基于ANN-PSO的造球机故障诊断.pdfVIP

第31卷 第6期 武汉理工大学学报 ·信 息与管理工程版 Vo1．31No．6 2009年 12月 JOURNAL0FWUT(INFORMATION＆MANAGEMENTENGINEERING) Dee．2009 文章编号：1007—144X(2009)06—0922—04 文献标志码：A 基于ANN—PSO的造球机故障诊断 徐劲力，万尚国 (武汉理工大学 机电工程学院，湖北 武汉430070) 摘 要：对机械设备的监控和故障诊断是重要而困难的，神经网络能够用来检测设备故障，但其训练方法容易 陷入局部最优。粒子群算法具有全局搜索能力，将免疫系统中的抗体抑制机理引入粒子群算法以保持粒子多 样性，采用免疫粒子群算法 (ImPso)与LM(1evenberg—marguardt)算法，结合训练前向神经网络。计算机仿真 结果显示，训练后的网络性能优于使用一般BP算法训练的网络，将其应用于造球机故障诊断的准确度高于 单纯BP算法训练的网络。 关键词：前向神经网络；粒子群优化算法；免疫系统；故障诊断 中图分类号：TP183 DOI：10．3963／j．issn．1007—144X．2009．06．017 目前对机械设备进行状态检测并做出准确可 1 故障诊断原理及步骤 靠的故障诊断是比较困难的。一种故障可能由多 种原因引起，一种因素引起的故障又可能有多种 当机械出现故障时，其振动信号必然发生相 表现形式，故障与征兆之间可能不存在明显的对 应的变化，这些变化集中反映在部分特征频段上， 应关系或者其对应关系具有高度 的非线性 。 这些特征频段上特征量的变化及其比例关系反映 对于此种挑战，神经网络是一种可行的解决方案， 出机械设备振动的特点和相应的故障类型 。 原因如下：①神经网络具有 自学习、联想、记忆及 采用BP神经网络进行故障诊断的一般步骤 模式匹配能力；②神经网络具有滤出噪声及在有 为：首先根据欲诊断对象的特点划分其故障类型， 噪声情况下得出正确结论的能力，在实际生产 中 获取故障信息，然后选取对故障比较敏感的一些 存在多种噪声干扰的条件下能有效地工作 。 参数为特征信号作为 BP网络的输入，其对应的 BP网络理论研究成熟，应用广泛，然而其基于梯 故障信息作为神经网络的期望输出；根据诊断对 度的搜索策略，极易陷入局部最优点。为此研究 象的特点和已经获取的样本空间确定BP神经网 人员提出了各种改进方法，如附加动量项、可变学 的结构；选择合适的训练方法对 BP网络进行训 习速率等，取得了一些效果 J。但是这些启发 练；对训练好的神经网络进行评估。 式方法的系数调整因问题而异，对一个具体问题 2 算法描述 确定合适的系数，从而得到较优的解仍然存在很 大的问题。粒子群优化算法 (PSO)具有较强的全 2．1 多层前向神经网络 局搜索能力 ，在神经网络训练 中已经有 了很多成 多层前向神经网络 的结构分为若干层， 功的应用 。然而对于故障检测中的一些复杂非线 每一层神经元只接受前一层神经元输出的信号。 性关系，PSO存在陷入局部最优、搜索能力不够强 常用BP算法来训练多层前 向神经网络，BP算法 的问题。通过将人工免疫系统中抗体抑制机理引 本质上是以网络误差平方和为 目标函数，按梯度 入粒子群算法，可增加免疫算子后的粒子群能够 法求其