基于遗传神经网络的机械故障诊断.docVIP

基于遗传神经网络的机械故障诊断 　　摘要: 本文针对BP神经网络存在的不足,将遗传算法和BP神经网络有机结合起来,利用遗传算法的全局搜索能力优化了神经网络的初始权值和阈值,并将其应用于机械故障诊断。结果表明,在MATLAB环境下进行仿真试验,这种方法能够有效进行故障识别、提高故障诊断精度。 　　Abstract: Through analyzing the shortcoming of BP neural network, genetic algorithm and BP neural network are combined in this paper. Using the global search ability of genetic algorithm, initial weights and thresholds of BP neural network are optimized and used in machine fault diagnosis. The results show that it can detect fault diagnosis and increase fault diagnosis precision in MATLAB simulation. 　　关键词: 遗传算法;BP神经网络;故障诊断 　　Key words: Genetic Algorithm;BP neural network;fault diagnosis 　　中图分类号:TH17文献标识码:A文章编号:1006-4311(2010)25-0152-02 　　 　　0引言 　　随着人工智能、计算机科学以及信号处理技术的不断发展和进步,故障诊断技术也逐渐的成熟起来。机械故障诊断的根本目标是确诊连续运行机器的潜在故障,保证机器安全有效的运行。所谓确诊就是能够准确地诊断出机器的故障类型、故障严重程度及故障的具体位置。 　　当前的故障诊断技术已经发展到了智能化阶段,作为一种新的模式识别技术或一种知识处理方法,人工神经网络在故障诊断领域中显示了其极大的应用潜力[1]。基于梯度下降的BP网络是应用最广泛也是最成熟的一种人工神经网络,但是它存在着以下突出弱点:网络训练速度慢、容易陷入局部极小、全局搜索能力差等[2]。而遗传算法能够很好地收敛到全局最优解,且有较强的鲁棒性,将遗传算法与神经网络结合起来,就能够取长补短,显著提高网络性能[3~5]。Muhlenbein分析了多层感知机网络的局限性,甚至猜想下一代神经网络将是遗传神经网络。 　　目前遗传算法和神经网络模型的结合主要表现在以下几个方面:①用遗传算法优化网络训练,即优化网络连接权重;②用遗传算法优化神经网络的结构;③用遗传算法优化神经网络的学习规则;④用神经网络优化遗传算法的收敛性。 　　针对BP神经网络的特性,遗传算法和BP神经网络的结合主要体现在用遗传算法优化BP 神经网络的连接权值,以改进BP神经网络学习梯度算法的收敛速度慢、容易陷入局部最小值、全局搜索能力差等问题,能够很快得到全局最优解。本文所采用的方法就是用遗传算法对BP神经网络的连接权值进行优化,提高BP神经网络的性能。 　　1GA-BP神经网络模型的建立 　　神经网络的权值训练过程实际是一个复杂函数的优化问题,即通过反复调整来寻找最优的连接权值。神经网络权值的整体分布包含着神经系统的全部知识,传统的权值获取方法是采用某种确定的变化规则,在训练中逐步调整,最终得到一个较好的权值分布。采用遗传算法优化BP神经网络的初始权重,实际上是将整个网络训练分成了两部分:首先采用遗传算法优化网络的初始权重;然后利用BP算法最终完成网络训练。 　　1.1 利用GA优化BP神经网络的初始权值①采用某种编码方案对权值(阈值)进行编码,随机产生一组分布(编码),它就对应着一组神经网络的连接权(阈值)。②输入训练样本,计算它的误差函数值,以误差平方和的倒数作为适应度。若误差越小,适应度越大,反之适应度大。以此来评价连接权值(阈值)的优劣。③选择适应度大的个体,直接遗传给下一代。④再利用交叉,变异等操作对当前群体进化,产生下一代群体。⑤重复②-④,这样初始确定的一组权值(阈值)得到不断进化,直到训练目标满足条件为止。 　　这样就得到一组编码数据,遗传算法认为该组数据是最优解。然后采用遗传算法的解码,将该组编码数据转换为权重组合,作为初始权值(阈值),进入BP神经网络的系统中去。 　　1.2 训练神经网络确定BP神经网络的结构,包括输入层和输出层,以及隐含层的层数和节点数。然后以遗传操作后的数值作为初始权值和阈值,进行网络的训练。训练步骤采用标准 BP 算法进行学习,最终得到满足条件的 BP 网络。当以另外的样本作