遺傳算法在故障診斷中應(yīng)用分析

靳長松

摘 要：遺傳算法是一種自適應(yīng)啟發(fā)式全局搜索概率算法，在許多學(xué)科中都得到了應(yīng)用。本文介紹了遺傳算法的基本原理，指出了它的特點，論述了它在故障診斷中的應(yīng)用現(xiàn)狀，并對遺傳算法在故障診斷中的前景進(jìn)行了展望。

關(guān)鍵詞：故障診斷；遺傳算法；神經(jīng)網(wǎng)絡(luò)；小波分析

一、遺傳算法

遺傳算法GA（Genetic Algorithms）模擬了達(dá)爾文“適者生存，優(yōu)勝劣汰”的自然進(jìn)化論，以及孟德爾的遺傳變異理論，由Michigan大學(xué)Holland教授于1975年在他的專著《Adaptation in Natural and Artificial》中首次提出。遺傳算法（GA）與傳統(tǒng)算法有很多不同之處，主要體現(xiàn)在GA適應(yīng)性強，其使用的算子是隨機的，如交叉、變異和繁殖等算子不受確定性規(guī)則的控制。但這種搜索也不是盲目的，而是向全局最優(yōu)解方向前進(jìn)。其可以直接使用適值函數(shù)進(jìn)行適值計算，而不需要求優(yōu)化函數(shù)的導(dǎo)數(shù)，使一些不可求導(dǎo)的優(yōu)化函數(shù)也可用GA優(yōu)化；GA具有較強的魯棒性，能同時搜索最優(yōu)解空間的多個點，從而使之收斂于全局最優(yōu)解，而不至于陷入局部最優(yōu)解；其具有智能性和并行性，利用遺傳算法的方法，可以解決那些尚無人能理解的復(fù)雜問題。目前，它已被廣泛應(yīng)用于函數(shù)優(yōu)化、組合優(yōu)化、模式識別和信號處理等領(lǐng)域，在處理復(fù)雜優(yōu)化問題時，遺傳算法顯示了巨大潛力，在實際工程應(yīng)用中取得了巨大成功?；谏鲜鎏攸c，建立合理的模型，可以將GA用于設(shè)備的狀態(tài)監(jiān)測和故障診斷中。本文分析、歸納近年來有關(guān)GA用于故障診斷的文獻(xiàn)，總結(jié)出GA在故障診斷中的具體應(yīng)用。

GA用于故障診斷從目前來看，有直接應(yīng)用于故障診斷中，主要用于提取特征向量，為診斷的后續(xù)處理作準(zhǔn)備的，也有和其他診斷方法結(jié)合使用的，主要有以下幾種。

二、遺傳算法在故障診斷中的應(yīng)用

（一）利用遺傳算法提取、優(yōu)化特征參數(shù)

機械故障診斷是一個典型的模式分類問題。在診斷實踐中，由于診斷對象的復(fù)雜性，故障特征和故障類別的對應(yīng)關(guān)系不甚明了，人們提出了大量的原始特征以進(jìn)行故障識別。但由于特征向量之間存在一定的關(guān)聯(lián)性，且特征向量對不同故障的敏感程度不同，對設(shè)備診斷的效率和準(zhǔn)確率有重要影響。這就需要優(yōu)化這些特征向量，使它們適應(yīng)實際需要。

史東鋒等學(xué)者對回轉(zhuǎn)機械故障診斷中3類由同步振動引起的故障進(jìn)行了分析，應(yīng)用遺傳算法，染色體采用二進(jìn)制編碼方式，以樣本類內(nèi)、類間的距離判據(jù)為適應(yīng)值函數(shù)，進(jìn)行特征選擇，高效剔除了原始特征集的冗余特性，提高了故障的識別精度。而用常規(guī)方法對得到的23個特征量進(jìn)行分類，由于起高度的冗余性，很難取得理想的分類效果。

（二）遺傳算法與人工神經(jīng)網(wǎng)絡(luò)（ANN）的結(jié)合應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)以其強有力的學(xué)習(xí)和并行處理能力為故障診斷提供了全新的理論方法和實現(xiàn)手段。神經(jīng)網(wǎng)絡(luò)通過對經(jīng)驗樣本學(xué)習(xí)，將知識以權(quán)值和閾值的形式存儲在網(wǎng)絡(luò)中。網(wǎng)絡(luò)的輸入是被診斷對象的征兆即特征值，輸出則表示發(fā)生故障的可能性。神經(jīng)網(wǎng)絡(luò)是以神經(jīng)元為信息處理的基本單元，以神經(jīng)元間的連接弧為信息通道，由多個神經(jīng)元聯(lián)結(jié)而成的網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)以其獨特的聯(lián)想、記憶和學(xué)習(xí)功能在機械設(shè)備故障診斷領(lǐng)域受到了廣泛關(guān)注，其中研究較多的是BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法。

（三）遺傳算法與模糊集理論的結(jié)合應(yīng)用

模糊集理論是一種新的數(shù)據(jù)分析和處理方法，使用模糊集理論可以對決策表進(jìn)行簡化，去除冗余屬性。故障模糊診斷的基本原理是利用模糊變換的原理、最大隸屬度和閾值原則，根據(jù)各故障的原因與征兆之間不同程度的因果關(guān)系，在綜合考慮所有征兆基礎(chǔ)上來診斷旋轉(zhuǎn)機械振動故障的可能原因。將模糊集理論應(yīng)用到解決旋轉(zhuǎn)機械故障診斷問題時，要計算旋轉(zhuǎn)機械振動故障數(shù)據(jù)庫中的頻域征兆，使用模糊集理論對其進(jìn)行約簡，根據(jù)約簡的結(jié)果生成規(guī)則，利用得到的規(guī)則對故障樣例進(jìn)行診斷。

（四）遺傳算法與小波理論的結(jié)合應(yīng)用

小波變換作為新的信號處理手段，具有傳統(tǒng)傅立葉變換和加窗傅立葉變換無法比擬的優(yōu)點。其特點是實現(xiàn)了對信號的多分辨率分析，便于對信號的總體和局部進(jìn)行刻劃；且能將信號準(zhǔn)確還原。利用它對信號的分解和重構(gòu)特性，可有針對性地選取有關(guān)頻帶的信息，并剔除、降低噪聲干擾，這對于機械故障診斷具有很大的實際意義。

三、結(jié)語

遺傳算法是一種概率算法，其在故障診斷中的應(yīng)用主要為優(yōu)化。在提取特征向量時，優(yōu)化特征參數(shù)，在與神經(jīng)網(wǎng)絡(luò)相結(jié)合時，主要優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重和結(jié)構(gòu)輸入、輸出參數(shù)。在與模糊集理論相結(jié)合時，主要用于優(yōu)化模糊推理的規(guī)則。在與小波結(jié)合過程中優(yōu)化小波，得到性能優(yōu)良的小波。本文對遺傳算法在故障診斷中的應(yīng)用做了簡單描述，發(fā)現(xiàn)根據(jù)實際情況，合理建立具體的模型或者與其他的診斷方法結(jié)合，可以突破其他診斷方法的局限性。并發(fā)現(xiàn)遺傳算法在消除噪音，提高故障診斷的效率和識別率方面有廣闊的前景。endprint