捕食的研究。种群是由多个粒子的集合组成的, 每个粒子代表一个潜在解, 每个粒子的搜索行为是受到群中其它粒子的经验或知识影响的。PSO初始化为一群随机粒子, 通过迭代找到最优解, 每次迭代中, 粒子通过跟踪个体极值 (pbest) 和全局极值 (gbest) 来寻找最优解。基本粒子群算法按照式 (1) 、式 (2) 更新速度和位置:

vundefined=c0vundefined+c1r1 (pundefined-xundefined) +c2r2 (pundefined-xundefined) (1)

xundefined=vundefined+xundefined (2)

式中:r1和r2——随机函数rand () 生成的[0, 1]之间均匀分布的随机数;c0——惯性权重;c1, c2——加速因子, 表示粒子向自身极值 (pbest) 和全局极值 (gbest) 推进的随机加速权值。

3 惯性权重和加速因子的改进

c0能够限制上一步微粒的飞行速度对此时速度的影响, c1能够控制微粒自身的搜索经验对当前微粒飞行速度的影响, c2能够控制其它微粒的搜索经验对当前微粒飞行速度的影响。c0的大小反映了收敛能力的强弱, c0取值较大时全局收敛能力较强, 局部收敛能力弱, c0较小时局部收敛能力较强, 全局能力较弱。开始可以给c0一个较大的正值 (一般取1) , 然后逐渐的减小其值, 本文考虑在搜索过程中对c0进行动态改进, 使惯性权重c0随粒子迭代次数的增大而呈现非线性递减趋势, 这种改进能够加快算法的收敛速度, 从而能够逼近全局最优解。本文考虑采用的方法区别于其他改进方法的是惯性权重的表现形式不同, 此方法经过验证, 能够有效地摆脱局部极值的缺点, 改进的公式见式 (3) :

undefined

式 (3) 中, c0随着迭代次数的增加而呈现动态非线性减小的趋势, 通常情况下, 认为c0 (k) 取[0.4, 1.2]之间的常数时算法性能较好。ω可以取[0, 1]之间的常数, 经过验证, 认为取0.2时效果较好。其中G为最大迭代步数, k为当前迭代次数, c0 (k) 可以看作是迭代次数的函数。

对加速因子的改进如式 (4) 、式 (5) :

undefined

undefined

c1随当前迭代次数的增加而线性减小, c2随迭代次数的增加而线性增加, 经过试验, 认为c1在[0.25, 2.25]区间内递减, c2在[0.25, 2.25]区间内递增时优化效果较好。这种改进可以使得粒子在开始的时候有较强的全局收敛能力, 而在后期有较强的局部收敛能力, 不容易陷入局部极值点。

4 改进粒子群算法应用于变压器故障诊断的研究

4.1 BP算法

BP网络又称多层并行网, 应用较为广泛, 结构如图1所示。BP算法的核心思想是利用梯度下降法来调整权值、阈值, 使得网络误差最小, 网络的学习过程是误差一边向后传播一边修正权值的过程[5,6]。但是BP算法存在一定的缺陷, 易陷入局部极小值、收敛较慢, 为了克服BP算法存在的缺陷, 利用本文改进的粒子群算法代替BP算法来训练神经网络 (简称IPSO-BP) , 区分变压器的故障类型。

4.2 IPSO-BP算法的基本思想和步骤

粒子的适应度值也就是神经网络的均方误差, 误差越小则表明粒子在搜索中具有更好的性能。粒子在权值空间内移动搜索使得网络输出层的误差最小, 改变粒子的速度、位置就是更新网络的权值, 以减少均方误差 (MSE) 。通过这种方式, IPSO-BP优化搜索最优权值来获得更小的MSE。在每一次迭代过程中, 所有粒子根据计算出的新的速率更新位置, 向新的位置移动, 根据该权值集合得到新的MSE。如果某粒子运动到的新位置使得新的MSE不能减小, 则粒子不向新的位置移动, 丢弃新的权值矩阵。每次迭代过程中产生MSE最小的粒子就是当前的全局最优粒子, 直到满足预设的误差或者超过迭代次数, 算法结束。

IPSO-BP算法的具体步骤如下:

(1) 初始化BP网络各参数:输入层、隐含层、输出层的节点个数, 初始种群大小, 粒子的速度、位置, 个体极值, 全局极值;

(2) 建立各个粒子的维数与神经网络各层权值、阈值之间的映射, 粒子群中每个粒子的位置向量为x= (x1, x2, x3, …, xn) , 其中每一个元素代表网络中的权值、阈值, 换一种说法就是神经网络中所有权值 (阈值) 的总和等于IPSO算法中每个粒子的维数。比如本文中用于故障诊断的BP网络中, 输入神经元为5个 (代表五种特征气体的含量) , 隐含层神经元取6个, 输出神经元为1个。粒子维数D=5×6+6×1+6+1=43;

(3) 计算粒子的适应度值f (均方误差) 。运用BP网络的前向算法得出第一个粒子在第一个样本下的误差, 然后求出在所有样本下的误差, 再求出均方误差;再输入第二个粒子, 计算均方误差, 以此类推, 计算出所有粒子的均方误差;

(4) 计算出所有粒子的均方误差即粒子的适应度值f。评价适应度值, 找出每个粒子的全局极值和个体极值:如果f

(5) 用式 (1) 、式 (2) 更新粒子的速度和位置。每一维粒子的速度都会被限制在一个最大速度vmax (vmax>0) 内, 如果某一维更新后的速度超过用户设定的vmax, 那么这一维的速度就被限定为vmax, 若vk>vmax, vk=vmax;若vk<-vmax, vk=-vmax;

(6) 检验是否达到最大迭代次数 (预设误差精度) , 达到, 则算法结束, 否则返回步骤 (2) 继续迭代。

4.3 IPSO-BP算法与改进BP算法的性能比较

为验证本文IPSO-BP算法的性能, 将其与两种改进的BP算法进行比较, 为了方便比较, BP神经网络均采用三层网络, 输入为5个神经元, 隐含层为6个神经元, 输出为1个神经元。其余参数设置如下:

(1) 变学习速率的BP算法 (BBP) 参数设置:最大迭代次数为10 000次, 最小误差为0.01;

(2) 结合动量项和变学习速率的BP算法 (DBBP) 参数设置:最大迭代次数为10 000次, 最小误差为0.01, 动量因子为0.9;

(3) IPSO-BP算法的参数设置:初始化个体极值和全局极值, 最大迭代次数为10 000次, 最小误差精度为0.01, 粒子维数为43维, 种群规模为30, 粒子位置的范围设在 (-1, 1) , 速度范围设在 (-1, 1) , c0、c1和c2的大小均采用式 (1) ～式 (3) 的动态改进方法。

比较三种算法的收敛性能, BBP算法、DBBP算法和IPSO-BP算法的误差曲线图 (即适应值曲线) 分别如图2、图3、图4所示。

三种算法的性能比较如表1所示。

通过图2～图4和表1, 可知:

(1) IPSO-BP算法能够较快的收敛, 迭代次数比两种改进的BP算法少;

(2) IPSO-BP算法达到的收敛精度较小;

(3) 因为程序的计算量较大, 所以IPSO-BP算法运行的时间比两种改进的BP算法长。

4.4 三种算法的故障诊断结果分析

针对基本粒子群算法的缺点, 本文对其进行改进, 并用于BP神经网络的训练, 形成了IPSO-BP算法, 最后将其引入变压器故障诊断中。规定五种故障 (无故障、中低温过热、高温过热、低能量放电、高能量放电) 的期望输出值为1, 2, 3, 4, 5。根据最大隶属度, 神经网络输出值为1左右的归为第一类故障, 输出值为2左右的归为第二类故障, 神经网络输出值为3左右的归为第三类故障, 神经网络输出值为4左右的归为第四类故障, 神经网络输出值为5左右的归为第五类故障, 从而实现变压器故障的诊断。同时, 为验证此方法的有效性, 在相同故障类型的规定下, 将其同两种改进的BP算法从对变压器故障识别率的高低方面进行比较。

以实际基于油中气体分析法采集的100组数据, 来验证各算法对变压器故障诊断的识别率。限于篇幅, 列出其中10组部分数据, 把三种算法的期望输出值与得到的实际输出值相比较, 得到的结果如表2所示。

由表2结果及分析可知, IPSO-BP算法的故障诊断率为80%, BBP算法故障诊断率为70%, DBBP算法故障诊断率为80%。

5 结束语

为了克服基本粒子群算法 (PSO) 存在收敛慢、易陷入局部极值的缺点, 本文对惯性权重和加速因子作了改进, 并用改进后的粒子群算法训练BP网络, 与两种改进的BP算法进行比较。实验仿真结果证明:IPSO-BP算法迭代次数少, 收敛速度比两种改进的BP算法快, 针对变压器故障诊断问题, 其故障诊断率可以达到80%, 说明IPSO-BP算法应用在变压器故障诊断上是可行、有效的。

参考文献

[1]操敦奎.变压器油中气体分析诊断与故障检查[M].北京:中国电力出版社, 2005.

[2]KENNEDY J, EBERHART R C.Particle Swarm Optimization[C]//Proc IEEE Int Conf on Neural Networks.Perth, Austral-ia, 1995:1942-1948.

[3]江维, 沈斌, 胡中功.粒群算法参数的理论分析[J].化工自动化及仪表, 2009, 36 (4) :38-40.

[4]王辉, 钱锋.群体智能优化算法[J].化工自动化及仪表, 2007, 34 (5) :7-13.

[5]高海兵, 高亮, 周驰, 等.基于粒子群优化的神经网络训练算法研究[J].电子学报, 2004, 132 (9) :1572-1574.

故障信息组群 篇3

作为往复式机械的代表,柴油机是典型的多系统、多层次的复杂系统[1]。其结构复杂,输入与输出呈现非线性,使得其结构或状态很难用合适的数学模型来表现。并且其故障与征兆一般没有确定的关系,一种故障可能引起多种征兆,而单个征兆可能由多种故障引起,这使得故障本身以及故障引起的征兆具有模糊性。

随着故障诊断技术发展,将人工神经网络和模糊逻辑系统相结合的智能故障系统应运而生。它不仅具有神经网络并行、大规模处理,高度自组织、自适应,自学习能力强等特点,还具有模糊系统的模糊信息以及模糊推理的优点,非常适用于建立柴油机故障诊断系统模型。但这也存在一些缺点,如模糊神经网络收敛速度慢,不利于实时在线诊断,网络可能陷入局部极值,不能正确诊断出故障类型等。因此出现了众多诸如遗传算法[2]、模拟退火算法[3]、蚁群算法[4]等学习算法,来对网络参数进行优化。

本文利用改进的粒子群算法WCPSO对模糊神经网络参数进行优化,并将优化后的网络应用于船舶柴油机燃烧系统故障诊断中,仿真结果表明了该方法的可行性和有效性。

1 粒子群算法

粒子群群优化算法[5](Particle Swarm Optimization,PSO)是在1995年由J.Kennedy和R.C.Eberhart共同提出的一种基于群体智能原理的优化算法,源于对鸟群在觅食过程中的迁徙和聚集的模拟。这种算法不但收敛速度快,易实现,而且其需要调整的参数也很少。

1.1 标准粒子群算法

假设在D维目标搜索空间中,由m个粒子组成一个种群,其中,第i个粒子的位置表示为向量

xi=(xi1,xi2,…,xiD);i=1,2,…,m,其速度也为一个D维的向量,记vi=(vi1,vi2,…,viD)。第i个粒子迄今为止搜索到的最优位置记为pi=(pi1,pi2,…,piD),整个粒子群搜索到的最优位置为pg=(pg1,pg2,…,pgD),粒子的更新公式如下[5,6]。

当vid>Vmax时,取vid=Vmax。

当vid<-Vmax时,取vid=-Vmax。

式中,i=1,2…,m,d=1,2,…,D,ω为惯性权重,c1,c2是加速常数,且为非负数;r1和r2是[0,1]上的均匀分布随机数。vid是第i个粒子的当前速度,vid∈[-Vmax,Vmax],Vmax为非负的最大限制速度。

ω表明了粒子上一代速度对当前速度的影响。控制ω的大小可调节粒子群算法的全局和局部寻优能力。Shi建议的ω线性递减公式为:

式(3)中,ωmax和ωmin分别是ω的最大值和最小值;t,Tmax分别是当前进化代数和最大进化代数。

这样,在标准粒子群算法(简称WPSO)中,粒子早期全局搜索能力比较强,遍历整个搜索空间,后期随着ω的减小,上一代速度对当前速度影响也减小,使得粒子局部搜索能力变得较强,较容易找到最优值。

1.2 改进的动态加速常数协同惯性权重的粒子群算法

为了在优化的早期鼓励粒子遍历整个搜索空间,在优化的后期提高趋于最优解的收敛率并有效地找到最优解,文献[7]对标准粒子群算法进行改进,使得c1和c2随进化代数线性改变。

式中,自适应控制常数R1、R2、R3、R4是初始的定值;t,Tmax分别是当前迭代代数和最大迭代步数。

这种算法简称WCPSO算法,它可以克服WPSO在搜索后期陷入局部搜索的不足。但这种算法更侧重于收敛率的提高,而对收敛速度几乎没有影响。为了加快这种算法的收敛速度,对算法进行改进,可以在位置更新公式中加入一个线性收缩因子k,使得:

通过对六驼峰函数和Rosenbrock函数进行MATLAB仿真实验,可得最佳线性收缩因子k为:

实验表明,加入线性收缩因子后,WCPSO算法的收敛速度大大加快了。

2 基于模糊神经网络的柴油机燃烧过程故

障诊断模型

本文以船舶柴油机燃烧过程为研究对象,在文献[8]中,这一过程的常见故障有6种,分别是:

F1:喷油器喷孔变大,

F2:喷油器喷孔堵塞,

F3:喷油器阀座漏,

F4:燃油喷射正时过晚,

F5:燃油喷射正时过早,

F6:排气管堵塞。

上述故障与在船舶柴油机燃烧过程检测到的最高爆压Pz(MPa)和主机排气温度Tr(℃)相关。在构建模糊神经网络故障诊断模型时,把Pz和Tr这两个特征参数作为网络的输入,这两个参数被分别划分为3个模糊子集{正常高低}={N H L}。网络的输出即故障诊断的诊断结果为燃烧过程的6种常见故障。为了覆盖模糊诊断参数的全部可能组合,网络的隐层定为12个规则层节点,则模糊神经网络的结构为2-6-12-6。

本文所采用的模糊神经网络故障诊断模型如图1所示。

第1层为网络的输入层,有两个节点,输入归一化后的Pz和Tr两个变量。

第2层为模糊化层,有6个节点,计算6个模糊子集变量的隶属度函数的值,隶属度函数采用高斯函数,如下式:

式(8)中,i=1,2,j=1,2,3。

第3层为模糊规则层,有12个节点,用来计算本层各个节点所代表的模糊规则的适应度,所采用的函数为双曲正切函数,即σ(x)=(1-ex)/(1+ex),假设本层输入为(x1,x2,x3,x4,x5,x6),输出为(s1,s2,…,s12),则

式(9)中ωij为当前输入层-隐层的连接权值,bi为隐层神经元的阈值。

第4层为输出层,也即去模糊化层,由6个节点,各个神经元节点的作用函数为S型函数,即

f(x)=1/(1+ex),假设输出为(y1,y2,y3,y4,y5,y6),则

式(10)中,skj为当前隐层-输出层的连接权值,bk0为输出神经元节点的阈值。

这种网络结构实质上是一种前馈网络,由模糊量化部分和神经网络组成。两个特征参数Pz和Tr与网络输入层相连,经过模糊化处理后传递到神经网络中学习训练,得到故障可信度的模糊规则,再对模糊规则进行逻辑运算,从而确定故障的可信度。其中,本文所研究的WCPSO算法优化训练的对象是模糊神经网络的2层到3层,3层到4层的连接权值和3层,4层的阈值,总共为6×12+12+12×6+6=162个需要优化的参数。

3 基于WCPSO优化的FNN船舶柴油机故障诊断仿真实验

粒子群优化模糊神经网络的方法:本文需训练的神经网络有162个待优化的参数,把这些参数编码成粒子,粒子的维数为参数的个数。适应度值为利用当前粒子所代表的各层权值和阈值时网络的输出均方误。利用之前的WCPSO算法,在迭代次数内搜索网络的最优权值和阈值。具体优化步骤如下:

本文对船舶柴油机燃烧系统进行故障诊断MAT-LAB仿真实验,根据排气温度Tr和最高爆压Pz各自的参数范围(分别为320～360℃和123×105～137×105Pa),对它们作归一化处理,然后定义偏高、正常、偏低三个模糊集合,再将故障诊断规则中的诊断结果转化为相应的故障可信度,具体参数说明和数据来源可参考文献[8],建立模糊神经网络故障诊断学习训练所需的样本,如表1。表中数值表示的含义为:0.9表示“经常是”,0.6表示“有时是”,0.2表示“很偶然是”,0.05表示“基本不可能是”。

表2是采用BP学习训练的的模糊神经网络故障诊断的结果。表3是采用粒子群优化算法优化的的模糊神经网络故障诊断的结果。为了对比两种算法的仿真结果,都采用表1的训练样本。通过对表2、表3的仿真结果对比,在取得相同的诊断结果时,BP算法需要279步收敛,粒子群算法在216步时已经收敛,当输入数据与样本数据存在偏离时,动态加速常数协同惯性权重的粒子群算法仍然能给出比较准确的故障诊断结果,其均方误差为0.041 7,而BP算法的均方误差为0.091 8,前者比后者结果要好。在WCPSO优化模糊神经网络的过程中,自适应控制参数R1、R2、R3和R4分别取1、0.5、6和2;惯性权重ωmax和ωmin分别取0.9和0.4。这两种算法优化的仿真结果如表4所示。

4 结论

本文将改进的粒子群优化算法与模糊神经网络训练相结合,阐明了粒子群算法优化模糊神经网络的基本思想和方法步骤,并将其引入到船舶柴油机故障诊断系统中。通过与BP训练的模糊神经网络故障诊断系统相比较,克服了BP算法收敛速度较慢,容易陷入局部极值的不足,仿真结果表明了粒子群优化算法作为一种有效的手段,以其算法的简洁性和较高的搜索效率,并且不需要目标函数的梯度信息等优势,在船舶柴油机智能故障诊断系统研究中有着极其大的潜力。

参考文献

[1]徐向荣.船舶柴油机故障诊断技术的研究及展望.南通航运职业技术学院学报,2007;03(6):53—56

[2]刁帅,刘磊.遗传算法优化的模糊神经网络在故障诊断中的应用.武汉船舶职业技术学院学报,2010;03:30—33

[3]张新权,赵国材,曹红英.基于模拟退火算法的模糊神经网络主汽温控制系统的研究.第十一届全国自动化应用技术学术交流会论文集.北京,2006.8.19—20

[4]程启明,王勇浩.基于蚁群优化算法的模糊神经网络控制器及仿真研究.上海电力学院学报,2006;22(06):105—108

[5] Kennedy J,Eberhart R.Partical swarm optimization.In:Proc IEEEInt’l.Conf.on Nerual Networks,IV.Piscataway,NJ:IEEE ServiceCenter.1995:1942—1948

[6] Shi Y,Eberhart R.A modified partical swarm optimizer.In:ProcIEEE Int’l Conf on Evolutionary Computation Piscataway,NJ:IEEEPress,1998:69—73

[7]魏秀业,潘宏侠.粒子群优化及智能故障诊断.北京:国防工业出版社,2010:35—36

故障信息组群 篇4

在电机的实际运行中,其电流参数、振动信号可反映电机的故障征兆。为精确提取故障电流信号,可引入小波分析的方法对输入的电流信号进行小波前期处理。在故障信号识别上,采用神经网络的模式识别方法,对输入征兆下的故障模式进行识别、诊断。为提高神经网络的收敛速度及识别精度,采用粒子群优化的方法对神经网络初始阈值及权值向量进行优化,可降低网络的漏报、误报,从而提高故障诊断精度[1,2]。

1 电机故障信号提取

为提高信号的时频分辨率,采用小波包频带分解方法将原信号投影到不同的频带上,进行多层次划分。在电机诊断过程中,对定子故障电流信号及转子振动信号都进行小波处理。将采集到的定子电流信号进行3层小波分解,分别提取第3层从低频到高频7个频率成分的信号特征。

用小波处理转子振动信号时,要考虑机体振动与脉冲力间的作用。振动信号能量在靠近脉冲力作用的时刻较大,而在远离脉冲力作用的时刻主要是平稳振动信号及低频干扰,信号能量较小。因此可利用各频带能量的变化来提取故障特征。将振动信号频带分为8段,同样对其进行3层小波分解,并且分别提取第3层不同频带的故障信号特征。

2 电机故障诊断理论

将电机运行转子振动特征输入信号作为诊断征兆,采用神经网络诊断策略对电机相应故障进行诊断。为提高诊断精度,将振动输入征兆信号进行小波处理,并用改进的粒子群算法对BP神经网络进行优化。电机神经网络故障诊断系统结构框图如图1所示。

2.1 故障诊断神经网络

神经网络具有并行信息处理、自学习、联想记忆和容错能力,很适合于设备的故障模式识别与诊断。三层网络在隐层中使用S形传输函数f1,在输出层使用线性传输函数f2,即可实现对给定连续函数的任意精度的逼近。故障诊断BP神经网络结构如图2所示。其中,W1、θ1分别为输入层到隐层的连接权值矩阵、阈值矩阵,V2、b2分别为隐层到输出层的连接权值矩阵、阈值矩阵,Pk为R维特征输入向量,对应于网络输入层神经单元,yk为故障空间向量,对应于输出层神经单元,a1为隐层输出向量。

在修改网络的权值、阈值过程中引入附加动量项,以提高网络的收敛速度,避免网络陷入局部极小。网络第j个隐层神经单元输入为undefined,输出为undefined;第k个输出单元的输出为undefined。其中,wji、vkj、bi分别为矩阵W1、V2、b2中的元素。

反向误差修正时,取误差函数为undefined,则输出层与隐层间的权值修正量为Δvundefined=ηδkaj+αΔvundefined,输入层与隐层间的权值修正量为Δwundefined=ηδjxj+αΔwundefined。其中,中间变量undefined为学习率,0<η<1,α为动量项,l为学习次数,tk为期望的输出。

2.2 改进的粒子群算法

粒子群算法是将群体中的每个成员抽象为具有位置和速度的搜索空间粒子,粒子状态根据被优化函数决定的适应值确定。每个粒子通过追踪自身的当前最优解及整体粒子群当前最优解,实现对全局最优解的搜索[3,4]。每个粒子看作D维搜索空间中的潜在解,搜索空间的上、下限为Ld和Ud,速度的范围为vundefined∈[vmin,vmax],则在m个粒子组成的粒子群中,第i个粒子k时刻的D维位置矢量及速度矢量表示为:

由要解决的问题确定适应值函数,将每次计算出的xundefined当前适应值作为衡量粒子位置优劣的依据。k时刻粒子搜索到的当前最优位置为pundefined=(pundefined,pundefined,…,pundefined…,pundefined);整个粒子群当前搜索到的最优位置为pkg=(pundefined,pundefined,…,pundefined…,pundefined)。

粒子在每次迭代优化过程中,更新位置和速度为:

其中:d=1,2,…,D;w为惯性权重系数;r1、r2为在[0,1]区间均匀分布的随机数,可用来保持粒子群体的多样性;c1、c2为学习因子,通常取值为2。

为改善基本粒子群算法的收敛性能,式(2)中引入了惯性权重系数w,使得算法在计算精度、全局收敛速度、优化结果鲁棒性等方面有明显的改善。

3 粒子群优化的神经网络电机故障诊断

采用粒子群优化算法对BP神经网络进行参数优化时,主要针对网络的权值和阈值进行优化。粒子群优化模型参数设置为:迭代次数G=200,种群规模m=20,学习因子c1=c2=2,惯性权重初值wstart=0.85,惯性权重终值wend=0.45,采样周期T=0.02。按照粒子群算法对BP网络的权值及阈值参数进行优化。

电机故障诊断用定子电流及转子振动信号经处理后输入诊断网络,作为网络输入特征向量,形成网络的故障诊断模式。诊断网络用于诊断前,首先用学习样本对网络进行训练,使网络具有模式识别能力[5]。

表1为用于诊断网络的训练样本。其中,正常样本值是现场运行数据实际采集的,故障样本来自于企业生产记录的运行故障数据;将电流信号4个频带S1～S4的能量作为特征输入量,诊断电机转子断条、气隙不均两类故障;将转子振动频谱的4个频段(0.5、0.5～0.99、1、2)上的不同频谱峰值作为特征输入量,诊断电机转子不对中故障。表2为样本训练结果。从训练结果看出,实际输出值比较接近期望的理论给定值,说明网络具备故障识别能力。

对表1中的输入样本进行训练,选取误差为0.01,当没有采用粒子群优化算法对网络权值、阈值进行优化时,网络训练误差收敛曲线如图3所示。从图3的训练误差曲线看出,网络要经过约11个时间训练步才具有模式识别能力。

若采用改进的粒子群优化方法对网络的权值、阈值进行优化,可显著提高网络的收敛速度及识别可靠性。图4为粒子群优化过程的适应度值变化曲线。图5为采用粒子群优化后的网络误差收敛曲线,从图5中看出,网络仅仅经过4.5个训练步就快速收敛到要求的误差精度内,具有了模式识别能力,可满足实际应用的要求。

为检验网络的实际识别、诊断能力,训练后的网络还应进行测试,并且测试样本应尽量与训练样本不同。从获得的样本中分别选取一组测试样本,用于网络的诊断能力测试,网络测试样本及输出结果见表3。

将测试样本输入诊断网络,从网络的计算结果看出,网络通过对训练模式的回想,对未经训练过的测试样本也具有很好的识别能力。如果训练样本选取的再丰富些,网络的模式识别能力还可以进一步提高。

4 结论

电机故障诊断过程较为复杂,采用神经网络诊断方法能够实现对故障模式的识别,但也存在收敛速度慢、陷于局部极小等问题。而采用粒子群优化的神经网络故障诊断策略,可提高网络收敛速度,降低误报、漏报,用于电机系统的故障诊断是可行的。

摘要：提取电机定子电流信号及转子振动信号,构成用于电机故障诊断网络的训练及测试样本。用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阈值进行优化,提高了网络系统诊断的可靠性。仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求。

关键词：神经网络,粒子群优化,电机,故障诊断

参考文献

[1]虞和济,陈长征,张省,等.基于神经网络的智能诊断[M].北京:冶金工业出版社,2000.

[2]刘冬生,赵辉,王红君.基于小波分析和神经网络的电机故障诊断方法研究[J].天津理工大学学报,2009,25(1):11-14.

[3]李丽,牛奔.粒子群优化算法[M].北京:冶金工业出版社,2009.

[4]Angeline P J.Using selection to improve particle swarmoptimization[G].IEEE International Conference onEvolutionary Computation,Anchorage,1998:84-89.