論文-遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究

1、遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究摘要 提出了一種基于遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)故障診斷方法。該方法把經(jīng)小波包分解的信號能量特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)、初始權(quán)值、閾值和網(wǎng)絡(luò)的學(xué)習(xí)速率進(jìn)行前期優(yōu)化訓(xùn)練，再用LM算法進(jìn)行二次訓(xùn)練，最后將優(yōu)化得到的網(wǎng)絡(luò)用于故障診斷。仿真結(jié)果表明，該算法不僅可以得到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，而且降低了網(wǎng)絡(luò)誤差，提高了運(yùn)算速度和訓(xùn)練性能。將該方法應(yīng)用于平流泵故障診斷，證實(shí)了它的可行性和有效性。關(guān)鍵詞 小波包 神經(jīng)網(wǎng)絡(luò) 遺傳算法 故障診斷Research of fault diagnosis method based on neural

2、 network optimized by genetic algorithmsZhao Shijun1,2 Sun Shihui2(1. College of Information and Engineering, University of Science and Technology Beijing, Beijing 1000832. College of Information and Control Engineering, China University of Petroleum, Dongying, Shandong 257061)Abstract This paper pr

3、oposes the fault diagnosis method based on neural network optimized by genetic algorithms. This method regards the energy eigenvectors which are decomposed by the wavelet packet as the input eigenvector of the neural network. Genetic algorithm is used to optimize the number of hidden neuron, the ini

4、tial weights and thresholds and the learning rate of BP neural network for the first time, then the network is trained by LM algorithm again, finally, fault diagnosis is done by the optimized neural network The simulation result shows that this method can not only give an optimized structure and par

5、ameters of neural network, but also reduce the network error, improve the computing speed and the training performance. Furthermore, this method verifies the correctness and effectiveness of applying in the pump fault diagnosis.Key words wavelet packet neural network genetic algorithm fault diagnosi

6、s1 引言人工智能技術(shù)特別是專家系統(tǒng)在故障診斷領(lǐng)域中的應(yīng)用，為故障診斷的智能化提供了可能性，也使診斷技術(shù)進(jìn)入新的發(fā)展階段。神經(jīng)網(wǎng)絡(luò)以其固有的記憶能力、自學(xué)習(xí)功能以及強(qiáng)容錯(cuò)性為故障診斷問題提供了一個(gè)新的解決途徑，但是人們通常使用的誤差反向傳播算法，即BP算法，也有著自身的缺陷，如網(wǎng)絡(luò)的性能嚴(yán)重依賴于訓(xùn)練樣本和初始權(quán)值推薦精選、閾值，網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)需由經(jīng)驗(yàn)或試探來確定，網(wǎng)絡(luò)的收斂速度慢且容易陷入局部極小值等1。遺傳算法是一種隨機(jī)優(yōu)化搜索方法，具有很強(qiáng)的全局搜索能力，并能以較大的概率找到最優(yōu)解或性能很好的次優(yōu)解，但標(biāo)準(zhǔn)的遺傳算法也有容易過早收斂等方面的局限性2。本文針對科學(xué)實(shí)驗(yàn)中廣泛使用的平流泵

7、的故障特點(diǎn)，選取合適的小波函數(shù)提取信號的能量特征向量，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，然后用優(yōu)化后的網(wǎng)絡(luò)對平流泵進(jìn)行故障診斷，實(shí)驗(yàn)證實(shí)了它的可行性和有效性。2 故障信號能量特征提取2.1 小波函數(shù)的選取運(yùn)用小波包進(jìn)行時(shí)頻分析時(shí)，要求能夠提取非平穩(wěn)信號的瞬時(shí)、奇異與突變成分，即提取有限頻帶上的信息，也就是在特定尺度上進(jìn)行小波變換。因此，選擇小波函數(shù)時(shí)，考慮時(shí)頻兩域的緊支撐尤為重要?？疾旃收闲盘柨梢园l(fā)現(xiàn)，它們是不平滑的曲線，所以，小波函數(shù)的正則性也要著重考慮。工程實(shí)踐經(jīng)驗(yàn)告訴我們，小波因其具有正交、時(shí)頻緊支撐等特點(diǎn)，在信號處理領(lǐng)域大受歡迎。小波的支撐長度為，因此要比的局部化特性好3。在對、

8、幾種小波進(jìn)行比較后發(fā)現(xiàn)，與故障信號的波形相似。因此，綜合以上幾方面的考慮，本文選用小波進(jìn)行信號分析。2.2 信號的小波包降噪在信號處理中，信噪比（SNR）、均方根誤差（RMSE）和峰值誤差是最常用的三種衡量信號降噪有效性的指標(biāo)。信號的信噪比越高，原始信號與估計(jì)信號的均方根誤差越小，同時(shí)，若峰值誤差越接近于零的話，則估計(jì)信號就越接近于原始信號，降噪效果越好。小波包降噪處理一般有強(qiáng)制降噪處理、默認(rèn)閾值降噪處理、給定軟（或硬）閾值降噪處理三種方法4。本文任意抽取一種信號用這三種方法分別進(jìn)行小波包降噪，對比它們的降噪效果，從而決定對所有信號采用的降噪方法。三種方法降噪的性能對比如表1所示。由表1知，硬

9、閾值降噪效果的性能比其他三種方法的都要好一些。因此，本文將采用給定硬閾值降噪方法對采集到的所有信號進(jìn)行降噪處理。表1 降噪效果的性能評價(jià)強(qiáng)制降噪處理默認(rèn)閾值降噪處理硬閾值降噪處理軟閾值降噪處理信噪比(SNR)99.6479119.0153119.0698108.4679均方根誤差（RMSE）0.03450.01310.01310.0222峰值誤差（）0.02730.00808.8329e-0040.01602.3 小波包分解提取信號特征向量1首先對數(shù)據(jù)做歸一化處理。歸一化的公式為：推薦精選 （1）式中，為初始數(shù)據(jù)，為歸一化之后的數(shù)據(jù)，和分別表示同一個(gè)輸入節(jié)點(diǎn)的數(shù)據(jù)中的最大值和最小值。2. 將信

10、號進(jìn)行N層小波包分解，得到第N層從低頻到高頻個(gè)頻帶的特征信號，j=1,2, 。3. 求各頻帶信號的能量：。（2）4. 構(gòu)造特征向量。首先對進(jìn)行歸一化處理： ， （3）則可由此確定能量特征向量為。3 GA+BP算法設(shè)計(jì)遺傳算法（Genetic Algorithm，簡稱GA）的基本原理為：首先產(chǎn)生若干個(gè)所求解問題的數(shù)字編碼，即染色體，形成初始群體；通過適應(yīng)度函數(shù)給每個(gè)染色體一個(gè)數(shù)值評價(jià)，選擇適應(yīng)度值大的染色體參加交叉和變異遺傳操作；經(jīng)過遺傳操作后的染色體集合形成下一代群體，若未達(dá)到最大進(jìn)化代數(shù)，則再對這個(gè)新群體進(jìn)行下一輪進(jìn)化5。BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸

11、出層。BP神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于故障診斷領(lǐng)域6，但如何確定網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)和網(wǎng)絡(luò)的初始參數(shù)仍值得探討。遺傳算法雖然有很強(qiáng)的全局搜索能力，但標(biāo)準(zhǔn)遺傳算法也存在一些局限性。本文研究設(shè)計(jì)了GA+BP算法，即遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)、權(quán)值閾值的初始值以及網(wǎng)絡(luò)的學(xué)習(xí)速率。3.1 遺傳編碼與解碼把每個(gè)染色體分解為連接基因和參數(shù)基因進(jìn)行編碼。連接基因采用二進(jìn)制編碼方式，“1”表示該神經(jīng)元存在，“0”表示不存在，編碼長度等于隱含層神經(jīng)元個(gè)數(shù)；參數(shù)基因采用實(shí)數(shù)編碼方式，即每個(gè)連接權(quán)值、閾值和學(xué)習(xí)速率直接用一個(gè)實(shí)數(shù)表示。由于網(wǎng)絡(luò)的權(quán)值、閾值可以為負(fù)，而學(xué)習(xí)速率必須是正數(shù)，因此，將參數(shù)基因劃分為權(quán)閾

12、基因和速率基因兩部分。權(quán)閾基因的編碼長度等于神經(jīng)網(wǎng)絡(luò)各層所有權(quán)值、閾值的總個(gè)數(shù)，速率基因則只需用1個(gè)實(shí)數(shù)來編碼。因此，參數(shù)基因的編碼長度為權(quán)閾基因與速率基因的長度之和，而一個(gè)染色體的編碼總長度為連接基因編碼長度與參數(shù)基因編碼長度的和。假設(shè)1 1 0 11 是一個(gè)染色體中連接基因的編碼，編碼的長度為K，那么這樣的基于GA編碼的三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。圖1中，為輸入層神經(jīng)元，為隱含層神經(jīng)元，為輸出層神經(jīng)元，推薦精選為輸入樣本，為網(wǎng)絡(luò)的輸出。輸入層 隱含層 輸出層圖1 基于GA編碼的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖解碼時(shí)，它的輸入層到隱含層、隱含層到輸出層的權(quán)值、和隱含層的閾值如式4、式5、式6所示

13、。（4） （5）（6）網(wǎng)絡(luò)的學(xué)習(xí)速率與網(wǎng)絡(luò)結(jié)構(gòu)無關(guān)，因此它不參與以上解碼過程，也就是說無需解碼。GA+BP算法的這種編碼方式的優(yōu)點(diǎn)在于：（1）可以直接根據(jù)連接基因的二進(jìn)制0，1編碼串建立相應(yīng)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，并且神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)與編碼串中“1”的個(gè)數(shù)相等，這樣就可以明了的看到解碼后的網(wǎng)絡(luò)結(jié)構(gòu)；（2）實(shí)數(shù)編碼的參數(shù)基因有較大空間的遺傳搜索，而且不需要經(jīng)過復(fù)雜的解碼就可以得到網(wǎng)絡(luò)的權(quán)值、閾值和學(xué)習(xí)速率，提高了運(yùn)算效率。3.2 適應(yīng)度函數(shù)的設(shè)計(jì) 適應(yīng)度函數(shù)是用于區(qū)分群體中個(gè)體好壞的標(biāo)準(zhǔn)。GA+BP算法的適應(yīng)度函數(shù)建立在神經(jīng)網(wǎng)絡(luò)的總誤差的基礎(chǔ)上，即每個(gè)染色體的適應(yīng)度函數(shù)取為（7）式中，是神經(jīng)網(wǎng)

14、絡(luò)中的誤差，表示理想輸出，表示真實(shí)輸出，為樣本集個(gè)數(shù)7。3.3 遺傳算子的設(shè)計(jì)推薦精選群體中的每個(gè)個(gè)體首先接受選擇操作。選擇操作采用最佳個(gè)體保存與適應(yīng)度比例相結(jié)合的方法。對當(dāng)前群體的染色體，首先采用最佳個(gè)體保存策略，適應(yīng)度值最大的染色體不必參與交叉和變異操作而直接進(jìn)入下一代，然后采用適應(yīng)度比例方法，在該方法中，每個(gè)染色體的被選擇概率為，式中，表示第個(gè)染色體的適應(yīng)度值。這樣，適應(yīng)度值大的個(gè)體有機(jī)會(huì)進(jìn)入下一代，而概率小的個(gè)體也有機(jī)會(huì)，從而保證了群體中個(gè)體的多樣性，防止算法落入局部最優(yōu)。然后將經(jīng)過選擇操作的染色體進(jìn)行交叉和變異操作。交叉在遺傳算法中起著關(guān)鍵性的作用，它是產(chǎn)生新個(gè)體的主要方法，它決定了

15、遺傳算法的全局搜索能力；而變異運(yùn)算只是產(chǎn)生新個(gè)體的輔助方法，它決定了遺傳算法的局部搜索能力。交叉操作和變異操作把染色體分成兩部分進(jìn)行。連接基因的部分采用單點(diǎn)交叉方式和基本變異方式，參數(shù)基因的部分采用算術(shù)交叉方式和非均勻變異方式，但其中的權(quán)閾基因和速率基因各自交叉和變異而互不干擾。交叉算子和變異算子采用自適應(yīng)算法，如式8、式9所示。（8）（9）式中，是當(dāng)前群體中適應(yīng)度值的最大值，是當(dāng)前群體中適應(yīng)度值的最小值，是當(dāng)前群體的適應(yīng)度值的平均值，是參與交叉的兩個(gè)染色體中適應(yīng)度值較大的一個(gè)染色體的適應(yīng)度值8。4 GA+BP算法步驟本文用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)和初始權(quán)值閾值進(jìn)行前期優(yōu)化訓(xùn)練，再

16、用L-M算法進(jìn)行二次訓(xùn)練。GA+BP算法的步驟如下：1.按照3.1節(jié)的編碼方式隨機(jī)產(chǎn)生初始群體，群體中的每個(gè)個(gè)體表示一種網(wǎng)絡(luò)結(jié)構(gòu)及該結(jié)構(gòu)對應(yīng)的初始參數(shù)。2. 建立初始狀態(tài)下的BP神經(jīng)網(wǎng)絡(luò)。3. 提供一組輸入樣本給BP神經(jīng)網(wǎng)絡(luò)的輸入層，訓(xùn)練BP網(wǎng)絡(luò)，并計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出誤差。4判斷是否訓(xùn)練完所有的樣本，若不滿足則選取下一個(gè)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)，轉(zhuǎn)向步驟3繼續(xù)訓(xùn)練，若滿足則得到網(wǎng)絡(luò)的總誤差，按照3.2節(jié)的適應(yīng)度函數(shù)設(shè)計(jì)，將該誤差作為遺傳算法的適應(yīng)度函數(shù)，計(jì)算每個(gè)個(gè)體的適應(yīng)度函數(shù)值。5. 按照3.3節(jié)的選擇、交叉、變異遺傳操作方法，對當(dāng)前群體進(jìn)行遺傳操作，產(chǎn)生新的種群。6. 判斷是否達(dá)到最大進(jìn)化代數(shù)，

17、若滿足，則轉(zhuǎn)向步驟7，若不滿足，則轉(zhuǎn)向步驟5。7. 遺傳結(jié)束，得到最優(yōu)個(gè)體，將該個(gè)體按照3.1節(jié)的解碼方法進(jìn)行解碼，得到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)以及該結(jié)構(gòu)對應(yīng)的推薦精選初始權(quán)值、閾值和學(xué)習(xí)速率，用遺傳結(jié)果建立BP神經(jīng)網(wǎng)絡(luò)。8提供一組輸入樣本給BP神經(jīng)網(wǎng)絡(luò)的輸入層，訓(xùn)練網(wǎng)絡(luò)。9. 判斷是否訓(xùn)練完所有的樣本，若不滿足則選取下一個(gè)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)，返回到步驟8，若滿足則轉(zhuǎn)至步驟10。10計(jì)算總誤差，判斷網(wǎng)絡(luò)的總誤差是否滿足，若滿足則結(jié)束訓(xùn)練，若不滿足則轉(zhuǎn)向步驟11。11判斷網(wǎng)絡(luò)是否達(dá)到預(yù)定訓(xùn)練次數(shù)，若滿足則結(jié)束訓(xùn)練，若不滿足則返回到步驟8繼續(xù)訓(xùn)練。5仿真與應(yīng)用實(shí)例開發(fā)研制CDLY-2006智能型長期導(dǎo)流能力

18、測量儀，對系統(tǒng)中的平流泵進(jìn)行故障診斷。根據(jù)平流泵的工作原理和技術(shù)人員的經(jīng)驗(yàn)知，常見有存在氣泡、出口堵塞、流程泄漏三種故障。給CDLY-2006智能型長期導(dǎo)流能力測量系統(tǒng)加回壓5MPa，設(shè)定平流泵排量為5ml/min，取測點(diǎn)為系統(tǒng)上、下游壓力，分別采集平流泵正常工作和出現(xiàn)三種故障時(shí)的信號，每種狀態(tài)下采集20組數(shù)據(jù)，每組2000個(gè)數(shù)據(jù)點(diǎn)。本文對四種工作狀態(tài)的信號分別進(jìn)行3層小波包分解，得到8個(gè)不同頻帶內(nèi)的信號。能量特征向量的柱狀圖如圖2所示。 圖2 四種工作狀態(tài)的特征向量柱狀圖 5.1 BP神經(jīng)網(wǎng)絡(luò)的故障診斷首先，對 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行設(shè)計(jì)。1. 網(wǎng)絡(luò)結(jié)構(gòu)方面BP神經(jīng)網(wǎng)絡(luò)采用三層網(wǎng)絡(luò)結(jié)構(gòu)

19、，網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)取決于特征向量的維數(shù)，即；輸出層節(jié)點(diǎn)數(shù)由工作狀態(tài)數(shù)決定，即，四種工作狀態(tài)的目標(biāo)分別為正常工作（1 0 0 0）、存在氣泡（0 1 0 0）、出口堵塞（0 0 1 0）、流程泄漏（0 0 0 1）。隱含層節(jié)點(diǎn)數(shù)可參考下面的公式：（1），其中，a為1,10之間的常數(shù)；推薦精選（2）；（3）；以上公式中，為輸出神經(jīng)元數(shù)，為輸入單元數(shù)，為隱含層單元數(shù)9。2. 網(wǎng)絡(luò)參數(shù)方面本文選取40組樣本，其中系統(tǒng)正常工作、存在氣泡、出口堵塞、流程泄漏分別取10組。網(wǎng)絡(luò)的輸入層神經(jīng)元的傳遞函數(shù)選用tansig，隱含層神經(jīng)元的傳遞函數(shù)選用logsig，輸出層神經(jīng)元的傳遞函數(shù)選用purelin，網(wǎng)絡(luò)采

20、用LM算法進(jìn)行訓(xùn)練, 學(xué)習(xí)速率為0.1，誤差要求是=0.0001?；贛ATLAB仿真平臺(tái)，對隱含層神經(jīng)元個(gè)數(shù)814分別進(jìn)行10次仿真實(shí)驗(yàn)，并對這十次仿真的收斂次數(shù)取平均，得到不同的訓(xùn)練次數(shù)如表2所示。表中，平均收斂步數(shù)一行括號內(nèi)為訓(xùn)練失敗的次數(shù)。表2 不同隱含層節(jié)點(diǎn)數(shù)的BP網(wǎng)絡(luò)十次訓(xùn)練的平均收斂次數(shù)及平均運(yùn)行時(shí)間隱含層節(jié)點(diǎn)數(shù)891011121314平均運(yùn)行時(shí)間(s)1.9972031.8763871.7071731.5977651.6608731.7386971.817702平均收斂步數(shù)57（0）49（1）42（0）37（0）39（1）43（0）48（0）由表2可知，當(dāng)隱含層的節(jié)點(diǎn)數(shù)為11時(shí)

21、，網(wǎng)絡(luò)收斂所需的訓(xùn)練次數(shù)較少，運(yùn)行所用的時(shí)間也較少，并且，十次訓(xùn)練中沒有訓(xùn)練失敗的情況發(fā)生。因此，BP網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)取為11個(gè)。至此，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定為“8-11-4”，將上述11個(gè)隱含層節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)十次訓(xùn)練后得到的權(quán)值和閾值取平均，作為“8-11-4”神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值。為了不失一般性，用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行十次故障診斷。收斂所用的時(shí)間、收斂步數(shù)以及網(wǎng)絡(luò)誤差列于表3，表中“”表示訓(xùn)練失敗。其中，經(jīng)過35步收斂，收斂所用時(shí)間為1.539s，網(wǎng)絡(luò)誤差為0.334的網(wǎng)絡(luò)訓(xùn)練過程如圖3所示。表3 BP算法十次故障診斷結(jié)果次數(shù)12345678910運(yùn)行時(shí)間(s)1.5761.6031.53

22、91.6291.6171.5941.5891.6021.579收斂步數(shù)384235464239404537網(wǎng)絡(luò)誤差0.3490.4780.3340.5110.3960.3740.5270.4530.549推薦精選圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程圖5.2 GA+BP算法的故障診斷根據(jù)5.1節(jié)列出的確定隱含層節(jié)點(diǎn)數(shù)的參考公式，初步設(shè)定隱含層神經(jīng)元個(gè)數(shù)為25。因此，初始狀態(tài)下的BP神經(jīng)網(wǎng)絡(luò)，即8-25-4結(jié)構(gòu)。由3.1節(jié)的編碼方式隨機(jī)產(chǎn)生80個(gè)個(gè)體初始群體，每個(gè)個(gè)體的編碼長度為。其中，前面的是25個(gè)是連接基因，采用二進(jìn)制編碼方式，“1”表示該神經(jīng)元存在，“0”表示不存在；后面的 個(gè)是參數(shù)基因，采用實(shí)數(shù)編碼

23、方式。參數(shù)基因中，前個(gè)是權(quán)閾基因，初始化為（-1，1）的實(shí)數(shù)，最后的一個(gè)是速率基因，初始化為（0，1）的實(shí)數(shù)。一般的，學(xué)習(xí)速率的取值范圍是0.010.8，因此，解碼時(shí)需要對優(yōu)化得到的學(xué)習(xí)速率加以界定處理：若學(xué)習(xí)速率小于0.01，則取為0.01；若大于0.8，則取為0.8，因此，得到的學(xué)習(xí)速率為（0.01，0.8）的實(shí)數(shù)。遺傳最大進(jìn)化代數(shù)取為100代，適應(yīng)度函數(shù)及遺傳算子等的設(shè)計(jì)如3.2和3.3節(jié)。另外，BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)等參數(shù)與5.1節(jié)相同。表4 GA+BP算法十次訓(xùn)練結(jié)果根據(jù)第4節(jié)中GA+BP算法步驟，對40組樣本進(jìn)行仿真實(shí)驗(yàn)。為了不失一般性，本文用GA+BP算法也進(jìn)行

24、了十次實(shí)驗(yàn)。GA+BP算法十次訓(xùn)練結(jié)果如表4所示，表中列出了十次實(shí)驗(yàn)得到的隱含層節(jié)點(diǎn)數(shù)、學(xué)習(xí)速率、網(wǎng)絡(luò)誤差以及訓(xùn)練的平均收斂步數(shù)和運(yùn)行時(shí)間，其中，平均收斂步數(shù)一行括號內(nèi)為訓(xùn)練失敗的次數(shù)。隱含層節(jié)點(diǎn)數(shù)1013111213141191310學(xué)習(xí)速率0.2630.1820.4270.3910.6770.1580.7020.2940.4570.645運(yùn)行時(shí)間(s)1.2361.2451.1571.2491.2211.2131.2141.1591.2281.212收斂步數(shù)18（0）20（0）9（0）21（0）16（0）12（0）13（0）10（0）15（0）13（0）網(wǎng)絡(luò)0.1170.1280.1440

25、.1510.1290.1500.1430.1090.1570.126推薦精選誤差隱含層節(jié)點(diǎn)數(shù)為13，收斂步數(shù)為20，學(xué)習(xí)速率為0.182，網(wǎng)絡(luò)誤差為0.128的GA+BP算法的訓(xùn)練過程如圖4所示，遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)的尋優(yōu)過程如圖5所示。圖4 GA+BP算法的訓(xùn)練過程圖圖5 遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)尋優(yōu)過程圖由以上的故障診斷的仿真實(shí)驗(yàn)知，無論是用BP算法還是用GA+BP算法，都達(dá)到了故障診斷的目的。但將二者對比分析可知，GA+BP算法又有許多優(yōu)點(diǎn)。BP算法中難以確定隱含層節(jié)點(diǎn)數(shù)，即使有參考公式，也只能對隱含層節(jié)點(diǎn)數(shù)進(jìn)行粗略估計(jì)。要想更準(zhǔn)確的確定隱含層節(jié)點(diǎn)數(shù)，還需要逐一訓(xùn)

26、練，另外，為了減少人為給定學(xué)習(xí)速率造成的誤差，同樣需要對一定范圍內(nèi)的學(xué)習(xí)速率逐一訓(xùn)練，這無疑有著很大的工作量。對比表3與表4、圖3與圖4，我們可以看到，GA+BP算法的運(yùn)算速度要高于BP算法，在所有訓(xùn)練成功的診斷中，GA+BP算法的網(wǎng)絡(luò)誤差明顯小于BP神經(jīng)網(wǎng)絡(luò)，這也就是說GA+BP算法的故障診斷準(zhǔn)確率高于BP算法。在相同的精度要求情況下，GA+BP算法收斂所需要的步數(shù)要比BP算法少，并且，GA+BP算法收斂時(shí)的訓(xùn)練精度已接近。另外，由于BP算法本身的局限性，容易陷入局部極小而導(dǎo)致訓(xùn)練失敗，而GA+BP算法則克服了這一點(diǎn)。由此可見，GA+BP算法較之傳統(tǒng)的BP算法用于平流泵的故障診斷具有明顯的可

27、行性和可靠性。推薦精選6 結(jié)論為了克服BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)和初始參數(shù)對網(wǎng)絡(luò)性能的影響，本文研究設(shè)計(jì)了GA+BP算法，它首先把經(jīng)小波包分解的信號能量特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)、初始權(quán)值、閾值和網(wǎng)絡(luò)的學(xué)習(xí)速率進(jìn)行前期優(yōu)化訓(xùn)練，這樣不僅得到了最佳的網(wǎng)絡(luò)結(jié)構(gòu)，而且獲得了此結(jié)構(gòu)所對應(yīng)的最優(yōu)的權(quán)值、閾值以及學(xué)習(xí)速率，然后再用LM算法進(jìn)行二次訓(xùn)練，最后將優(yōu)化得到的網(wǎng)絡(luò)用于故障診斷。仿真結(jié)果表明，該方法能夠有效地提高網(wǎng)絡(luò)的訓(xùn)練性能和運(yùn)算速度，并實(shí)現(xiàn)了遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢互補(bǔ)。用訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)對CDLY2006智能型長期導(dǎo)流能力測量儀中的平流泵進(jìn)行驗(yàn)證

28、，證實(shí)了該算法的可行性和有效性。參考文獻(xiàn)1 LU Xin-lai, LIU Hu, WANG Gang-lin, WU Zhe. Helicopter sizing based on genetic algorithm optimized neural network J. Chinese Journal of Aeronautics, 2006, 19 (3): 212-218.2 Barmada.S. Analysis of transmission lines with frequency-dependent parameters by wavelet-FFT method J.IEEE Transactions on Magnetics, 2003, 3 9(3):1602-1605.3 Turkheimer, F.E.A linear wavelet filter for parametric imaging with dynamic PET J.IEEE Transactions on Medical Imaging, 2003, 22(3):289-301.4 Zhang Q H, Benveniste A. Wavelet networks J.IEEE Transactions on Neural Networks, 1992, 3(6): 889-8