遗传算法在故障诊断中应用分析

靳长松

摘 要：遗传算法是一种自适应启发式全局搜索概率算法，在许多学科中都得到了应用。本文介绍了遗传算法的基本原理，指出了它的特点，论述了它在故障诊断中的应用现状，并对遗传算法在故障诊断中的前景进行了展望。

關键词：故障诊断；遗传算法；神经网络；小波分析

一、遗传算法

遗传算法GA（Genetic Algorithms）模拟了达尔文“适者生存，优胜劣汰”的自然进化论，以及孟德尔的遗传变异理论，由Michigan大学Holland教授于1975年在他的专著《Adaptation in Natural and Artificial》中首次提出。遗传算法（GA）与传统算法有很多不同之处，主要体现在GA适应性强，其使用的算子是随机的，如交叉、变异和繁殖等算子不受确定性规则的控制。但这种搜索也不是盲目的，而是向全局最优解方向前进。其可以直接使用适值函数进行适值计算，而不需要求优化函数的导数，使一些不可求导的优化函数也可用GA优化；GA具有较强的鲁棒性，能同时搜索最优解空间的多个点，从而使之收敛于全局最优解，而不至于陷入局部最优解；其具有智能性和并行性，利用遗传算法的方法，可以解决那些尚无人能理解的复杂问题。目前，它已被广泛应用于函数优化、组合优化、模式识别和信号处理等领域，在处理复杂优化问题时，遗传算法显示了巨大潜力，在实际工程应用中取得了巨大成功。基于上述特点，建立合理的模型，可以将GA用于设备的状态监测和故障诊断中。本文分析、归纳近年来有关GA用于故障诊断的文献，总结出GA在故障诊断中的具体应用。

GA用于故障诊断从目前来看，有直接应用于故障诊断中，主要用于提取特征向量，为诊断的后续处理作准备的，也有和其他诊断方法结合使用的，主要有以下几种。

二、遗传算法在故障诊断中的应用

（一）利用遗传算法提取、优化特征参数

机械故障诊断是一个典型的模式分类问题。在诊断实践中，由于诊断对象的复杂性，故障特征和故障类别的对应关系不甚明了，人们提出了大量的原始特征以进行故障识别。但由于特征向量之间存在一定的关联性，且特征向量对不同故障的敏感程度不同，对设备诊断的效率和准确率有重要影响。这就需要优化这些特征向量，使它们适应实际需要。

史东锋等学者对回转机械故障诊断中3类由同步振动引起的故障进行了分析，应用遗传算法，染色体采用二进制编码方式，以样本类内、类间的距离判据为适应值函数，进行特征选择，高效剔除了原始特征集的冗余特性，提高了故障的识别精度。而用常规方法对得到的23个特征量进行分类，由于起高度的冗余性，很难取得理想的分类效果。

（二）遗传算法与人工神经网络（ANN）的结合应用

人工神经网络以其强有力的学习和并行处理能力为故障诊断提供了全新的理论方法和实现手段。神经网络通过对经验样本学习，将知识以权值和阈值的形式存储在网络中。网络的输入是被诊断对象的征兆即特征值，输出则表示发生故障的可能性。神经网络是以神经元为信息处理的基本单元，以神经元间的连接弧为信息通道，由多个神经元联结而成的网络结构。神经网络以其独特的联想、记忆和学习功能在机械设备故障诊断领域受到了广泛关注，其中研究较多的是BP神经网络及其改进算法。

（三）遗传算法与模糊集理论的结合应用

模糊集理论是一种新的数据分析和处理方法，使用模糊集理论可以对决策表进行简化，去除冗余属性。故障模糊诊断的基本原理是利用模糊变换的原理、最大隶属度和阈值原则，根据各故障的原因与征兆之间不同程度的因果关系，在综合考虑所有征兆基础上来诊断旋转机械振动故障的可能原因。将模糊集理论应用到解决旋转机械故障诊断问题时，要计算旋转机械振动故障数据库中的频域征兆，使用模糊集理论对其进行约简，根据约简的结果生成规则，利用得到的规则对故障样例进行诊断。

（四）遗传算法与小波理论的结合应用

小波变换作为新的信号处理手段，具有传统傅立叶变换和加窗傅立叶变换无法比拟的优点。其特点是实现了对信号的多分辨率分析，便于对信号的总体和局部进行刻划；且能将信号准确还原。利用它对信号的分解和重构特性，可有针对性地选取有关频带的信息，并剔除、降低噪声干扰，这对于机械故障诊断具有很大的实际意义。

三、结语

遗传算法是一种概率算法，其在故障诊断中的应用主要为优化。在提取特征向量时，优化特征参数，在与神经网络相结合时，主要优化神经网络的权重和结构输入、输出参数。在与模糊集理论相结合时，主要用于优化模糊推理的规则。在与小波结合过程中优化小波，得到性能优良的小波。本文对遗传算法在故障诊断中的应用做了简单描述，发现根据实际情况，合理建立具体的模型或者与其他的诊断方法结合，可以突破其他诊断方法的局限性。并发现遗传算法在消除噪音，提高故障诊断的效率和识别率方面有广阔的前景。endprint