基于GA-BP神经网络的转子故障诊断

田晓文，马振利

(后勤工程学院 军事供油工程系，重庆　400016)

基于GA-BP神经网络的转子故障诊断

田晓文，马振利

(后勤工程学院 军事供油工程系，重庆400016)

摘要：BP神经网络在旋转机械故障诊断方面取得了巨大成果，但因其自身的局限性，还存在网络结构难以确定、学习时间较长、易收敛于局部最优解等问题。采用遗传算法对BP神经网络进行优化，并将其应用于转子故障诊断，能有效克服以上缺点，效果较好。

关键词：BP神经网络;遗传算法;转子故障

旋转机械在工业中应用广泛，其中转子是旋转机械最重要的部件。旋转机械故障的产生大多是由转子故障引起的。因此，研究转子故障智能诊断，对旋转机械故障诊断整体水平的提高有重要的理论意义和较大的工程应用价值。

1遗传BP神经网络

遗传算法实质是一种智能化的随机优化搜索算法，其最重要的特点在于全局优化性和不依赖于目标函数的梯度信息的搜索策略。遗传算法的全局性使其能够快速定位最优解的大概范围，但其在快速、精确地确定最优解的位置方面存在缺陷；而BP算法全局搜索能力较弱，局部搜索能力较强。因此，将两者结合，用遗传算法对BP算法进行优化，能够达到弱势互补，使其在全局、局部均具有快速、精确的搜索能力。

用遗传算法对神经网络进行优化，可以使神经网络具有自进化、自适应能力，从而构造出进化的神经网络[1-2]。两者的结合方式主要有[3-10]：① 网络连接权的进化；② 网络结构的进化；③ 网络连接权与网络结构同时进化；④ 分析网络的训练数据与训练结果。目前，对神经网络拓扑结构选择的研究，无论在理论上还是方法上，都还未找到有效的指导原则，且对网络结构进行进化是一件复杂而困难的工作；利用遗传算法来对神经网络的训练样本之间的相关性进行分析，来指导网络的训练，目前也无法确定其有效性。因此，本文选择采用遗传算法对神经网络的权值及阈值进行优化的方法。

传统的神经网络权值的获取方法是根据确定的权值变化规则，在训练中逐步进行调整，最终得到满意的权值分布，容易导致陷入局部极值，用遗传算法来优化神经网络的权值，可以很好地解决这个问题[3]。遗传算法优化BP神经网络的权值主要有5步：① BP网络采用不同的初始权值和阈值。② 对BP网络的权值和阈值进行编码，形成初始群体。③ 计算种群适应度，进行遗传操作，经过多次迭代，对权值和阈值进行寻优，获得使网络误差最小的一组权值和阈值。④ 用获得值作为BP网络初始的权值和阈值来进行训练。⑤ 重复③、④，直到神经网络满足精度为止。其流程如图1所示。

图1　遗传BP神经网络流程

2基于GA-BP神经网络的转子故障诊断

2.1　转子故障实验

使用北京东方振动和噪声技术研究所生产的INV1612型多功能柔性转子试验系统，共设置正常、转子不平衡、转子不对中、底座松动4种模式，利用电涡流传感器采集其振动数据并运用db小波包进行3层分解，得到振动信号的各频带特征能量值如表1所示(各取6组数据)。

表1　各频带特征能量值

续表

因此，设计BP网络输入层节点数为8，输出层节点数为4，因为遗传算法一个显著的特点是能够大大减少BP神经网络隐层的节点数，参考经验公式，隐含层节点数取10。

2.2　GA-BP神经网络设计

2.2.1编码方案的选取

编码通常要考虑问题空间与遗传空间之间的完备性、健全性、非冗余性的问题，常用的编码方法有二进制编码和实数编码2种。二进制编码相对简单直接，但不能直观反映所解问题的结构特征，且为了提高编码的精度，通常编码较长，导致计算量增大、进化速度缓慢。实数编码与二进制编码相比，对问题的反映要直观得多，且一般编码长度较小，不需要为了保证精度而牺牲效率。就遗传算法优化BP神经网络而言，选用实数编码还有两点好处：一是BP网络中的权值和阈值可以直接转换为染色体中的基因；二是BP网络中的权值和阈值都是数值型的，在进化过程中可以省去多次实数与二进制的直接转换。因此，本设计选用实数编码方法。

将BP神经网络的权值和阈值都用一个实数进行表示，一个网络的权值和阈值用一组实数来表达。则对于一个3层BP神经网络来说，一个染色体长度就是(输入层节点数×隐含层节点数+隐含层节点数+隐含层节点数×输出层节点数+输出层节点数)，则染色体长度为(8×10+10+10×4+4)=134，即有134个参数需要优化。

2.2.2初始种群的生成

种群规模的大小与遗传算法的迭代次数与染色体长度有关。种群规模过大，计算量增加，收敛速度慢；种群数过小，染色体得不到充分的交叉、变异，导致过早收敛到局部最优解，结果精度不高，本文种群规模选择为30。

2.2.3适应度函数的设计

遗传算法中的种群根据适应度函数进行进化。一般是把问题的目标函数作为适应度函数，设计目标函数为BP网络的mse最小，即输出误差ei的平方和最小。其公式为：

其中，i=1，2，…，k，k为染色体中基因的个数。因为遗传算法是向适应度函数增大的方向进化，所以适应度函数为f=1/E。

2.2.4遗传操作的设计

遗传操作主要通过选择、交叉、变异算子进行[4]。

1) 选择算子

选择算子根据个体适应度的大小来决定个体是被淘汰还是被遗传到下一代，一般确定选择算子的方法有最小个体保存法、轮盘赌法、联赛选择法、期望值法等。本文采用轮盘赌法，即每个个体被遗传到下一代的概率为它的适应度与整个种群中个体适应度之和的比值，值越大，遗传到下一代的概率越高。其公式为：

2) 交叉算子

交叉是指个体之间就部分信息进行交换，从而产生新个体的过程。交叉算子每次随机抽取2个个体，对其部分结构进行替换重组，产生2个子代串，子代串中均包含2个父代的部分遗传信息，交叉是个体更新的主要方法。本文采用算术交叉，新的个体由2个父代通过线性组合产生，假设父代个体分别为Wa和Wb，则交叉所得的新个体为：

其中a为每次运算时随机产生的[0，1]之间的参数。

3) 变异算子

为了克服“早熟”现象，需要对个体进行变异。变异是指对个体串的某些基因座上的基因值进行变动，只变动染色体中的某一个或几个基因。交叉是产生新个体的重要方法，主要是为了增强种群的多样性，避免陷入局部最优。在实数编码中，变异算子主要分为均匀变异与边界变异。

其中，a为[0，1]之间符合均匀概率分布的随机数。

其中random(0，1)表示以均等概率从0和1中任取其一。

2.2.5控制参数的设计

控制参数主要是指最大进化代数、交叉概率和变异概率的设计，控制参数的选取在很大程度上决定着遗传算法的性能。

1) 最大进化代数T

在对最大代数进行选择时，一般先取较小的进化代数，运行程序并观察其收敛情况，再继续进化，直到满足要求为止。本文经过试运算，选取最大进化代数T=100。

2) 交叉概率Pcross

交叉算子的应用次数由交叉概率决定，每代进行复制之后，进行交叉操作的基因串的个数为Pcross×S，S为初始种群规模。若交叉概率过高，高性能个体可能被破坏；交叉概率过低，搜索可能会停滞不前。本文选择交叉概率为0.6。

3) 变异概率Pmutation

变异概率控制着变异算子的应用频率。每代复制后，大概产生Pcross×S×L次变异，式中 L为染色体串长。变异概率越大，变异算子应用频率越高，种群多样性越高，搜索的随机性也随之增大；变异概率越小，变异算子应用频率越低，种群多样性越低，可能会使搜索陷于局部最小[6]。本文选取变异概率为0.1。

2.2.6转子故障诊断

编制GA-BP神经网络程序，在Matlab软件中运行，运用表1中的实验数据对网络进行训练，并对其进行验证，得到结果如图2所示，BP神经网络诊断结果如图3所示。

图2　神经网络验证表1数据的仿真结果

图3　神经网络诊断结果

3结束语

由对比分析可知：遗传BP神经网络运算速度高于BP算法且误差较小。本文中遗传BP神经网络的误差已经远远小于预定误差。在相同精度的情况下，遗传BP神经网络收敛步数比BP神经网络少，在本文中只用了4步。另外，遗传BP神经网络可以有效减少BP神经网络的隐层节点数。因此，遗传BP神经网络应用于转子故障的诊断具有明显的可行性和可靠性。

参考文献：

[1]张德丰.matlab神经网络应用设计[M].北京:机械工业出版社，2009.

[2]兰胜坤.遗传算法优化BP神经网络的说话人识别系统[J].重庆理工大学学报:自然科学版，2013，27(10):91-95.

[3]李英，李武，王浣尘.一种基于演化神经网络的预测算法[J].预测，2003(6):66-69.

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

[5]黄卫华，许小勇，范建坤.实数编码遗传算法中常用变异算子的Matlab实现及应用[J].广西轻工业，2007(1):77-78.

[6]王小平，曹立明.遗传算法-理论、应用与软件实现[M].西安:西安交通大学出版社，2002.

[7]孙颖，李秋锋， 黄丽霞，等.模拟退火遗传算法在混凝土层析成像中的应用[J].压电与声光，2013(4)：487-490，495.

[8]张婉琳.遗传算法优化支持向量机的交通流量预测[J].激光杂志，2014(12):116-117.

[9]祁虔，罗婷，刘枫，等.基于遗传算法的倒立摆系统模糊九点控制器参数优化[J].西南大学学报:自然科学版，2014(11):191-200.

[10]王礼刚，左源瑞，李盛瑜.一种基于改进型遗传算法的关联规则提取算法及其应用[J].重庆师范大学学报:自然科学版，2006(2):42-45.

(责任编辑刘舸)

收稿日期：2015-02-15

基金项目：国防项目“群车加油车效能提升智能控制技术研究”(YX214J038)

作者简介：田晓文(1985—)，男，河南人，硕士研究生，主要从事机械工程研究。

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

中图分类号：TH13

文献标识码：A

文章编号：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：田晓文，马振利.基于GA-BP神经网络的转子故障诊断[J].重庆理工大学学报：自然科学版，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.