基于人工魚群的風(fēng)機(jī)故障診斷方法

孫潔 連暢

摘 要：為了提高風(fēng)機(jī)故障檢測(cè)準(zhǔn)確率并改善風(fēng)機(jī)系統(tǒng)振動(dòng)故障復(fù)雜性較高的問(wèn)題，文中提出了基于人工魚群的風(fēng)機(jī)故障診斷方法。人工魚群算法結(jié)構(gòu)簡(jiǎn)單，具有良好的并行性、快速性等優(yōu)點(diǎn)，但易陷入局部最優(yōu)。為解決這一問(wèn)題，在人工魚群算法的基本原理上提出了基于差分進(jìn)化算法和人工魚群算法相融合的混合算法，在人工魚群算法中引入了交叉變異策略，使原始種群能夠不斷優(yōu)化，提高了全局尋優(yōu)的能力。試驗(yàn)表明，相對(duì)于其他檢測(cè)方法，改進(jìn)的人工魚群算法的識(shí)別率及計(jì)算效率均有所提高，對(duì)風(fēng)機(jī)早期故障的診斷效果較佳。

關(guān)鍵詞：風(fēng)機(jī)；故障診斷；人工魚群；局部最優(yōu)；差分進(jìn)化算法

中圖分類號(hào)：TP39；TD441 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2018）01-00-03

0 引 言

隨著科技的不斷進(jìn)步和發(fā)展，風(fēng)機(jī)發(fā)展也體現(xiàn)出高速化、復(fù)雜化和智能化的趨勢(shì)，其結(jié)構(gòu)和組成亦隨之變的更加復(fù)雜。一方面，如果風(fēng)機(jī)故障時(shí)有發(fā)生，那么企業(yè)將遭受非常嚴(yán)重的經(jīng)濟(jì)損失；另一方面，如若風(fēng)機(jī)系統(tǒng)發(fā)生故障，往往還會(huì)導(dǎo)致人身安全損傷和環(huán)境污染等后果。因此，對(duì)風(fēng)機(jī)故障進(jìn)行準(zhǔn)確診斷不僅具有重大經(jīng)濟(jì)效益還具有良好的社會(huì)效義[1-3]。為了對(duì)風(fēng)機(jī)早期故障進(jìn)行有效診斷，需要運(yùn)用部分算法對(duì)故障數(shù)據(jù)進(jìn)行有效的分類和提取。人工魚群算法不僅具有自組織性和自適應(yīng)性等特點(diǎn)，還具有搜索速度快、參數(shù)少、易于實(shí)現(xiàn)等優(yōu)點(diǎn)[4]，目前在故障診斷、圖像處理等領(lǐng)域的應(yīng)用取得了一定成果。

文中首先利用小波包對(duì)振動(dòng)信號(hào)進(jìn)行提取，再利用經(jīng)差分進(jìn)化算法改進(jìn)后的人工魚群算法對(duì)風(fēng)機(jī)故障進(jìn)行快速、準(zhǔn)確地診斷改進(jìn)。

1 故障分析理論

1.1 小波包熵特征提取

風(fēng)機(jī)故障發(fā)生時(shí)的振動(dòng)信號(hào)若存在于不同的頻帶上，那么其所具有的能量分布亦不同。因此，在風(fēng)機(jī)發(fā)生故障時(shí)，我們可以以不同頻帶能量特征的差異為根據(jù)對(duì)故障進(jìn)行識(shí)別。

小波包變換可將時(shí)域中的問(wèn)題轉(zhuǎn)換到頻域上進(jìn)行分析，并能夠保持問(wèn)題信息的完整性[5，6]。小波包熵提取的具體步驟如下：

（1）原始信號(hào)在經(jīng)過(guò)4 層小波包分解后，能夠獲得16個(gè)頻帶上的信號(hào)特征。

（2）需要求取16個(gè)頻帶上信號(hào)的能量。設(shè)為對(duì)應(yīng)頻帶中的重構(gòu)信號(hào)，其能量如式（1）所示：

（3）對(duì)得到的各能量進(jìn)行歸一化處理，得到：

（4）計(jì)算各頻帶的能量熵K，作為待識(shí)別的故障特征值，K即人工魚公告板信息。

1.2 人工魚群算法

人工魚群算法（Artificial Fish Swarm Algorithm，，AFSA）是李曉磊博士受魚群行為的啟發(fā)，于2002年提出的一種新型智能仿生優(yōu)化算法。在水中，魚總是能夠自行游動(dòng)亦或尾隨其他魚游動(dòng)，找到含營(yíng)養(yǎng)物質(zhì)最多的地方，因此可以推知，在營(yíng)養(yǎng)物質(zhì)多的區(qū)域中相應(yīng)所含魚的數(shù)目也最多[7-9]。根據(jù)魚群這一特點(diǎn)來(lái)進(jìn)行人工魚群對(duì)魚群覓食、聚群和追尾行為的模仿，通過(guò)模仿實(shí)現(xiàn)尋優(yōu)。

個(gè)體魚的狀態(tài)用X=（x1，x2，…，xn）描述， 其中xi（i=1，2，…，n）表示尋優(yōu)變量，通過(guò)人工魚所在位置營(yíng)養(yǎng)物質(zhì)濃度的大小，即使用目標(biāo)函數(shù)值Y=f（X）來(lái)判斷個(gè)體優(yōu)劣。人工魚個(gè)體間距用dij=‖Xi-Xj‖表示；Visual表示人工魚可見(jiàn)范圍；Step為人工魚所移動(dòng)步長(zhǎng)的最大值；δ表示擁擠度因子。

（1）覓食行為即人工魚不斷向富含營(yíng)養(yǎng)物質(zhì)較多的區(qū)域移動(dòng)的行為，是向更優(yōu)區(qū)域移動(dòng)的迭代方式。人工魚Xi代表在一個(gè)可見(jiàn)區(qū)域內(nèi)以隨機(jī)選擇的方式所選擇的一條人工魚，其狀態(tài)設(shè)置為Xj，若其目標(biāo)函數(shù)值Yj比當(dāng)前值更優(yōu)，則朝Xj所在方向游動(dòng)一步；否則，將再次重新隨機(jī)選擇一個(gè)Xj，重復(fù)嘗試trynumber次，若所得目標(biāo)函數(shù)值仍然不具備前進(jìn)所需的條件，則向任意方向隨機(jī)游動(dòng)一步。

（2）聚群行為是人工魚向魚群中心方向游動(dòng)并避免過(guò)分擁擠的一種行為。人工魚的狀態(tài)設(shè)為Xi，將當(dāng)前可見(jiàn)區(qū)域內(nèi)（即di，j≤Visual）的伙伴數(shù)量和中心位置分別用nf和Yc表示，如果出現(xiàn)Yc?nf>δYi且Yi

（3）追尾行為即一種魚群個(gè)體朝著可見(jiàn)范圍內(nèi)最優(yōu)個(gè)體所在方向游動(dòng)，并避免過(guò)分擁擠的行為。人工魚Xi在可見(jiàn)區(qū)域內(nèi)搜索最優(yōu)伙伴，即在可見(jiàn)區(qū)域內(nèi)的所有人工魚中尋找適應(yīng)度值最高的個(gè)體Xj，若出現(xiàn)Yc?nf>δYi且Yi

（4）公告板即人工魚在每完成一次迭代后都進(jìn)入一個(gè)新的狀態(tài)，將之與公告板中所記錄的狀態(tài)進(jìn)行對(duì)比，若新?tīng)顟B(tài)更優(yōu)，則公告板信息會(huì)更新為新?tīng)顟B(tài)。迭代結(jié)束后，輸出更新后的公告板記錄，該記錄即為所求的最優(yōu)值。

2 改進(jìn)人工魚算法在風(fēng)機(jī)故障檢測(cè)中的研究

2.1 差分進(jìn)化算法

自差分進(jìn)化算法（Differential Ev，DE）[10]作為近年來(lái)新興算法中的一種，對(duì)個(gè)體的最優(yōu)解擁有較好的記憶能力，同時(shí)也可共享種群內(nèi)部信息。相較于其他不同的算法，對(duì)于求解比較復(fù)雜的全局優(yōu)化問(wèn)題，DE的優(yōu)勢(shì)更加明顯，性能更加優(yōu)越，具有受控參數(shù)少，優(yōu)化過(guò)程簡(jiǎn)單，魯棒性強(qiáng)等優(yōu)點(diǎn)[11，12]，使得DE被看作是仿生智能計(jì)算算法產(chǎn)生后，在算法結(jié)構(gòu)方面獲取的一項(xiàng)重要成果。

2.2 對(duì)人工魚算法的改進(jìn)

當(dāng)魚群算法進(jìn)入后期階段，在公告板進(jìn)行了連續(xù)多次的迭代后，公告板將出現(xiàn)信息并未更新或更新變化非常小的問(wèn)題，即尋優(yōu)過(guò)程陷于停滯狀態(tài)，導(dǎo)致出現(xiàn)陷入局部最優(yōu)的問(wèn)題。對(duì)此本文使用DE算法中的交叉、變異策略，當(dāng)公告板的停滯狀態(tài)大于最大停滯參數(shù)時(shí)，選擇部分人工魚個(gè)體對(duì)其實(shí)施DE交叉操作和變異操作[13]，以產(chǎn)生新的個(gè)體。對(duì)比產(chǎn)生的新個(gè)體和當(dāng)前目標(biāo)函數(shù)值，將對(duì)比結(jié)果與公告板的狀態(tài)再次進(jìn)行比較，若對(duì)比結(jié)果優(yōu)于公告板記錄，則更新公告板的狀態(tài)，跳出局部最優(yōu)。

實(shí)現(xiàn)過(guò)程如下：

（1）將參數(shù)初始化：將第t次迭代的第個(gè)i個(gè)個(gè)體表示為Xi（t）=xi1，xi2，…，xiD，i=1，2，…，N，個(gè)體魚的狀態(tài)用X=x1，x2，…，xn描述，其中xi（i=1，2，…，n）表示尋優(yōu)變量。魚群規(guī)模為N，最大迭代次數(shù)為Nmax，人工魚可見(jiàn)區(qū)域用Visual表示，移動(dòng)步長(zhǎng)最大值為Step，擁擠度因子為δ，將覓食過(guò)程中的隨機(jī)試探次數(shù)trynumber等設(shè)置為魚群參數(shù)，并設(shè)定最大停滯參數(shù)Stopmax等。設(shè)置公告板停滯狀態(tài)為0，即Stopstep=0，設(shè)定系統(tǒng)初始迭代次數(shù)Nc=1。隨機(jī)產(chǎn)生的種群規(guī)模為N，產(chǎn)生依據(jù)如式（4）：

其中rand為（0，1）之間的隨機(jī)數(shù)，j=1，2，…，D，xijU為Xi中第j個(gè)分量的上界，而xijL則為下界。

（2）計(jì)算比較初始人工魚個(gè)體的當(dāng)前函數(shù)值，取其最優(yōu)值記錄在公告板中。

（3）人工魚個(gè)體根據(jù)鄰近伙伴的中心和公告板的記錄來(lái)模擬魚群的聚群行為和追尾行為，若最優(yōu)目標(biāo)函數(shù)值比公告板記錄更優(yōu)，則執(zhí)行最優(yōu)的目標(biāo)函數(shù)值，否則執(zhí)行覓食行為。

（4）人工魚每完成一次迭代后便會(huì)產(chǎn)生新的狀態(tài)，并將其與公告板的記錄作對(duì)比，若當(dāng)前的新?tīng)顟B(tài)比公告板記錄更優(yōu)，則公告板信息將會(huì)更新為新的狀態(tài)，并將停滯狀態(tài)Stopstep重置為0。

（5）當(dāng)公告板停滯狀態(tài)大于或等于最大停滯參數(shù)時(shí)，對(duì)部分人工魚個(gè)體實(shí)施DE中的交叉和變異操作，否則繼續(xù)向下執(zhí)行步驟（6），差分操作如下所示：

a.變異策略：在人工魚中隨機(jī)選擇除其之外的兩個(gè)不同個(gè)體r1，r2，變異策略采用以下變異方式：

其中，β為（0，1）之間的任一隨機(jī)數(shù)。

b.交叉策略 ：交叉策略采用線性交叉方式，生成一個(gè)中間個(gè)體Si （t+1），增加了種群多樣性，此個(gè)體第j個(gè)分量可表示為：

si（t+1）=αxij （t）+（1-α）uij（t+1） （6）

其中，α取（0，1）之間的任一隨機(jī)數(shù)。

c.將新個(gè)體的適應(yīng)度值與公告板中所記錄的狀態(tài)進(jìn)行對(duì)比，若前者更優(yōu)，則公告板信息將會(huì)更新為當(dāng)前狀態(tài)，并重新將公告板停滯狀態(tài)設(shè)置為0，即Stopstep=0。

（6）設(shè)Nc=Nc+1，Stopstep=Stopstep+1，判斷是否能夠滿足Nc=Nmax或其他結(jié)束條件，如果已滿足條件則停止搜索，并將公告板信息及其所對(duì)應(yīng)的目標(biāo)函數(shù)值輸出；若未滿足，則返回重新執(zhí)行步驟（3），繼續(xù)下一個(gè)循環(huán)。

3 實(shí)例分析

采集振動(dòng)信號(hào)，并對(duì)其實(shí)施小波包變換，提取小波包熵特征值作為原始種群，運(yùn)用本文改進(jìn)的人工魚群算法對(duì)風(fēng)機(jī)進(jìn)行故障診斷。

本文采用圖1所示的五種故障振動(dòng)信號(hào)。對(duì)采集到的信號(hào)經(jīng)小波包分析提取出7個(gè)不同頻段的信息，每一種故障狀態(tài)選40組特征向量，共200組樣本作為原始種群，數(shù)據(jù)采集器的采集頻率取800 Hz，采樣時(shí)間為5 s，數(shù)據(jù)處理等工作均在臺(tái)式機(jī)上完成。表1為實(shí)驗(yàn)采用的部分樣本，其中f為基頻，樣本1～5各表示一種風(fēng)機(jī)故障：樣本1代表軸不對(duì)中，樣本2代表轉(zhuǎn)子質(zhì)量不平衡，樣本3代表機(jī)械碰摩，樣本4代表軸承故障，樣本5代表基礎(chǔ)松動(dòng)。

圖2中橫縱坐標(biāo)分別代表迭代次數(shù)和整體故障診斷正確率。圖2能夠直觀表示出前期故障診斷正確率隨迭代次數(shù)的增大而不斷上升的趨勢(shì)，后期尤其當(dāng)?shù)螖?shù)達(dá)到60次之后故障診斷正確率趨于平穩(wěn)，不再隨著迭代次數(shù)的增大而出現(xiàn)大幅波動(dòng)。將200組樣本數(shù)據(jù)作為故障檢測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，診斷正確率的檢測(cè)結(jié)果見(jiàn)表2所列。

從表2可以明確看出對(duì)軸不對(duì)中診斷的正確率達(dá)95%，對(duì)轉(zhuǎn)子質(zhì)量不平衡診斷的正確率為90%，對(duì)機(jī)械碰摩診斷的正確率高達(dá)100%，對(duì)軸承故障診斷的正確率為95%，對(duì)基礎(chǔ)松動(dòng)的診斷正確率為90%。由此可見(jiàn)，采用本文所述方法可大大提高對(duì)風(fēng)機(jī)5種故障的診斷正確率。

4 結(jié) 語(yǔ)

本文提出了基于人工魚群的風(fēng)機(jī)故障診斷方法，將改進(jìn)的人工魚群算法應(yīng)用于風(fēng)機(jī)故障診斷當(dāng)中，具有實(shí)現(xiàn)過(guò)程簡(jiǎn)單，運(yùn)算速度快，適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)。實(shí)驗(yàn)證明，本文提出的方法故障診斷正確率高，具有很強(qiáng)的可行性，為風(fēng)機(jī)故障診斷這一領(lǐng)域提供了方便。

參考文獻(xiàn)

[1]呂茂超，華鋼，劉晶晶.基于LabVIEW的風(fēng)機(jī)故障監(jiān)測(cè)診斷系統(tǒng)的設(shè)計(jì)[J].煤礦安全，2011， 42（10）：51-53.

[2]李寧，王李管，賈明滔，等.基于信息融合理論的風(fēng)機(jī)故障診斷[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2013， 44（7）：2861-2866.

[3]呂振江，湯家升.基于遺傳算法的風(fēng)機(jī)故障診斷研究[J].煤炭工程， 2015， 47（1）：101-103.

[4]劉剛.一種人工魚群算法及其應(yīng)用研究[D].上海：華東理工大學(xué)， 2015.

[5]丁建明，林建輝，任愈，等.基于諧波小波包能量熵的軸承故障實(shí)時(shí)診斷[J].機(jī)械強(qiáng)度，2011，33（4）：483-487.

[6]薛勇，萬(wàn)振剛.基于改進(jìn)人工蜂群的軸承故障診斷方法[J].軸承， 2017（5）：45-48.

[7]王聯(lián)國(guó).人工魚群算法及其應(yīng)用研究[D].蘭州：蘭州理工大學(xué)，2009.

[8]吳昌友.一種改進(jìn)的人工魚群優(yōu)化算法[J].智能系統(tǒng)學(xué)報(bào)， 2015 （3）：465-469.

[9]王聯(lián)國(guó)，洪毅，趙付青，等.一種改進(jìn)的人工魚群算法[J].計(jì)算機(jī)工程， 2008，34（19）：192-194.

[10]盧青波，張學(xué)良，溫淑花，等.高斯變異差分進(jìn)化算法及其應(yīng)用研究[J].工程設(shè)計(jì)學(xué)報(bào)，2012， 19（5）：372-378.

[11]朱宇航.差分進(jìn)化算法及其在云計(jì)算任務(wù)調(diào)度中的應(yīng)用研究[D].蘭州：蘭州交通大學(xué)， 2013.

[12]劉波，王凌，金以慧.差分進(jìn)化算法研究進(jìn)展[J].控制與決策， 2007，22（7）：721-729.

[13]張大斌，楊添柔，溫梅，等.基于差分進(jìn)化的魚群算法及其函數(shù)優(yōu)化應(yīng)用[J].計(jì)算機(jī)工程，2013， 39（5）：18-22.