基于IBA-ELM的發(fā)動機燃油系統(tǒng)故障診斷研究

靖婉婷 王海瑞 林雅慧

(昆明理工大學信息工程與自動化學院 云南 昆明 650500)

0 引 言

發(fā)動機的燃油系統(tǒng)長時間在高溫高壓的惡劣環(huán)境下工作，為整個機械設備提供動力。據(jù)權威機構數(shù)據(jù)統(tǒng)計，在柴油機的各種故障中，燃油系統(tǒng)故障占總體比重高達27%。由此可見，一旦燃油系統(tǒng)發(fā)生故障，將會造成整個機械停止工作，帶來的經濟和其他方面的損失較為嚴重。

本文提出一種基于改進的蝙蝠算法，優(yōu)化極限學習機的故障診斷模型來對發(fā)動機的燃油系統(tǒng)進行故障診斷，利用傳感器實時采集燃油系統(tǒng)的振動信號。首先本文采用小波分解來對采集到的信號進行處理，從而提取其特征向量。然后使用蝙蝠算法來優(yōu)化極限學習機的相關參數(shù)，搭建優(yōu)化好的極限學習機的網(wǎng)絡結構。最后將提取到的特征向量輸入到優(yōu)化好的極限學習機中進行訓練和測試，得到最終的故障診斷結果。本文設置對比實驗來驗證該模型的合理性和優(yōu)越性，實驗結果表明本文所提方法具有良好的性能。

1 蝙蝠算法

蝙蝠算法是由劍橋大學Xin-she Yang教授在2010年提出的一種基于蝙蝠回聲定位的新型群體智能優(yōu)化算法[1]。

1.1 標準蝙蝠算法

蝙蝠算法的思想是基于蝙蝠回聲定位的新型群體智能優(yōu)化算法，其基本流程概括如下：

fi=fmin+(fmax-fmin)·β

(1)

(2)

(3)

式中：β是隨機變量，且β～U[0,1]；X*代表目前搜索范圍內的全局最優(yōu)位置；t表示目前的迭代次數(shù)。

(4)

步驟5計算種群內所有蝙蝠個體的新解位置的適應度值。

(5)

(6)

步驟7更新找到的全局最優(yōu)解，判斷是否達到尋優(yōu)終止條件；若滿足則輸出X*，若不滿足則跳轉至步驟3。

1.2 改進的蝙蝠算法

由于蝙蝠算法需要初始化確定的參數(shù)個數(shù)較多，直到現(xiàn)在還沒有人對這一領域做深入的研究。為了提高蝙蝠算法的尋優(yōu)能力，本文對其做如下改進，根據(jù)式(2)和式(3)可得：

(7)

(8)

由此可以更新位置公式為：

(9)

(10)

(11)

(12)

2 極限學習機及其改進算法

2.1 極限學習機

極限學習機ELM是南洋理工大學的黃廣斌教授在2004年提出的一種簡單易用的單隱層前饋神經網(wǎng)絡(SLFN)學習算法[5-6]。在極限學習機算法中需要人為設置的只有隱含層的節(jié)點個數(shù)這一個參數(shù)，而其輸入權值和隱含層的閾值是隨機生成的[10-11]，因此該算法的學習時間極短。 ELM的整體結構如圖1所示。

圖1 ELM的網(wǎng)絡結構

根據(jù)單隱層前饋神經網(wǎng)絡的相關知識，對于N個不同的訓練樣本集{(Xi,Ti)|i=1,2,…,N}，其中Xi=[xi1,xi2,…,xin]T∈Rn為輸入的訓練樣本，Ti=[ti1,ti2,…,tim]T∈Rm為期望的目標函數(shù)，則含有隱含層節(jié)點數(shù)為L的單隱層前饋神經網(wǎng)絡的數(shù)學模型為：

(13)

式中：g(x)為隱含層的激活函數(shù)；ai=[ai1,ai2,ain]T表示輸入權值向量；bi表示隱含層的偏置；βi=[βi1,βi2,…,βim]T表示輸出權值向量。

將式(13)寫成矩陣的形式為：

Hβ=T

(14)

式中：輸出矩陣

H(a1,a2,…,aL,b1,b2,…,bL,x1,x2,…,xN)=

隨機產生輸入權重ai閾值bi后，就可以根據(jù)式(14)計算得到ELM網(wǎng)絡的各個參數(shù)。由式(14)轉化即可得：

β=H+T

(15)

式中：H+表示隱含層輸出矩陣H的Moore-Penrose廣義逆矩陣[12-14]。求出輸出權重，再加上隨機產生的其他權重和閾值參數(shù)，整個ELM網(wǎng)絡就確定了。

2.2 基于改進的蝙蝠算法優(yōu)化極限學習機

鑒于極限學習機和改進的蝙蝠算法各自的優(yōu)缺點，本文將兩種算法結合在一起，從而提出一種基于改進蝙蝠算法優(yōu)化極限學習機(IBA-ELM)的發(fā)動機燃油系統(tǒng)故障診斷模型。該模型的主要思想是改進極限學習機的輸入權值和閾值隨機生成。本文利用改進的蝙蝠算法來優(yōu)化權值和閾值的選擇過程，從而選出一組最優(yōu)的參數(shù)組合來提高極限學習機的工作性能?；诟倪M蝙幅算法優(yōu)化極限學習機的流程如圖2所示。

圖2 基于改進蝙幅算法優(yōu)化極限學習機流程圖

3 實驗及結果分析

3.1 樣本選擇及特征提取

實驗以某型號柴油機燃油系統(tǒng)為研究對象，采用傳感器來進行故障信號的采集，以MATLAB 2010b為實驗平臺。通過小波3層分解對原始信號進行分解重構，最終獲得8個特征參數(shù)，將其組成特征向量P=[P1,P2,P3,P4,P5,P6,P7,P8]作為診斷輸入。樣本故障類型選取柴油機燃油系統(tǒng)的6個常見故障，故障輸出以二進制的形式表示，因此故障分類及對應表示如表1所示。

表1 柴油機燃油系統(tǒng)的故障分類及對應表示

實驗選取樣本總數(shù)為900組，則6種故障每種故障分別選取150組，其中120組作為訓練輸入樣本，剩余30組錄入為預測樣本集。

3.2 實驗比較分析

3.2.1 優(yōu)化算法性能比較

本實驗設置了如下4種實驗模型。初始化4種算法參數(shù)：4種算法的規(guī)模數(shù)量和最大迭代次數(shù)均取100；粒子群算法的慣性權重γ、加速常數(shù)c1和c2分別取0.6、2、2；遺傳算法的參數(shù)因子代溝、交叉概率和變異概率分別取0.95、0.7、0.01；BA算法其搜索脈沖頻率設置在[0,10]范圍內，IBA算法設置在[0.5,10.5]范圍內，脈沖響度衰減系數(shù)和脈沖頻度增加系數(shù)γ分別取0.95、0.9。最終，對比實驗可得適應度曲線對比如圖3所示。

圖3 4種優(yōu)化算法優(yōu)化ELM適應度曲線

由圖3的適應度迭代曲線可得到：4種算法在優(yōu)化ELM過程中的適應度都隨著迭代代數(shù)的增多呈現(xiàn)收斂狀態(tài)，因而都能夠得到最優(yōu)權值和閾值；GA算法在46代左右趨于收斂，但實驗發(fā)現(xiàn)GA尋優(yōu)進化過程中后期搜索效率較低；PSO算法在33代左右趨于收斂，但尋優(yōu)結果遠不如IBA算法；BA算法雖然最優(yōu)值優(yōu)于GA和PSO，但是尋優(yōu)最終結果不如IBA，且該算法優(yōu)化ELM在52代左右才收斂得到最終最優(yōu)解，迭代次數(shù)不理想；IBA在BA的基礎上改進了初始數(shù)據(jù)，并引進慣性權重系數(shù)、重置最終判定條件，進而約減適應度較弱個體，最終達到優(yōu)化BA的效果，解決了BA迭代次數(shù)多、收斂速度慢的缺點。同時該方法在22代左右適應度函數(shù)值趨于收斂取得最優(yōu)，收斂速度快，且尋優(yōu)所得結果遠比其他三種優(yōu)化算法所得結果優(yōu)質。因此，使用IBA算法優(yōu)化極限學習機具有較為顯著的效果。

3.2.2 分類模型比較

為了驗證本文提出的IBA-ELM方法的性能在燃油系統(tǒng)故障診斷更勝一籌。本實驗將IBA-ELM診斷方法與支持向量機(SVM)、傳統(tǒng)極限學習(ELM)、蝙蝠算法優(yōu)化的極限學習機(BA-ELM)進行比較。4種模型分別獨立運行10次，得到4種分類結果精確度的比較如圖4所示。訓練時間和測試時間的比較如圖5所示。

圖4 4種模型分類精確度的比較

圖5 4種模型的訓練時間和測試時間

由圖4和圖5，可以得出表2的性能分析：SVM方法分類準確率高，但訓練模型以及測試樣本速度慢。由于在燃油系統(tǒng)診斷過程中，準確率的高低和速度的快慢決定了診斷的性能，兩者缺一不可，所以本文考慮選用極限學習機。極限學習機訓練測試時間非?？?，但明顯準確率不如支持向量機。因而選用蝙蝠算法優(yōu)化極限學習機，得到準確率明顯高于支持向量機和傳統(tǒng)極限學習機，但速度還是不如傳統(tǒng)極限學習機。最后采用IBA優(yōu)化ELM，速度和準確度相對于BA優(yōu)化ELM大大地提升，經4種方法比較，其速度僅次于傳統(tǒng)ELM。實驗表明了IBA-ELM在燃油系統(tǒng)故障診斷中不僅分類速度快，而且能有效地提高診斷的準確率。

表2 4種模型性能比較

3.2.3 實際與預測值比較

為了測試IBA-ELM燃油機系統(tǒng)診斷模型的分類準確率，實驗將用于訓練模型后剩余的180組測試樣本集輸入已形成的IBA-ELM模型進行預測，并將預測結果與實際輸出真值作比較。得到IBA-ELM模型預測結果與實際輸出真值比較如表3所示。IBA-ELM模型測試集分類圖，如圖6所示。

表3 IBA-ELM模型預測結果與實際輸出真值比較

圖6 IBA-ELM模型測試集分類圖

由表3、圖6可得，對180組預測樣本集進行預測輸出時，診斷正確組數(shù)為177組，說明只誤判了3組，預測精度高達98.33%。綜上所述：IBA-ELM模型具有較高的預測精度,并且能夠準確地預測出燃油機故障系統(tǒng)的故障類型。

4 結 語

本文提出一種基于改進的蝙蝠算法優(yōu)化極限學習機的發(fā)動機燃油系統(tǒng)故障診斷模型。通過設置適應度對比、診斷準確率比較和訓練時間與測試時間的比較等一系列對比實驗，證明了該模型的有效性以及穩(wěn)定性。并且該模型在發(fā)動機燃油系統(tǒng)的故障診斷中具有很好實用效果。