主成分分析與遺傳神經(jīng)網(wǎng)絡(luò)在制冷系統(tǒng)故障診斷中的應(yīng)用

張 琪，吳亞鋒，徐 建

(1.中國(guó)華陰兵器試驗(yàn)中心 環(huán)境模擬室，陜西 華陰 714200；2.西北工業(yè)大學(xué) 動(dòng)力與能源學(xué)院，西安 710072)

?

主成分分析與遺傳神經(jīng)網(wǎng)絡(luò)在制冷系統(tǒng)故障診斷中的應(yīng)用

張 琪1，吳亞鋒2，徐 建1

(1.中國(guó)華陰兵器試驗(yàn)中心 環(huán)境模擬室，陜西 華陰 714200；2.西北工業(yè)大學(xué) 動(dòng)力與能源學(xué)院，西安 710072)

針對(duì)低溫試驗(yàn)系統(tǒng)制冷設(shè)備測(cè)點(diǎn)多、數(shù)據(jù)間存在強(qiáng)相關(guān)性等特點(diǎn)，將主成分分析法和遺傳神經(jīng)網(wǎng)絡(luò)智能識(shí)別方法進(jìn)行組合，引入制冷系統(tǒng)的故障診斷中;結(jié)合專家經(jīng)驗(yàn)和主成分分析客觀地對(duì)多傳感器信息進(jìn)行了科學(xué)合理的故障特征優(yōu)選，從而確定了神經(jīng)網(wǎng)絡(luò)的輸入空間;為了克服神經(jīng)網(wǎng)絡(luò)易陷入局部最小的缺陷，利用遺傳算法的全局搜索能力，對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行了優(yōu)化;運(yùn)用該方法對(duì)制冷系統(tǒng)各故障狀態(tài)進(jìn)行識(shí)別，結(jié)果表明，簡(jiǎn)潔有效的網(wǎng)絡(luò)結(jié)構(gòu)不僅縮短了訓(xùn)練時(shí)間，而且提高了網(wǎng)絡(luò)的穩(wěn)定性和分類精度，為監(jiān)測(cè)系統(tǒng)提供了一種有效的故障診斷方法。

故障診斷；主成分分析法；遺傳神經(jīng)網(wǎng)絡(luò)；MATLAB

0 引言

由于低溫模擬試驗(yàn)系統(tǒng)設(shè)備組成復(fù)雜,任務(wù)負(fù)荷大,溫控要求高,其設(shè)備安全可靠的運(yùn)行至關(guān)重要。制冷設(shè)備一旦出現(xiàn)故障，將造成巨大的經(jīng)濟(jì)損失和社會(huì)影響。因此需要對(duì)系統(tǒng)設(shè)備實(shí)時(shí)開(kāi)展故障診斷，及時(shí)監(jiān)測(cè)設(shè)備的運(yùn)行狀況，識(shí)別故障早期征兆，對(duì)故障部位、故障程度和發(fā)展趨勢(shì)做出準(zhǔn)確判斷， 以實(shí)現(xiàn)設(shè)備的預(yù)知性維修，即由計(jì)劃維修向狀態(tài)檢修過(guò)渡，提高機(jī)組的可靠性和可利用率。

故障診斷的本質(zhì)是對(duì)工況狀態(tài)模式的識(shí)別過(guò)程。神經(jīng)網(wǎng)絡(luò)作為模式分類器應(yīng)用非常普遍，其強(qiáng)大的自學(xué)習(xí)機(jī)制能夠?qū)崿F(xiàn)輸入和輸出之間的非線性映射。誤差反向傳播的前饋型網(wǎng)絡(luò)(BP)是神經(jīng)網(wǎng)絡(luò)中最精華的部分，應(yīng)用于實(shí)例的神經(jīng)網(wǎng)絡(luò)約80%～90%都采用了BP網(wǎng)絡(luò)或它的變形。由于神經(jīng)網(wǎng)絡(luò)具有自身容易陷入局部最小的缺陷，有必要利用遺傳算法的全局搜索能力對(duì)網(wǎng)絡(luò)的連接權(quán)值與閾值進(jìn)行優(yōu)化，改善網(wǎng)絡(luò)識(shí)別的穩(wěn)定性和精度。針對(duì)實(shí)際狀態(tài)、特征信息種類多，強(qiáng)關(guān)聯(lián)的特點(diǎn)，應(yīng)用主成分分析法(PCA)提取出可反映樣本絕大部分信息的少數(shù)相互獨(dú)立的綜合變量。本文結(jié)合PCA和GABP網(wǎng)絡(luò)的優(yōu)點(diǎn)，將控制系統(tǒng)測(cè)量信息作為輸入，9個(gè)典型故障類型作為輸出，仿真結(jié)果表明，該組合算法結(jié)構(gòu)簡(jiǎn)潔，識(shí)別速度快，分類精度較高。

1 主成分分析法

1.1 主成分分析法的基本思想

由于模式識(shí)別方法的日益成熟，識(shí)別精確的關(guān)鍵很大程度上取決于從原始數(shù)據(jù)中提取的特征變量。為了降低計(jì)算的復(fù)雜性，避免海量數(shù)據(jù)引起的效率低下、高維特性導(dǎo)致的維數(shù)災(zāi)難問(wèn)題和非線性特性帶來(lái)的線性模型失效問(wèn)題等，對(duì)原始數(shù)據(jù)進(jìn)行降維是很有必要的。主成分分析正是利用降維的思想，研究原始變量相關(guān)矩陣的內(nèi)部結(jié)構(gòu)，找出幾個(gè)綜合指標(biāo)，綜合指標(biāo)是原來(lái)變量的線性組合。在故障診斷中，不同故障表現(xiàn)出的部分征兆可能是相同的，多種征兆的強(qiáng)相關(guān)性使得診斷結(jié)果準(zhǔn)確性不能得到保證。通過(guò)對(duì)輸入故障征兆的降維，去除冗余信息，降低數(shù)據(jù)間的相關(guān)性，使得不同類特征的類間距離最大，同類特征的類內(nèi)距離最小，對(duì)這一特征更敏感。其優(yōu)點(diǎn)在于實(shí)現(xiàn)了可觀的數(shù)據(jù)壓縮，降低了對(duì)通信帶寬和數(shù)字信號(hào)處理器的要求，有利于實(shí)時(shí)處理。

1.2 主成分分析法的代數(shù)和幾何意義

主成分分析是一種多元統(tǒng)計(jì)分析方法。通過(guò)把高維信息投影到低維子空間，并保留其主要過(guò)程信息。具體方法是借助一個(gè)正交變換T，將其分量相關(guān)的原隨機(jī)向量x=(x1,x2,…,xp)T,轉(zhuǎn)化成其分向量不相關(guān)的新隨機(jī)向量u=(u1,u2,…,up)T,這在代數(shù)上表現(xiàn)為將x的協(xié)方差陣變換成對(duì)角形陣，在幾何上變現(xiàn)為將遠(yuǎn)坐標(biāo)系變換成新的正交坐標(biāo)系，使之指向樣本點(diǎn)散步最開(kāi)的p個(gè)正交方向，以一個(gè)較高的精度轉(zhuǎn)換成低維度變量系統(tǒng)。根據(jù)數(shù)據(jù)變化的方差大小來(lái)確定變化方向的主次位置，按主次順序得到各個(gè)彼此獨(dú)立主成分。為了便于理解，在二維空間中進(jìn)行說(shuō)明。

假設(shè)有n個(gè)樣本，每個(gè)樣本包含2個(gè)觀測(cè)量x1和x2，在x1、x2所確定的二維平面中，n個(gè)樣本點(diǎn)的散步情況如圖1所示。

圖1 x1和x2坐標(biāo)系下樣本點(diǎn)的分布

從圖1可知，這n個(gè)樣本點(diǎn)在坐標(biāo)軸的任意方向上都具有很大的離散性，如果僅考慮x1和x2中的一個(gè)，則會(huì)損失很多原始數(shù)據(jù)的信息。通過(guò)同時(shí)把x1和x2軸逆時(shí)針旋轉(zhuǎn)θ角度，從而得到坐標(biāo)軸y1和y2,如圖2所示。旋轉(zhuǎn)的主要目的是令n個(gè)樣本點(diǎn)在y1軸方向最大程度的離散，此時(shí)，y1的方差達(dá)到最大，新變量包含了原始數(shù)據(jù)的絕大部分信息(譬如方差貢獻(xiàn)率85%以上)，在研究問(wèn)題時(shí)可以不考慮y2，兩個(gè)變量縮減成一個(gè)，降維簡(jiǎn)化了問(wèn)題。

圖2 y1和y2坐標(biāo)系下樣本點(diǎn)的分布

根據(jù)旋轉(zhuǎn)公式:

y1=x1cosθ+x2sinθ

y2=-x1sinθ+x2cosθ

我們看到新變量y1和y2是原變量x1和x2的線性組合，它的矩陣表示形式為:

其中:U′為旋轉(zhuǎn)變換矩陣，是正交矩陣，即有U′=U-1，U′U=I。

主成分分析法在實(shí)際問(wèn)題的應(yīng)用中，設(shè)某個(gè)控制過(guò)程有p個(gè)變量，如果系統(tǒng)狀態(tài)可以由指標(biāo)中的k個(gè)主分量(k

1.3 主成分分析的數(shù)學(xué)模型

在實(shí)際問(wèn)題中，常見(jiàn)的情況如n個(gè)樣品p個(gè)變量x1,x2,…,xp,原始數(shù)據(jù)矩陣為：

(1)

為了使采集到的不同量綱的多源數(shù)據(jù)它們具有可比性，先對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得每個(gè)變量均值為0，方差為1。常用的標(biāo)準(zhǔn)化方法是z-score標(biāo)準(zhǔn)化:

(2)

協(xié)方差CX為:

(3)

計(jì)算CX的特征值λ1, λ2,…,λp和對(duì)應(yīng)的歸一化特征向量U1, U2,…Up:

(4)

式中，Uj=[u1j, u2j,…, unj]T。設(shè)特征值λ1≥λ2≥…≥λp，則yj=UjTX(j=1,2,…,p)即為輸入矩陣在特征向量下的投影，就是X的j個(gè)主分量。這樣就將x=(x1,x2,…,xp)’的p個(gè)變量轉(zhuǎn)換成p個(gè)新的綜合變量了，新變量yj可有原變量x1,x2,…,xp線性表示，即：

(5)

系數(shù)uij的確定原則為：

(1)yj與yij(i≠j;i,j=1,2,…,p)相互無(wú)關(guān)；

(2)y1為x1, x2,…xp一切線性組合中方差最大者；y2為與y1不相關(guān)的x1, x2,…xp的所有線性組合中方差最大者；yp為y1,y2,…, yp-1都不相關(guān)的x1, x2,…xp所有線性組合中方差最大者。

按以上方法確定的綜合變量y1,y2,…yp分別稱為原變量的第1, 第 2,…,第p個(gè)主成分。并且y1在總方差中所占比例是最大的，其余y2,y3,…yp的方差在總方差中所占比例依次遞減。主成分的個(gè)數(shù)選取由主成分的累積方差貢獻(xiàn)率決定，累計(jì)貢獻(xiàn)率越大，說(shuō)明保留原始的數(shù)據(jù)信息越多，通常累積方差貢獻(xiàn)率大于80%以上即可。

累積貢獻(xiàn)率定義為：

(6)

當(dāng)累積貢獻(xiàn)率大于85%時(shí)，將前L個(gè)特征向量u1, u2,…, uL構(gòu)成的低維空間作為投影空間，將原始變量投影得到新的綜合變量，至此完成原數(shù)據(jù)降維處理。這種選擇幾個(gè)方差最大的成分，以達(dá)到簡(jiǎn)化結(jié)構(gòu)，抓住問(wèn)題實(shí)質(zhì)的目的。

2 遺傳神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合的動(dòng)因

人工神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)驅(qū)動(dòng)的故障診斷中普遍和靈活的機(jī)器學(xué)習(xí)工具，是現(xiàn)代數(shù)據(jù)分析中的熱點(diǎn)，可以處理“黑箱”這類非線性辨識(shí)問(wèn)題。神經(jīng)元的廣泛互聯(lián)與并行工作使整個(gè)網(wǎng)絡(luò)呈現(xiàn)出高度的非線性特點(diǎn)。網(wǎng)絡(luò)可以高度自適應(yīng)地學(xué)習(xí)和記憶各輸入量和輸出量之間的關(guān)系，學(xué)習(xí)對(duì)象是網(wǎng)絡(luò)輸入層的大量樣本，通過(guò)對(duì)各層的神經(jīng)元進(jìn)行訓(xùn)練，在以網(wǎng)絡(luò)輸出均方誤差最小的訓(xùn)練目標(biāo)下，連接權(quán)重和閾值不斷被調(diào)整到最佳值，最終將知識(shí)以權(quán)值和閾值的形式儲(chǔ)存于網(wǎng)絡(luò)中，以此進(jìn)行新樣本的狀態(tài)識(shí)別。前饋型網(wǎng)絡(luò)(BP)利用誤差的反向傳播逐步調(diào)整到網(wǎng)絡(luò)的最佳狀態(tài)。

遺傳算法(GA)在工程問(wèn)題中，染色體對(duì)應(yīng)的是數(shù)據(jù)或數(shù)組，通常是由一維的串結(jié)構(gòu)數(shù)據(jù)來(lái)表示，串上各個(gè)位置對(duì)應(yīng)基因的取值?；蚪M成的串就是染色體，或者稱為基因型個(gè)體。一定數(shù)量的個(gè)體組成了群體。群體中個(gè)體的數(shù)目稱為群體大小，也稱為群體規(guī)模。而各個(gè)個(gè)體對(duì)環(huán)境(評(píng)價(jià)準(zhǔn)則，如最小均方誤差)的適應(yīng)程度叫做適應(yīng)度。神經(jīng)網(wǎng)絡(luò)和遺傳算法這兩種智能算法都是模擬生物結(jié)構(gòu)去表達(dá)輸入輸出之間隱性關(guān)系的。雖然神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單，可調(diào)整參數(shù)多，訓(xùn)練算法多，可操作性好的特點(diǎn)，但其自身也存在缺陷，由于搜索求解算法是沿梯度下降的，導(dǎo)致網(wǎng)絡(luò)存在收斂速度慢的缺點(diǎn)，難以保證復(fù)雜網(wǎng)絡(luò)的全局優(yōu)化而易導(dǎo)致陷入局部極小值，加之無(wú)法準(zhǔn)確獲得網(wǎng)絡(luò)結(jié)構(gòu)、初始連接權(quán)值和閾值，而它們卻是影響網(wǎng)絡(luò)訓(xùn)練效果的主要因素。因此，有必要采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

2.2 遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合過(guò)程

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是為了得到最佳的網(wǎng)絡(luò)連接權(quán)值和閾值，其原理是把網(wǎng)絡(luò)的初始權(quán)值和閾值作為染色體，建立種群，利用生物遺傳特性(復(fù)制、交叉、變異)逐代進(jìn)行選擇，高收斂精度與速度保證了搜索到全局范圍內(nèi)的最優(yōu)解。這個(gè)最優(yōu)解就是最佳的網(wǎng)絡(luò)結(jié)構(gòu)，比用經(jīng)驗(yàn)和試驗(yàn)判斷更能使網(wǎng)絡(luò)參數(shù)合理化，它的交叉因子和變異因子在網(wǎng)絡(luò)陷入局部極值時(shí)能很好地跳出來(lái)，從而克服網(wǎng)絡(luò)陷入局部最小的缺點(diǎn)，提高網(wǎng)絡(luò)的學(xué)習(xí)精度。遺傳BP神經(jīng)網(wǎng)絡(luò)(以下簡(jiǎn)稱GABP)算法的流程如圖3所示。

圖3 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法流程

該組合算法由三部分組成：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、權(quán)值與閾值的遺傳優(yōu)化、網(wǎng)絡(luò)訓(xùn)練及仿真。根據(jù)樣本的輸入和輸出參數(shù)的個(gè)數(shù)來(lái)確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，進(jìn)而得出遺傳算法待優(yōu)化參數(shù)的數(shù)目，也就能計(jì)算出種群中個(gè)體的編碼長(zhǎng)度，染色體長(zhǎng)度s=R×s1+s1×s2+s1+s2(R,s1,s2分別為輸入層，中間隱含層和輸出層的神經(jīng)元個(gè)數(shù))，并編碼成二進(jìn)制形式。交叉概率和變異概率這兩個(gè)關(guān)鍵的遺傳參數(shù)是根據(jù)適應(yīng)度的大小進(jìn)行選擇的。訓(xùn)練網(wǎng)絡(luò)的第一步需要初始化參數(shù)，獲取一組隨機(jī)數(shù)，這個(gè)參數(shù)是影響網(wǎng)絡(luò)訓(xùn)練的重要因素，但是隨機(jī)的通常不準(zhǔn)確，為了得到最佳的權(quán)值和閾值，運(yùn)用遺傳算法對(duì)訓(xùn)練過(guò)程進(jìn)行優(yōu)化。遺傳算法按照其染色體的復(fù)制、交叉、變異原則調(diào)整網(wǎng)絡(luò)的連接權(quán)值和閾值，計(jì)算出BP網(wǎng)絡(luò)輸出與測(cè)試目標(biāo)的均方誤差E：

(7)

(Ok,Tk分別為輸出層輸出和目標(biāo)值)，進(jìn)而得到遺傳進(jìn)化的適應(yīng)度，向著適應(yīng)度增大(即網(wǎng)絡(luò)輸出誤差最小)的方向在進(jìn)化代中搜尋最優(yōu)的個(gè)體，即使網(wǎng)絡(luò)的均方誤差最小的權(quán)值和閾值。將全部樣本按步驟讓網(wǎng)絡(luò)學(xué)習(xí)一遍后，訓(xùn)練結(jié)束的條件是全部樣本的輸出誤差均小于設(shè)定的誤差精度，如果未達(dá)到，網(wǎng)絡(luò)將繼續(xù)學(xué)習(xí),以相同的條件判定是否結(jié)束，最終得到最優(yōu)的權(quán)值與閾值輸入網(wǎng)絡(luò)進(jìn)行識(shí)別。

3 主成分分析法與遺傳神經(jīng)網(wǎng)絡(luò)結(jié)合在制冷系統(tǒng)故障診斷中的應(yīng)用

3.1 故障樣本的獲取

低溫制冷系統(tǒng)大多故障過(guò)程屬于緩變故障，溫度、壓力、流量、轉(zhuǎn)速等多種信號(hào)具有變化緩慢、頻率較低、波形沒(méi)有劇烈起伏的特點(diǎn)，設(shè)備從正常運(yùn)行到故障征兆出現(xiàn)再到故障災(zāi)害發(fā)生是一個(gè)較慢的過(guò)程，這個(gè)故障征兆累計(jì)過(guò)程中大多數(shù)狀態(tài)量是連續(xù)變化的。

核心設(shè)備渦輪出現(xiàn)故障將是系統(tǒng)故障的頂事件，很多原因能夠引起頂事件的發(fā)生，即制冷系統(tǒng)制冷量不足或不能制冷，而且?guī)追N征兆往往同時(shí)出現(xiàn)，目前常用且成熟的診斷方法是基于各種故障所對(duì)應(yīng)的征兆。進(jìn)行診斷時(shí)，按照由專家經(jīng)驗(yàn)和系統(tǒng)機(jī)理制定的數(shù)據(jù)統(tǒng)計(jì)處理規(guī)則，將從設(shè)備運(yùn)行中采集到的各種信號(hào)提取特征信息，從而獲得故障的相關(guān)征兆，利用此征兆進(jìn)行診斷是否故障和哪類故障。

3.2 主成分分析法的制冷系統(tǒng)故障特征提取

依據(jù)制冷系統(tǒng)典型故障域特征向量，利用SPSS數(shù)據(jù)分析軟件進(jìn)行主成分特征提取。具體分析結(jié)果如下。

1)提取特征值及主成分個(gè)數(shù)：

如表1所示，λ1=13.792，λ2=11.302，λ3=8.164，λ4=5.955，λ5=5.197，λ6=2.516，λ7=1.950，λ8=1.125，λ9=λ10=，…，=λ50=0，可以看出，前8個(gè)因子特征值大于1，且它們的累積方差貢獻(xiàn)率幾乎達(dá)到了100%，符合了達(dá)到85%以上的提取要求，可以認(rèn)為這8個(gè)因子包含了大部分的信息。這與主成分碎石圖的分析結(jié)果相吻合。

表1 各成分特征值、方差貢獻(xiàn)率及累計(jì)方差貢獻(xiàn)率

2) 生成新變量：

上述確定了前8個(gè)特征值作為制冷系統(tǒng)故障體系的主要因素，而相應(yīng)的主成分成份矩陣即表達(dá)了新的影響因子Y1,Y2,Y3,Y4,Y5,Y6,Y7,Y8與原始變量之間的關(guān)系，即新的故障模式樣本表2所示。

圖4 主成分分析碎石圖

根據(jù)該矩陣寫出新變量表達(dá)式：

Y1=0.389X1-0.450X2-0.450X3+0.389X4+0.389X5+0.389X6+0.853X7+0.943X8+0.376X9+0.376X10+…-0.443X49-0.450X50

Y2=-0.065X1+0.747X2+0.747X3-0.065X4-0.065X5-0.065X6-0.008X7+0.062X8+0.517X9+0.517X10-0.705…-0.705X49+0.747X50

表2 提取成分荷載矩陣成份矩陣a

.

.

.

Y8=-0.750X34+0.750X35

3.3 基于GABP神經(jīng)網(wǎng)絡(luò)的狀態(tài)故障診斷網(wǎng)絡(luò)建模

網(wǎng)絡(luò)輸入是被測(cè)對(duì)象的故障征兆特征值，輸出是該狀態(tài)對(duì)應(yīng)的故障模式。下面對(duì)制冷系統(tǒng)分別用BP網(wǎng)絡(luò)和PCA-GABP網(wǎng)絡(luò)建模進(jìn)行故障識(shí)別。前者根據(jù)制冷系統(tǒng)典型故障論域特征向量選取50個(gè)征兆參數(shù)A={A1,A2,…,A50}作為BP網(wǎng)絡(luò)的輸入，以9類故障Ci(i=1,2,…,9)作為輸出，經(jīng)驗(yàn)證，這里取隱含層節(jié)點(diǎn)數(shù)為17，BP網(wǎng)絡(luò)結(jié)構(gòu)50×17×9。PCA-GABP網(wǎng)絡(luò)的結(jié)構(gòu)與GABP網(wǎng)絡(luò)僅區(qū)別于輸入層節(jié)點(diǎn)數(shù)不同。由3.2節(jié)可知，表征低溫系統(tǒng)狀態(tài)的征兆參數(shù)有8個(gè)，即網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)目為8，PCA-GABP網(wǎng)絡(luò)結(jié)構(gòu)為8×13×9。遺傳算子染色體長(zhǎng)度分別為1029和243，種群大小和遺傳代數(shù)分別設(shè)定為50和100。輸出變量是故障模式代號(hào)，用布爾值串表示。如第3種故障C3就是T=[001000000]。隱含層和輸出層神經(jīng)元傳遞函數(shù)均采用S型函數(shù)，分別為S型正切函數(shù)tansig和S型對(duì)數(shù)函數(shù)logsig；網(wǎng)絡(luò)訓(xùn)練函數(shù)取trainlm，并調(diào)用遺傳算法工具箱優(yōu)化初始值對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可提高網(wǎng)絡(luò)的穩(wěn)定性和訓(xùn)練速度。訓(xùn)練目標(biāo)0.01，自學(xué)習(xí)率0.08，訓(xùn)練次數(shù)5 000次。

待檢狀態(tài)樣本1：低溫試驗(yàn)系統(tǒng)在降溫過(guò)程中,測(cè)控系統(tǒng)測(cè)得的制冷系統(tǒng)運(yùn)行狀態(tài)為:1號(hào)渦輪轉(zhuǎn)速超高、2號(hào)渦輪轉(zhuǎn)速超高1號(hào)渦輪膨脹機(jī)出口溫度降低、2號(hào)渦輪膨脹機(jī)出口溫度降低、回冷器冷側(cè)進(jìn)口溫度升高、低溫室室內(nèi)壓差為0、低溫室回氣閥位增至全開(kāi)等。其故障論域的特征向量可表示為：test1=[00000000001100001111001100111001000000000000000010]。

待檢狀態(tài)樣本2：低溫試驗(yàn)系統(tǒng)在保溫過(guò)程運(yùn)行中發(fā)現(xiàn)如下癥狀：水冷器進(jìn)出水溫差小、水冷器出口氣體溫度高、空冷器熱側(cè)出口氣體溫度高、渦輪膨脹機(jī)進(jìn)口溫度高、1號(hào)渦輪壓氣機(jī)出口溫度高、2號(hào)渦輪壓氣機(jī)出口溫度高、回冷器冷側(cè)進(jìn)口溫度升高。其故障論域的特征向量可表示為：test2=[00000000000000000000001110000000000000001001001010]。

由上述主成分分析法進(jìn)行特征優(yōu)選，得到降維約簡(jiǎn)后的特征向量：P_test1=[-4.9752 -4.6545 5.6303 3.1172 1.2140 1.6260 0.0000 0.0000];P_test2=[-2.5208 2.7679 0.4479 1.1261 -1.8676 2.9149 0.0000 0.0000]。

3.4 網(wǎng)絡(luò)訓(xùn)練與測(cè)試

PCA-GABP網(wǎng)絡(luò)的訓(xùn)練：按照上面設(shè)計(jì)的網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程如圖5所示。

圖5 PCA-GABP網(wǎng)絡(luò)訓(xùn)練過(guò)程

由圖5可以看出：PCA-GABP網(wǎng)絡(luò)達(dá)到了較高的網(wǎng)絡(luò)性能要求，但在訓(xùn)練過(guò)程中發(fā)現(xiàn)，PCA-GABP網(wǎng)絡(luò)的穩(wěn)定性明顯高于BP網(wǎng)絡(luò)，且縮短了訓(xùn)練時(shí)間。

網(wǎng)絡(luò)測(cè)試：訓(xùn)練好網(wǎng)絡(luò)后，分別將P_test1和P_test2作為測(cè)試輸入向量，對(duì)網(wǎng)絡(luò)進(jìn)行仿真測(cè)試，識(shí)別結(jié)果如表3所示。

表是實(shí)例1和實(shí)例2經(jīng)過(guò)兩種網(wǎng)絡(luò)測(cè)試結(jié)果。實(shí)例1中兩種網(wǎng)絡(luò)的識(shí)別結(jié)果均顯示是第9種故障，即試驗(yàn)室密封不嚴(yán)密，這與實(shí)際情況相一致。實(shí)例2中均顯示是第6種故障，即水冷器冷水側(cè)壁面結(jié)垢嚴(yán)重?fù)Q熱效率低，也是正確的。通過(guò)比較可以得出，這兩種網(wǎng)絡(luò)均能夠識(shí)別出故障，但PCA-GABP網(wǎng)絡(luò)的輸出隸屬度稍高，提高了網(wǎng)絡(luò)的識(shí)別精度。

4 結(jié)論

本文提出的主成分分析法與GABP神經(jīng)網(wǎng)絡(luò)組合的診斷方法，在保證網(wǎng)絡(luò)的識(shí)別精度不變的前提下，能夠消除變量間的冗余信息，簡(jiǎn)化GABP網(wǎng)絡(luò)結(jié)構(gòu)，縮減網(wǎng)絡(luò)訓(xùn)練時(shí)間，是實(shí)時(shí)在線監(jiān)測(cè)的有效方法。利用這一網(wǎng)絡(luò)可以在很短的時(shí)間內(nèi)診斷出故障，以便于操作人員及時(shí)做出應(yīng)對(duì)處理。

表3 PCA-GABP和BP網(wǎng)絡(luò)對(duì)實(shí)例1與實(shí)例2的測(cè)試結(jié)果

[1]AbhijitSPandya,RobertBMacy. 神經(jīng)網(wǎng)絡(luò)模式識(shí)別及其實(shí)現(xiàn)[M].徐 勇，荊 濤,等譯. 北京：電子工業(yè)出版社，1999.

[2] 陳建宏，劉 浪，周智勇，等. 基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J]. 中南大學(xué)學(xué)報(bào)，2010,41(5):1967-1972.

[3] 周開(kāi)利，康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M]. 北京：清華大學(xué)出版社，2005.

[4] 陳 明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]. 北京：清華大學(xué)出版社，2013.

[5] 徐 磊. 基于遺傳算法的多目標(biāo)優(yōu)化問(wèn)題的研究與應(yīng)用[D]. 長(zhǎng)沙：中南大學(xué)，2007.

[6] 史 峰，王 輝，等. 智能算法30個(gè)案例分析[M]. 北京：北京航空航天大學(xué)出版社，2011.

[7] 韓曉娟. 多源信息融合技術(shù)在火電廠熱力系統(tǒng)故障診斷中的應(yīng)用研究[D]. 北京: 華北電力大學(xué)，2008.

[8] 蔣一然. 基于遺傳神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷技術(shù)研究[D]. 大連：大連海事大學(xué)，2009.

[9] 李向前. 復(fù)雜裝備故障預(yù)測(cè)與健康管理關(guān)鍵技術(shù)研究[D]. 北京：北京理工大學(xué)，2014.

Application of Principal Component Analysis and Genetic Neural Network in Fault Diagnosis of Refrigeration System

Zhang Qi1，Wu Yafeng2，Xu Jian1

(1. Department of Environment simulation, Huayin Ordinance Test Centre, Huayin 714200, China 2. School of Power and Energy, Northwestern Polytechnical University , Xi’an 710072, China)

According to the characteristics of data measured from refrigeration equipment in low temperature test system, such as a huge number of points, a strong correlation between the data, genetic neural network combined with principal component analysis (PCA) is introduced into fault diagnosis in the refrigeration system. With the knowledge of expert experience and PCA, the fault feature is extracted from multi sensor information in a scientific and reasonable way, so the input space of the neural network is fixed. The defects of neural network is easy to fall into the minimum in local space, but genetic algorithm(GA) has global search ability, aim at eliminating the defects, GA is used to optimize the initial weights and thresholds of neural network. Using the method into the fault state identification of the refrigeration system, it showed that the simple and effective network structure not only shorten the training time, but also improve the network stability and classification accuracy, so it provides an effective method of fault diagnosis for the monitoring system.

fault diagnosis; principal component analysis; genetic neural network; MATLAB

2016-02-27；

2016-04-18。

張 琪(1984-)，女，陜西咸陽(yáng)人，碩士研究生，工程師，主要從事故障診斷與預(yù)測(cè)方向的研究。

吳亞鋒(1966-)，男，陜西渭南人，博士研究生導(dǎo)師，主要從事信號(hào)與信息處理方向的研究。

1671-4598(2016)09-0023-05

10.16526/j.cnki.11-4762/tp.2016.09.007

TP391.5

A