基于粒子群神经网络线控转向故障诊断的研究*

付秀伟，孔 峰，付 莉

(1.桂林电子科技大学 计算机与控制学院，广西桂林541004;2.广西工学院 电控系 ，广西 柳州545006)

0 引言

汽车线控转向是通过微电子技术连接并控制转向系统的元件来代替传统的机械连接，用传感器记录驾驶者的转向数据和车辆转角、车速、转向阻力等数据并传送给车载控制器，车载控制器按照给定的控制算法计算输出控制信号，控制车辆的转向角度实现汽车转向控制［1］。但因传感器的稳定性和数据传输的误差性，不可避免地要出现故障，对其引入故障诊断，提高汽车转向系统的可靠性和稳定性。运用故障诊断机制直接进行故障定位，故障隔离，并指导用户及时排除故障，减少事故的发生，对汽车转向系统具有重要意义。

神经网络具有自学习、自组织、自适应等特性，并具有极强的容错性、鲁棒性和联想存储功能［2］。但神经网络算法存在收敛速度慢、易陷入局部极小值等问题，本文通过改进的粒子群优化算法来训练神经网络，并根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应粒子群优化神经网络算法，有效改善神经网络的训练效率，加快了收敛速度，提高故障模式识别的准确率。

1 汽车线控转向系统故障诊断模型的建立

1.1 输入模式的确定

本文主要是通过检测传感器的信号，控制器输出控制信号x5和指示灯x6判断汽车转向故障，传感器的信号主要来自力矩传感器x1，转向角传感器x2，车速传感器x3和位移传感器x4，选取以上5种信号作为汽车故障的特征信号。

1.2 输出模式的确定

本文中，网络输出采用以下5种故障模式表示:力矩过大y1，转角不变几乎为零y2，速度超过规定值y3，位移超过量程范围y4，控制器干扰信号多y5。据此建立神经网络，它具有5个输入神经元，5个输出神经元，隐含神经元数为6个。其训练样本如表1所示。

表1 网络训练样本Tab 1 Samples of network training

2 改进粒子群优化算法

2.1 全局粒子群优化算法

全局粒子群优化算法是同时跟踪自己的历史最优值与全局最优值来改变自己的位置和速度［3］。设种群规模为m，第i个粒子在d维空间的位置表示为xi=(xi1，xi2，…，xid)，速度表示为vi=(vi1，vi2，…，vid)，i=1，2，…，m。计算每个粒子的适应度，适应度函数一般由被优化的函数决定。根据每一个粒子的适应度，更新每个粒子的个体最优值位置pb和全局最优值位置gb，粒子通过动态跟踪pb和gb来更新其速度和位置。粒子根据以下公式来更新其速度和位置

式中 i=1，2，…，m 表示第 i个粒子;j=1，2，…，d，表示第 j维空间;c1和c2为学习因子，t为迭代次数，rand()为均匀分布在(0～1)之间的随机数，w为惯性权重。

2.2 局部粒子群优化算法

局部粒子群算法［4］是在上面全局粒子群算法基础上，多速度更新中用lb代替gb，其余保持不变。经过实践证明:全局粒子群箅法收敛速度快，但容易陷入局部最优;局部粒子群算法收敛速度慢，但可以有效避免陷入局部最优，粒子的速度和位置根据如下公式进行更新

式中 c1，c2，c3为学习因子。

3 基于改进自适应粒子群算法的神经网络

3.1 粒子速度与位置更新策略的改进

将全局粒子群算法和局部粒子群算法上的融合来实现对全局粒子群优化算法进行了改进，在迭代过程中计算每一个粒子与群中其他粒子的距离，记录任何2个粒子间的最大距离为dmax。dab是当前粒子a到粒子b的距离，如果粒子b满足dab/dmax＜η时，认为b属于当前粒子的邻域 ;如果粒子b满足dab/dmax＜η时，认为b不属于当前粒子的邻域。阈值系数η的选择根据迭代次数而变化［4］，η的表示如下

式中 t为当前迭代次数，tmax为最大迭代次数。

当η＞0.9时，采用全局粒子群算法来更新粒子的速度和位置。当η＜0.9时，采用局部粒子群算法来更新粒子的速度和位置。

3.2 对惯性权值的改进

当群体的最优适应值长时间未发生变化(停滞)时，应根据群体早熟收敛程度自适应地调整惯性权重。本文引用文献［5］的指标来评价粒子群早熟收敛程度。设粒子群的规模数为Q，如果favg为所有粒子当前适应度值的平均值，则

其中，fi为粒子在当前迭代次数时的适应值。设最优粒子的适应值为fg，并将适应值优于favg的适应值求平均得到f'avg，定义Δ=|fg－f'avg|，Δ可用来评价粒子群的早熟收敛程度，Δ越小，说明粒子群越趋于早熟收敛。

本文引用文献［6］来计算惯性权重，适应值为fi的粒子，其惯性权重w的具体调整方法如下:

1)fi＞f'avg时，粒子已经比较接近全局最优，所以，应被赋予较小的惯性权重，以加速向全局最优收敛。本文根据粒子适应值，按下式调整粒子的惯性权重

其中，wmax为搜索开始时最大的权重。粒子适应值越接近平均值，其惯性权重相应越小，局部寻优越好。

2)f'avg＞fi＞favg时，粒子具有良好的全局寻优能力和局部寻优能力。开始搜索时w能较长时间保持较大值以提高搜索效率，在搜索后期 w又能较长时间保持较小值以提高搜索精度，其w的修正公式

式中 wmax为搜索开始时最大的权重;wmin为搜索结束时最小的权重;t为迭代所进行的步数;tmax为允许最大迭代次数。

3)fi＜favg时，满足此条件的粒子是群体中较差的粒子，其惯性权重的调整引用文献［5］中调整控制参数的方法

其中，k1主要用来控制w的上限，k1选取大于1的常数，本文取k1=1.5;k2主要起调节作用，若k2过大，在早期停滞时，w会迅速变得很小，这虽然会加快收敛，却使算法在早期全局寻优中能力不足，若k2过小，则式(9)的调节能力不是很明显，尤其是在后期算法不能有效地跳出局部最优，本文取k2=0.3。w随着Δ的增大而减小，因此，Δ较大时，加强局部寻优，以使群体趋于收敛;Δ较小，使粒子具有较强的探查能力，从而有效地跳出局部最优。

4 自适应粒子群训练神经网络

自适应粒子群优化算法训练神经网络的基本流程如下:

1)根据神经网络的输入、输出样本集，建立神经网络的拓扑结构，将神经元之间所有的连接权值和阈值编码成实数向量表示种群中的个体粒子。

2)初始化粒子的初始位置、速度、惯性权重w，加速因子c1，c2，规定最大迭代次数等。

3)根据输入、输出样本，粒子群算法计算出每个粒子适应度函数值，并将每个粒子的最好位置作为其历史最佳位置，并记录当前位置，开始迭代。

4)如果当前粒子与前一个粒子的距离η＞0.9时，采用全局粒子群算法，反之，用局部粒子群算法。

5)如果粒子适应度优于个体极值pi，将pi设置为新位置。若粒子适应度优于全局极值pg，将pg设置为新位置。

6)利用全局粒子群优化算法的式(1)，式(2)，式(3)更新粒子的速度和位置。

7)检查粒子速度和位置是否越界，如越界，排除越界并重新更新粒子速度和位置。

8)重新计算粒子的适应度值，并根据适应度自动改变惯性权重，搜索出粒子最佳位置。

9)检根据粒子适应值不同采取相应的自适应策略，分别按照式(4)～式(6)调整惯性权重w，转向(3)。

10)若满足停止条件，则搜索停止，输出全局最优位置。

5 诊断结果与分析

对于6种故障，每种设定故障下采集70组数据，共420组数据。利用改进后的自适应粒子群优化算法的神经网络对训练样本数据进行学习，得到网络的权重矩阵，权重矩阵表达了网络输入输出间的非线性关系，即故障诊断的知识。

图1为采用普通粒子群优化算法的神经网络(PSO—NN)与改进型自适应粒子群神经网络(MAPSO—NN)进行训练时最优误差P随迭代次数T的变化曲线。

由图1可知，ACPSONN收敛速度快，且误差精度高。对500组检验样本分别取不同故障下的典型样本进行测试.并将MAPSO—NN的诊断结果与BPNN，遗传—神经网络(GA—NN)和PSO—神经网络(PS0—NN)的诊断结果进行比较，诊断结果如表2和表3所示。

图1 最优误差曲线Fig 1 The optimal error curve

表2 MAPSO—NN的故障诊断结果Tab 2 Fault diagnosis results of MAPSO—NN

表3 诊断结果的比较Tab 3 Comparison of diagnosis results

由结果可以看出，改进后的自适应粒子群算法训练神经网络的方法比其他训练算法性能更好，用此算法进行汽车线控转向故障诊断的精度要高于其他算法，所以，将其应用于汽车线控转向故障诊断是可行的。

6 结束语

本文使用改进后的自适应粒子群优化算法优化神经网络并将其应用于汽车线控转向故障诊断中，有效的克服了收敛速度慢、易陷入局部极小值等问题。实验结果表明:该方法比普通粒子群优化算法、遗传算法训练神经网络能有效地提高神经网络的训练效率，加快网络的收敛速度，而且，网络的故障识别精度更高，能有效地对汽车转向故障进行诊断。

［1］胡静波.转载机容错线控转向系统研究［D］.长春:吉林大学，2008.

［2］周志华，曹存根.神经网络及其应用［M］.北京:清华大学出版社，2004.

［3］Rumelhart D E，McClelland J L.Parallel distributed processing:Explorations in the microstructure of cognition.［M］.Cambridge:MIT Press，1986.

［4］Suganthan P.Particle swarm optimizer with neighborhood operator［C］∥Proceeding of Congress on Evolutionary Computation.Piscataway，1999:1958－1964.

［5］王建国，阳建宏.改进粒子群优化神经网络及其在产品质量建模中的应用［J］.北京科技大学学报，2008，30(10):1189－1195.

［6］吴浩扬，朱长纯，常炳国，等.基于种群过早收敛程度定量分析的改进自适应遗传算法［J］.西安交通大学学报，1999，33(11):27－30.

［7］Isermann R，Schwarz R，Stolzl S.Fault-tolerance for drive-by-wire systems［J］.IEEE Control Systems Magazine，2002，22(5):64－81.