基于遗传算法的弱故障振动信号的自适应滤波研究.pdfVIP

振　 动　 与　 冲　 击 第 18 卷第 3 期 . 18 . 3 1999　 JOU RNAL O F V IBRA T ION AND SHOCK V o l N o 基于遗传算法的弱故障振动信号的自适应滤波研究 宓为建　徐子奇　杨雪峰 (上海海运学院机械系　上海　200135) 摘　要　本文提出了一种基于遗传算法的自适应滤波模型, 讨论了模型参数的确定原则与方法, 给出了一个仿真实例, 并将此滤波模型应用于 Santana 2000 型轿车的异常噪声诊断, 获得了良好的结果。 关键词: 遗传算法, 自适应滤波, 随机振动, 故障诊断 中图分类号: O 211. 64 0　引　　言 在机械故障诊断中, 常常需要从实测的工程信号中提取出所需要的故障信号。自适应滤波技术 是一种有效的方法, 即利用一组与背景噪声相关而与待提取故障信号无关的信号来对消实测工程 信号中的背景噪声, 从而提高信噪比, 提取出淹没在背景噪声中的故障信号。通常, 自适应滤波器是 根据预测误差的某一代价函数, 来调节滤波器的权系数, 使得此代价函数达到最小。采用遗传算法 来实现自适应滤波的基本思想是, 利用遗传算法的优化能力, 寻找一组权系数w 1 ,w 2 , …,w r , 使得 预测误差 e (n ) 的平方和达到最小, N N N r 即　　　　 (W ) = e2 (n ) = [d (n ) - y (n ) ]2 = d (n ) - w i x (n - i) 2 ( 1) n= 1 n= 1 n= 1 i= 1 达到最小, 其中: x (n ) 为输入信号, y (n ) 为输出信号, d (n ) 为期望响应信号, 权系数向量W = [w 1 ,w 2 , …,w r ]T ,N 为信号采样点数。 遗传算法解决这一问题的主要步骤是: 首先对每个参数编码, 并将 r 个参数串联起来, 形成一 ( ) 个个体串。随机生成这样的个体串若干个 即生成一个初始种群 , 每一个个体代表最优权系数向量 的一个可能解, 然后让这些个体串参与选择、交叉、变异, 模拟进化过程, 择优汰劣, 直到产生并找出 最优秀的个体, 实测预测误差的最小。 1　基于遗传算法的自适应滤波器的实现过程 用遗传算法来实现自适应滤波时, 首先需要确定模型参数, 这些参数主要包括: 用来表示滤波 器的一个权系数所需二进制码的位数 l , 种群规模 n , 交叉概率p c , 以及变异概率p m 。本文的收敛 终止条件为: 若连续 G 代内最高适应度无显著提高, 则迭代终止。 本文在实现遗传算法时, 提出并采用了优秀个体保护法, 即将适应度最高的若干个体“保护”起 来, 不参与交叉和变异过程, 并有保护地参加选择过程, 直接进入下一代, 直到有更优秀的个体出现 时, 它们才不受“保护”。采用这样的方法, 算法的稳定性和收敛性得到了增强。因为, 选择、交叉和 变异三个过程都是随机进行的, 因此优秀个体有可能在这三个过程中被破坏掉, 而采用优秀个体保 护法, 破坏得以避免, 从而可以保证这一代的最高适应度不低于上一代的最高适应度。但是, 它带来 的问题是, 容易使算法收敛到局部极值, 此时可采用增大交叉概率p c 和变异概率p m 予以弥补。基 上海交通大学　振动、冲击、噪声国家重点实验室资助项目(V SN - 99002) 　　　收稿日期: 1999- 04-