基于混合智能系統(tǒng)的設(shè)備故障診斷研究

孫妍姑

（淮南師范學院計算機與信息工程系，安徽淮南 232038）

基于混合智能系統(tǒng)的設(shè)備故障診斷研究

孫妍姑

（淮南師范學院計算機與信息工程系，安徽淮南 232038）

為研究和改進人工智能技術(shù)在設(shè)備故障診斷中的缺點和不足，提高故障診斷的準確率，構(gòu)建了一種混合智能診斷系統(tǒng)。首先利用小波包分析技術(shù)對設(shè)備故障進行特征提取和分析；接著對數(shù)據(jù)進行離散化處理，應(yīng)用粗糙集對獲得的故障特征向量進行約簡，刪除冗余信息；然后利用免疫遺傳算法的全局優(yōu)化能力去訓練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，建立免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)模型；最后把經(jīng)粗糙集約簡后的故障特征向量輸入該模型，完成故障識別和智能診斷。通過旋轉(zhuǎn)機械的轉(zhuǎn)子系統(tǒng)的仿真實驗，表明基于小波包-混合智能的故障診斷取得了良好的診斷效果。

設(shè)備故障診斷；混合智能系統(tǒng)；小波包分解；粗糙集；免疫遺傳算法；BP神經(jīng)網(wǎng)絡(luò)

前言

設(shè)備故障診斷是指對設(shè)備的運行狀態(tài)和異常情況做出判斷，包括故障發(fā)生前的預測、預報，故障發(fā)生后的分析和決策。設(shè)備故障診斷包括4個環(huán)節(jié)：信號采集、特征提取、模式識別和診斷決策。信號采集指采集機械設(shè)備某個部位的振動信號；特征提取是處理振動信號、分析信號的時域和頻域特性，從而提取出能夠反映故障特征的重要參數(shù)；模式識別指分類識別特征參數(shù)，診斷故障的類型；診斷決策是判斷故障原因，提出解決方案。①Jardine A K S，Lin D，Banjevic D.,A review on machinery diagnostics and prognostics implementing condition-based maintenance,Mechanical Systems and Signal Processing,2006,20,pp.1483-1510.4個環(huán)節(jié)中特征提取和分析是故障診斷的關(guān)鍵，模式識別是故障診斷的核心（圖1）。

圖1 混合智能故障診斷技術(shù)流程圖

研究者將專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、粗糙集理論等人工智能技術(shù)應(yīng)用于設(shè)備故障診斷中，已取得了很多研究和應(yīng)用成果。同時，研究者也發(fā)現(xiàn)這些技術(shù)各有其優(yōu)點和不足。如：遺傳算法能夠求解復雜的全局最優(yōu)問題，但求解大規(guī)模多變量任務(wù)時性能較差；粗糙集理論具有較強的知識表達約簡能力，但存在不能處理變態(tài)數(shù)據(jù)問題；人工神經(jīng)網(wǎng)絡(luò)具有較強的分類能力，可以有效地對復雜的故障狀態(tài)進行識別，但知識無法直觀表示。

針對人工智能研究中遇到的這些問題，研究者主要從兩個方面加以解決，一是對人工智能技術(shù)本身進行改進，二是將幾種性能互補的智能技術(shù)進行適當?shù)慕M合，彼此之間取長補短，優(yōu)勢互補，更有利于問題的解決。這種將多種智能技術(shù)結(jié)合起來進行研究的技術(shù)就是混合智能系統(tǒng)，它是目前人工智能領(lǐng)域中一個重要的研究方向。前面的實踐已經(jīng)證明，混合智能系統(tǒng)可以彌補單一人工智能技術(shù)的缺陷，獲得更優(yōu)的性能。將混合智能技術(shù)應(yīng)用到設(shè)備故障診斷，能夠有效解決應(yīng)用單一的人工智能技術(shù)時面臨的問題，提高診斷系統(tǒng)的敏感性、精確性、魯棒性，降低誤診率。

基于以上分析，本文對旋轉(zhuǎn)機械的轉(zhuǎn)子系統(tǒng)的典型故障診斷進行了研究。主要利用小波包分析技術(shù)對設(shè)備故障進行特征提取，應(yīng)用粗糙集-免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)進行故障識別。

1 設(shè)備故障的特征提取

1.1 小波包理論

為由母小波ψ（t）生成的離散小波。對原始信號進行的小波包變換，包含低通濾波與高通濾波兩部分。

小波包分解公式為：

其中d為原始信號，ak，bk為共軛濾波系數(shù)，分解j層可以得到2j個等寬的頻帶。

小波包重構(gòu)公式為：

通過對小波包分解系數(shù)重構(gòu)，提取各頻帶范圍的信號。各頻帶內(nèi)的能量值構(gòu)成一個向量，不同的故障對應(yīng)不同的向量值，從而可以提取出故障信息，為后面的模式識別打下良好基礎(chǔ)。①JWu Jian-Da,Liu Chiu-Hong.,An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network,ExPert Systems with Applieations,2008,36(3),pp.4278-4286.

1.2 基于小波包分析的轉(zhuǎn)子系統(tǒng)故障特征提取

旋轉(zhuǎn)機械的主要故障形式有不平衡、不對中、碰摩和油膜振動。本文用轉(zhuǎn)子試驗臺模擬旋轉(zhuǎn)機械的不平衡、碰摩及正常狀態(tài)。

轉(zhuǎn)子實驗系統(tǒng)的一階臨界轉(zhuǎn)速約為4500r/ min，轉(zhuǎn)子轉(zhuǎn)速約為2700r/min時記錄渦流傳感器信號，采樣頻率為853Hz。對于采集到的轉(zhuǎn)子系統(tǒng)各種狀態(tài)信號的原始數(shù)據(jù)，先進行三層小波包分解，如圖2所示，再對第三層8個頻段進行分析，得到各種狀態(tài)信號分解成的8個頻段的能量距比例直方圖，如圖3所示。

圖2 轉(zhuǎn)子系統(tǒng)實驗數(shù)據(jù)的小波包分解

圖3 各種信號的8頻段能量距直方圖

從圖3中可以看出，轉(zhuǎn)子系統(tǒng)在不同的運行狀態(tài)下，各頻段能量分布發(fā)生了明顯的變換，表明以小波包分解提取信號的能量分布信息作為故障特征向量能較好地表示轉(zhuǎn)子系統(tǒng)的運行狀態(tài)。

2 基于混合智能系統(tǒng)的模式識別

由于設(shè)備故障產(chǎn)生的原因和機理的復雜性，以及實際運行時各種因素的影響，故障與征兆之間很難用精確的數(shù)學模型來描述，這給故障診斷帶來了很大的難度。本文將粗糙集理論、免疫遺傳算法、BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建一個混合智能系統(tǒng)。

2.1 粗糙集在故障診斷中的作用

粗糙集理論（rough sets theory）是波蘭數(shù)學家Z.Pawlark在1982年提出的一種新的數(shù)學工具。主要用于處理不精確、不確定和不完全數(shù)據(jù)，在保持分類能力不變的情況下，通過屬性的約簡，得出概念的分類規(guī)則。粗糙集理論的相關(guān)概念參見文獻①PAWLAK Z.,Rough sets,International Journal of Computer and Information Science,1982,11(5),pp. 341-356.。

本文利用粗糙集理論對前面得到的故障特征進行約簡，去除冗余故障特征，減少模式識別的計算量，從而得到一個較簡的故障診斷模式。

由于粗糙集理論無法直接處理連續(xù)數(shù)據(jù)，所以首先要對數(shù)據(jù)進行離散化處理。之前進行小波包分解時，在采樣頻率已確定的前提下每一層小波分解所代表的頻率范圍是確定的，可根據(jù)各分解層上重構(gòu)的頻段能量大小的比例來確定頻段成分的大小。將各個頻段能量大小進行歸一化，分別計算各個頻段能量屬性的重要度。對于相對重要度為0的屬性，通過計算如果能夠證明刪除該屬性不影響其分類能力，則該屬性可以約簡。

2.2 免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)子系統(tǒng)

2.2.1 免疫遺傳算法

免疫遺傳算法是一種改進的遺傳算法，它在遺傳算法的基礎(chǔ)上融合了生物免疫系統(tǒng)的機制，既保留了遺傳算法隨機全局并行搜索的特性，又在很大程度上避免了未成熟收斂，從而確保算法快速收斂于全局最優(yōu)解。②WANG D W,FUNG R Y K,IP W H.,An immune-genetic algorithm for introduction planning of new products,Computers and Industrial Engineering,2009,56(3),pp.902-917.

假設(shè)免疫系統(tǒng)由N個抗體組成，每個抗體基因長度為M，采用符號集大小為S（對于二進制編碼，S=2）。為了有效地保持和擴大進化個體的多樣性，必須要評估個體間的差異。個體間的差異性由shannon的平均信息熵H(N)表示：

式中pij為第i個符號(i=1~S)出現(xiàn)在基因座j上的概率。

相似度Aij是兩個抗體i和j之間相似的程度：

其中，H（2）為抗體i和j的平均信息熵。

將兩個抗體之間相似度的概念擴展至整個群體，稱為群體相似度A（N）：

抗體濃度是指抗體在群體中與其相似抗體所占的比重：

其中λ為相似度常數(shù)，取值0.9＜λ＜1。

2.2.2 免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)

由于BP神經(jīng)網(wǎng)絡(luò)具有極強的自學習、非線性識別能力，其決策邊界較復雜，可以近似任何連續(xù)函數(shù)，特別適合故障診斷這類非線性問題。BP神經(jīng)網(wǎng)絡(luò)的相關(guān)概念參見文獻③WU J D,LIU C H.,Investigation of engine fault diagnosis using discrete wavelet transform and neural network,Expert Systems with Applications,2008,35(3),pp.1200-1213;PIRMORADI F N,SASSANI F,SILVA C D.,Fault detection and diagnosis in a spacecraft attitude determination system,Acta Astronautica, 2009,65(5),pp.710-729.。

但同時BP神經(jīng)網(wǎng)絡(luò)也有著固有的缺陷，如：BP神經(jīng)網(wǎng)絡(luò)采用BP算法訓練神經(jīng)網(wǎng)絡(luò)，該算法實際上是單點搜索算法，不具有全局搜索能力；BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、初始連接權(quán)值和閥值的選擇對網(wǎng)絡(luò)訓練的影響巨大，如果初始權(quán)值設(shè)定不好，容易陷入局部極小，但又無法準確獲得這些參數(shù)。

針對這些問題，本混合智能系統(tǒng)應(yīng)用免疫遺傳算法來訓練BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。BP算法在迭代初期速度較快，而到迭代后期出現(xiàn)振蕩現(xiàn)象，使訓練速度變慢且易陷入局部極小。因此在迭代前期采用了BP算法，迭代后期則采用免疫遺傳優(yōu)化權(quán)值，放大誤差信號，從而避免了BP算法迭代后期的振蕩現(xiàn)象。這兩種方法的轉(zhuǎn)折點采用4次函數(shù)值比較，如圖4所示。

圖4 4次函數(shù)值比較示意圖

迭代開始時采用BP算法，如果本次迭代的目標函數(shù)值f(2)小于前次迭代的f(1)，則開關(guān)量k=0，程序繼續(xù)使用BP算法；否則用BP算法再迭代2次得到f(3)和f(4)，如果f(3)＜f(4)，則k≠0，程序使用免疫遺傳算法技術(shù)，否則繼續(xù)使用BP算法。采用4次函數(shù)值比較法可以較準確地判斷BP算法運行中出現(xiàn)的振動現(xiàn)象，此時再采用免疫遺傳算法進行優(yōu)化可以加快訓練速度，獲得較高精度的目標函數(shù)值。

2.3 仿真結(jié)果分析

將轉(zhuǎn)子系統(tǒng)不平衡故障、碰摩故障及正常狀態(tài)下的特征向量樣本作為訓練樣本，對免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)混合智能系統(tǒng)模型進行訓練。網(wǎng)絡(luò)訓練完成后，選取轉(zhuǎn)子系統(tǒng)正常狀態(tài)、轉(zhuǎn)子系統(tǒng)故障狀態(tài)下的特征向量作為測試樣本（每種分別選取50個測試樣本），分別輸入訓練好的BP神經(jīng)網(wǎng)絡(luò)和免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)中進行故障診斷，其結(jié)果見表1和表2。

表1 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行故障診斷的結(jié)果

表2 應(yīng)用免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)進行故障診斷的結(jié)果

對表1和表2分析得出：對于每一種故障特征，基本上都可以識別出故障類型，其中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的故障識別率為73.1%，應(yīng)用混合智能系統(tǒng)的故障識別率為92.6%。從而可以看出混合智能故障診斷比BP神經(jīng)網(wǎng)絡(luò)的診斷識別率要高。

3 結(jié)語

本文將采集的旋轉(zhuǎn)機械的轉(zhuǎn)子系統(tǒng)的故障信號進行小波包故障特征提取，然后應(yīng)用粗糙集-免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)混合智能系統(tǒng)進行故障識別。故障識別過程為：首先應(yīng)用粗糙集對故障特征向量進行約簡，刪除冗余信息；接著利用免疫遺傳算法的全局優(yōu)化能力去訓練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，優(yōu)化模型的結(jié)構(gòu)和參數(shù)，建立免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)模型；最后把經(jīng)粗糙集約簡后的故障特征向量輸入免疫遺傳-BP神經(jīng)網(wǎng)絡(luò)模型，完成故障識別和智能診斷。實驗結(jié)果表明利用該方法進行旋轉(zhuǎn)機械轉(zhuǎn)子系統(tǒng)故障診斷是可行的、有效的。

Research on equipment fault diagnosis based on hybrid intelligent systems

SUN Yangu

To improve shortcomings and the insufficiency in the research of artificial intelligence technology in equipment fault diagnosis,and to enhance the accuracy in fault diagnosis,a hybrid intelligent diagnosis system is constructed.First,wavelet packet analysis technique is used for feature extraction and analysis of equipment failure.Second,the data is dispersing processed,application of rough set to obtain fault characteristic vectors reduction,delete redundant information.Third,global optimization ability of immune genetic algorithm is then used to train the weights of BP neural network,immune genetic-BP neural network model is set up.Finally,after the input of the fault feature vectors by rough set reduction,the fault recognition and intelligent diagnostics is completed.Through the simulation experiment of rotating machinery rotor system,suggests hybrid intelligent fault diagnosis based on wavelet packet has obtained the good diagnosis effect.

equipment fault diagnosis;hybrid intelligent systems;wavelet packet decomposition;rough set;immune genetic algorithm;BP neural network

TP183

A

1009-9530（2014）05-0080-04

2014-03-26

安徽高校省級自然科學研究項目（KJ2013Z304）

孫妍姑（1978-），女，淮南師范學院計算機與信息工程系講師，工學碩士。