Sci论文 - 至繁归于至简,Sci论文网。 设为首页|加入收藏
当前位置:首页 > 计算机论文 > 正文

基于遗传算法的故障诊断方法研究论文

发布时间:2022-04-22 09:58:37 文章来源:SCI论文网 我要评论














SCI论文(www.scipaper.net):
 
  摘要:现代工业系统的大型化、复杂化、自动化的发展趋势使得工业系统的故障诊断方法遇到一系列的考验,误差小、精度高的故障诊断方法的研究成为重中之重。为此本文对故障诊断方法的发展状况进行简介,并对当下研究最热门、效果较好的遗传算法进行详细分析。遗传算法是基于自适应启发式全局搜索概率算法,在故障诊断中主要用于算法的优化,提高故障诊断准确率。本文最后列举了遗传算法优化Bp神经网络的方法用于风机齿轮箱故障诊断的案例。结果显示,在遗传算法的优化下,风机齿轮箱故障诊断的误差得到明显改善,预测精度也提高了。

  关键词:故障诊断;遗传算法;风机齿轮箱;Bp神经网络

  Research on Fault Diagnosis Method Based on Genetic Algorithm

  CHEN Fan

  (Guangzhou Xinhua University,Guangzhou Guangdong 510310)


  【Abstract】:The large-scale,complicated,and automated development trend of modern industrial systems makes the fault diagnosis methods of industrial systems encounter a series of tests,the research of fault diagnosis methods with small errors and high precision has become the top priority.For this reason,this paper introduces the development status of fault diagnosis methods.And analyzes the most popular and effective genetic algorithm in detail.Genetic algorithm is based on an adaptive heuristic global search probability algorithm,which is mainly used for algorithm optimization in fault diagnosis to improve the accuracy of fault diagnosis.In the end,this article lists the case of using genetic algorithm to optimize Bp neural network for fault diagnosis of wind turbine gearbox.The results show that under the optimization of genetic algorithm,the error of wind turbine gearbox fault diagnosis has been significantly improved,and the prediction accuracy has also been improved.

  【Key words】:fault diagnosis;genetic algorithm;fan gearbox;Bp neural network


  1故障诊断及其发展状况(Fault diagnosis and its deve-lopment)

  随着当前全球社会形势的不断发展变化以及我国国民经济社会的飞速发展,设备日益向大型化、复杂化、精密化方向发展,设备工作强度不断被增强,高生产率、高自动化要求被提出,同时还要确保设备稳定、安全运作,减少故障发生次数,减少不必要的意外停机次数。因此,设备有着必要的运作状态监测和实时诊断,提前发现潜在问题,做到故障早预报,原因早判断,问题早解决,以避免或减少事故的发生[1-3]。监测设备的运作状况,随时判断故障是否有出现的可能以及可能发生故障的时间、位置、种类及严重性等,完成故障监测、分离和预测。根据故障诊断技术的起源和发展趋势来看,其目的是在安全稳定的基础上高效地发挥设备的最大功能[4-6]。及时正确地诊断出设备的异常状态或故障的严重程度,预防或杜绝故障发生,指导对设备的安全运转,提高设备的可靠性、有效性等是故障诊断技术的根本任务[7]。

\

  故障诊断技术随着工业科技也迅速发展,许多新的理论与方法不断被提出并应用到实际工业中,越来越多的学者对小波变换法、遗传算法、模糊系统、神经网络、定性推理、模式识别、非线性理论、自适应理论等都进行了系统而深入的研究[8-10]。实际应用需求广泛且紧迫,再加上学科理论的多方面总体发展使得故障诊断技术出现后在短期内迅速兴起和发展。

  对设备进行故障诊断,有利于发现早期故障,做到防患于未然。通过对故障进行分析,也便于及时采取恰当的解决措施。图1为故障诊断技术的大体流程,首先,获取正确有效的设备状态监测信号,再提取相关特征信息,直接从原始信号中进行故障分析是十分困难的,需要进行特征提取,才能用于设备的状态诊断。根据监测信号中提取出的特征信息分析故障,做出正确的判断,若设备存在故障隐患,立即采取措施进行干涉。
\

 
  故障诊断实际是随着工业生产的出现而出现,早期的故障诊断方法是依据设备运行时的现象(如温度、振动状态、声音大小等)和操作工的工作经验来判断并指出修复措施[11]。自从20世纪60年代以后,故障诊断技术才正式地被严格定义为一门科学,美国、英国、日本等发达国家都相继构建起故障诊断方面的系统的研究体系。而在中国,直到20世纪70年代后期,才正式制定与故障诊断机制相关的发展纲领,并紧随着各大高校的深入科学研究,组织故障诊断相关的国际学术会议和研讨会[12-15]。随着电子通讯、计算机和监测技术等科学技术的发展,遗传算法、神经网络技术、模糊数学、小波包分析理论等理论越来越广泛地应用于故障诊断中。故障诊断技术的理论和实际应用也随着这些理论的相关应用而得到快速发展,并且多学科多理论多技术方法的协同耦合使故障诊断技术迅速发展成一门集现代化科学技术于一体的系统全面而综合专业的智能故障诊断技术[16]。

  2故障诊断方法(Method of fault diagnosis)

  故障诊断与检测技术的科学研究任务是故障检测和诊断的技术发展中核心关键的部分[17-19]。对机械装备运行状态的监测,也就是能判断此设备处于正常状态与否,也就是运行正常与异常这两类问题的判别。部分方法列举如下:

  专家系统诊断法:利用大量人类专家的知识和推理方法解决繁琐的实际故障,通过计算机程序编制的一种人工智能诊断系统。

  故障树分析法:将导致故障的原因按照由重到轻的方式绘制成树状图,逐级细化,用最简单最易理解的方法罗列故障原因,容易操作人员理解,所以在实际工厂应用中很受欢迎,是当下有效的故障诊断分析工具。

  模糊诊断法:模糊现象是客观存在的规律,依托数学方法进行计算得到确切结果便是模糊诊断计算。

  神经网络诊断法:在现代神经生理学和心理学研究基础上,模仿人脑神经元结构特性建立的一种非线性动力学网络系统。

  遗传算法:遗传算法是模拟达尔文遗传和自然淘汰的生物进化论,通过种群之间的选择、交叉、变异操作使算法不断得到优化,是一种新型的优化算法。使用于故障诊断中因果推理、网络结构和权重的优化。

  3遗传算法原理(Principles of Genetic Algorithm)

  利用遗传算法进行求解一个问题时,首先我们要分别确定一个问题的解决目标变量函数和解决变量,然后对目标变量数据进行函数编码。这是因为在遗传算法中,问题的最终解决都是用一个数字字符串形式来进行表示的,而且有些遗传算子也是直接对数字串函数进行编码操作的。编码方式大致可以再细分为二进制整数编码和四位实数进制编码。若用一个二进制函数编码表示某一个体,则这些二进制编码数据可转化成值为十个二进制的函数的个体解码计算公式一般可以表示为:

\
 
  其中(bi1,bi2,…,bi1),为某个个体的第i段,每段段长都为1,每个bik都是0或者1,Ti和Ri是第i段分量定义域的两个端点。

  遗传操作模拟法其实就是专门用于研究模拟一种新型生物体在个体对其基因的自行进化适应操作,他的主要研究任务就是根据一种生物体在个体中的基因进化适应度对其个体基因进化施加一定的遗传操作,从而实现可以有效实现优胜劣汰的个体基因自行进化提高适应度的过程。从这种对于优化基本问题需要搜索的传统数学计算角度进行出发分析来看,遗传操作优化算子一般可以通过计算使得对优化问题的基本类和解逐步迭加现代化并进行双向优化,逼近最需要优化的基本解。遗传操作优化算子一般包括以下三个基本不分类的遗传操作优化算子:选择、交叉、变异。选择和交叉基本上已经完成了遗传算法的大多数部分所有交叉搜索法的查询分析功能,变异交叉搜索法则增加了遗传算法对于如何找到最佳的优化数据理解的所有搜索查询能力。

  3.1选择

  选择个体淘汰操作是在中国泛指从一个社会群体中直接进行淘汰选择优良优质优秀个体并同时进行淘汰劣质优良优秀个体的一种淘汰操作。它主要研究建立在有关产品市场适应度以及质量标准评估的基础理论研究基础上。适应度越大的一代配对候选个体,被直接抉择和筛选中上的一代配对群体可能性就愈来越大,他的“子孙”在产生下来的最后一代候选配对群体中的指定选择群体个数就愈来越多,选择和筛选中产生出来的一代配对候选个体就被直接将其放入新的一代配对个体资料库中。目前常用的个体系统软件选择法和个体系统方法主要包括有各种不可移动轮赌的鼠标键盘系统选择个体方法、最佳化的各种个体系统选择法如保留法、期望值法、排序法和个体系统选择的顺序方法、竞争法、线性选择法和系统标准化法。

  3.2交叉

  交叉就是指把两个新的父代遗传个体的部分遗传结构分别加以直接替换或者重组而直接生成新的父代个体的一种操作,交叉的操作目的主要是为了防止在下面的一代个体产生新的父代个体,通过这种交叉进行操作,遗传算法的数据搜索分析能力已经得到了历史飞跃性的巨大提高。交叉检测是遗传算法用于获取优良遗传个体的重要检测手段。交叉匹配操作一般是按照一定的计算交叉操作概率,即在所有匹配个体库中随机的位置选取两个匹配个体后来进行的,交叉操作位置也是随机的,交叉操作概率一般不会取得很大,为0.6~0.9。

  3.3变异

  变异随机就是以很小的概率变异基因概率和npm随机地自动改变一个种群中某一个体的某些变异基因的等位值,变异随机操作的基本完成过程一般是:首先产生一个[0,1]之间的随机数rand,如果该数rand<pm,则需要进行一个变异随机操作。变异算法操作本身也就是一种群体局部随机信息搜索,与多次选择、交叉两个算子同时结合在一起,能够有效避免由于多次选择和不断交叉两个算子而共同引起的某些随机信息搜索永久性上的丢失,保证了遗传算法的信息有效性,使遗传算法本身具有了一种局部随机信息搜索新的能力,同时这也使得遗传算法本身能够有效保持一个群体的信息多样性,以防群体出现未成熟时的收敛。在随机变异搜索操作中,变异搜索概率的值不宜随意取得过大,如果变异pm>0.5,遗传算法就可能退化而成为了随机变异搜索。

  4遗传算法用于故障诊断案例分析(Case analysis of fault diagnosis based on Genetic Algorithm)

  通过分析安装在每个齿轮箱上的各个故障传感器即可测得每个齿轮箱的有效故障运动特征参数,提取并通过筛选计算出对齿轮故障敏感的有效故障特征参数。通过综合数据分析及相比较,根据相关文献,选取如下表1中标的波形传动指标、裕度指标等7个主要参数即可作为传动齿轮箱刹车故障分析诊断的主要特征测量值。训练中的网络仿真使用的12组模拟数据如下图表1所示。

\

  将遗传算法和存在Bp中的神经网络相随机结合,使用这种混合遗传算法技术来有效提高对高速齿轮箱传动故障的准确预测性和精度。混合优化算法的工作原理主要是将基于Bp模型神经网络的一个样本遗传数据的目标误差优化范数的一个倒数取值作为遗传算法的一个目标误差函数的取值,并对其数据进行混合优化。将遗传算法进行优化后可将得到的深度权值和时间阈度差值重新将返回代码放到一个Bp训练神经网络中,得到新的处理性能更好的人体训练神经网络。混合分析算法工作流程的框图显示如下图2所示。

\

  混合算法的具体步骤:

  第一步:算法初始化。神经网络的初始化需要确定输入、输出、隐藏层节点个数、阈值和权值等参数。遗传算法初始化公式如下:

 \

  其中,N是种群大小;F是适应度函数;S,R,M是选择、交叉、变异操作因子;gap是代沟选择概率;Pc是交叉概率;Pm是变异概率。参数的选择优化很重要,需要慎重选择。

  第二步:计算测试样本误差范数,选择适应度函数。遗传算法里的种群中的个体适应度越高,则个体越有可能成为父代,所以遗传算法的优化过程中,个体适应度越高,误差范数越小。本文这里将误差范数的倒数作为适应度函数,公式如下:
  \

  其中,1=1,…,M;F(x)是适应度函数;f(x)是误差范数;1是输出节点数;P是样本数据数量;O1是神经网络的实际输出值;T1是期望输出值。

  第三步:种群的选择、交叉、变异步骤。种群中个体被选中的概率公式如下:
\

  第四步:产生新种群。产生的子代个体插入到父代种群中,更新优化新种群,求出新的目标函数值。

  第五步:判断程序是否满足终止条件。算法达到设定的最大迭代循环次数,退出循环,结束程序。

\

  本文验证例子中遗传算法主要包含四个参数编码,分别是:N=60,gap=0.85,Pc=0.7,Pm=0.01,遗传长度代数最大值为50代,种群中每个个体选择一个二进制编码,使用长度代数为12。图3给出的是进化误差值和进化结果曲线。从遗传曲线上分析可知,遗传算法的生物种群和个体在第5代、第9代和10代后期仿真结果取得最优,后期遗传算法代数不断增加,仿真得到的局部误差范数不断减小,在第20代后期,仿真误差停止变化,取得最优解。表2整理了本文使用的多种混合分析算法应用得到的故障诊断结果情况,故障诊断试验样本的实际输入和输出分析结果分布用X2和Y2表示,图4是本文使用混合分析算法后实际输出的样本故障回归结果图。由表2结果可知,仿真得出的故障诊断结果非常接近一个理想的实际值。经过优化的仿真结果输入误差由0.65948减小为0.22246,测试训练样本的输入误差由0.59391减小为0.086328。图4所示,混合预测算法有效地大大提高了系统预测值的精度。
\

  5结语

  现代工业系统的大型化、复杂化、自动化的发展趋势使得工业系统的故障诊断方法遇到一系列的考验,误差小、精度高故障诊断方法的研究成为重中之重。本文简单介绍了故障诊断及其基本方法,对遗传算法在故障诊断领域的应用作了介绍和案例分析。案例分析中,利用遗传算法具有全局搜索能力和易收敛的特点,优化Bp神经网络,用于风力机齿轮箱的故障诊断,经过遗传算法优化后的故障诊断算法减小预测误差,提高预测精确度,其结果证明了遗传算法的优越性能。

  参考文献

  [1]王文响.基于遗传算法与因果模型的网络故障诊断研究[D].大连:大连海事大学,2020.

  [2]皮骏,马圣,贺嘉诚,等.遗传算法优化的SVM在航空发动机磨损故障诊断中的应用[J].润滑与密封,2018,43(10):89-97.

       [3]皮骏,马圣,贺嘉诚,等.基于IGA-ELM网络的滚动轴承故障诊断[J].航空学报,2018,39(9):233-244.

  [4]周东华,纪洪泉,何潇.高速列车信息控制系统的故障诊断技术[J].自动化学报,2018,44(7):1153-1164.

  [5]郭梦茹,谭泽汉,陈焕新,等.基于遗传算法和BP神经网络的多联机阀类故障诊断[J].制冷学报,2018,39(2):119-125.

  [6]曾军,陈艳峰,杨苹,等.大型风力发电机组故障诊断综述[J].电网技术,2018,42(3):849-860.

  [7]金晓航,孙毅,单继宏,等.风力发电机组故障诊断与预测技术研究综述[J].仪器仪表学报,2017,38(5):1041-1053.

  [8]袁圃,毛剑琳,向凤红,等.改进的基于遗传优化BP神经网络的电网故障诊断[J].电力系统及其自动化学报,2017,29(1):118-122.

  [9]武哲.旋转机械故障诊断与预测方法及其应用研究[D].北京:北京交通大学,2016.

  [10]文成林,吕菲亚,包哲静,等.基于数据驱动的微小故障诊断方法综述[J].自动化学报,2016,42(09):1285-1299.

  [11]黄新波,李文君子,宋桐,等.采用遗传算法优化装袋分类回归树组合算法的变压器故障诊断[J].高电压技术,2016,42(5):1617-1623.

  [12]张可,周东华,柴毅.复合故障诊断技术综述[J].控制理论与应用,2015,32(9):1143-1157.

  [13]李向前.复杂装备故障预测与健康管理关键技术研究[D].北京:北京理工大学,2014.

  [14]段兰兰.基于遗传优化BP神经网络的供热管网故障诊断[D].太原:太原理工大学,2014.

  [15]钟先友.旋转机械故障诊断的时频分析方法及其应用研究[D].武汉:武汉科技大学,2014.

  [16]石东源,熊国江,陈金富,等.基于径向基函数神经网络和模糊积分融合的电网分区故障诊断[J].中国电机工程学报,2014,34(4):562-569.

  [17]陈皓.基于经验模态分解和遗传神经网络的轨道车辆轴承故障诊断研究[D].南京:南京理工大学,2013.

  [18]王琼.基于优化理论的神经网络研究及在抽油机故障诊断中的应用[D].大庆:东北石油大学,2011.

  [19]周强.基于模糊神经网络和遗传算法的故障诊断方法研究[D].大连:大连理工大学,2006.
 
关注SCI论文创作发表,寻求SCI论文修改润色、SCI论文代发表等服务支撑,请锁定SCI论文网!
 

文章出自SCI论文网转载请注明出处:https://www.scipaper.net/jisuanjilunwen/37186.html

发表评论

Sci论文网 - Sci论文发表 - Sci论文修改润色 - Sci论文期刊 - Sci论文代发
Copyright © Sci论文网 版权所有 | SCI论文网手机版 | 豫ICP备2022008342号-1 | 网站地图xml | 百度地图xml