基于混合智能系统的设备故障诊断研究

孙妍姑

（淮南师范学院计算机与信息工程系，安徽淮南 232038）

基于混合智能系统的设备故障诊断研究

孙妍姑

（淮南师范学院计算机与信息工程系，安徽淮南 232038）

为研究和改进人工智能技术在设备故障诊断中的缺点和不足，提高故障诊断的准确率，构建了一种混合智能诊断系统。首先利用小波包分析技术对设备故障进行特征提取和分析；接着对数据进行离散化处理，应用粗糙集对获得的故障特征向量进行约简，删除冗余信息；然后利用免疫遗传算法的全局优化能力去训练BP神经网络的权值，建立免疫遗传-BP神经网络模型；最后把经粗糙集约简后的故障特征向量输入该模型，完成故障识别和智能诊断。通过旋转机械的转子系统的仿真实验，表明基于小波包-混合智能的故障诊断取得了良好的诊断效果。

设备故障诊断；混合智能系统；小波包分解；粗糙集；免疫遗传算法；BP神经网络

前言

设备故障诊断是指对设备的运行状态和异常情况做出判断，包括故障发生前的预测、预报，故障发生后的分析和决策。设备故障诊断包括4个环节：信号采集、特征提取、模式识别和诊断决策。信号采集指采集机械设备某个部位的振动信号；特征提取是处理振动信号、分析信号的时域和频域特性，从而提取出能够反映故障特征的重要参数；模式识别指分类识别特征参数，诊断故障的类型；诊断决策是判断故障原因，提出解决方案。①Jardine A K S，Lin D，Banjevic D.,A review on machinery diagnostics and prognostics implementing condition-based maintenance,Mechanical Systems and Signal Processing,2006,20,pp.1483-1510.4个环节中特征提取和分析是故障诊断的关键，模式识别是故障诊断的核心（图1）。

图1 混合智能故障诊断技术流程图

研究者将专家系统、神经网络、遗传算法、粗糙集理论等人工智能技术应用于设备故障诊断中，已取得了很多研究和应用成果。同时，研究者也发现这些技术各有其优点和不足。如：遗传算法能够求解复杂的全局最优问题，但求解大规模多变量任务时性能较差；粗糙集理论具有较强的知识表达约简能力，但存在不能处理变态数据问题；人工神经网络具有较强的分类能力，可以有效地对复杂的故障状态进行识别，但知识无法直观表示。

针对人工智能研究中遇到的这些问题，研究者主要从两个方面加以解决，一是对人工智能技术本身进行改进，二是将几种性能互补的智能技术进行适当的组合，彼此之间取长补短，优势互补，更有利于问题的解决。这种将多种智能技术结合起来进行研究的技术就是混合智能系统，它是目前人工智能领域中一个重要的研究方向。前面的实践已经证明，混合智能系统可以弥补单一人工智能技术的缺陷，获得更优的性能。将混合智能技术应用到设备故障诊断，能够有效解决应用单一的人工智能技术时面临的问题，提高诊断系统的敏感性、精确性、鲁棒性，降低误诊率。

基于以上分析，本文对旋转机械的转子系统的典型故障诊断进行了研究。主要利用小波包分析技术对设备故障进行特征提取，应用粗糙集-免疫遗传-BP神经网络系统进行故障识别。

1 设备故障的特征提取

1.1 小波包理论

为由母小波ψ（t）生成的离散小波。对原始信号进行的小波包变换，包含低通滤波与高通滤波两部分。

小波包分解公式为：

其中d为原始信号，ak，bk为共轭滤波系数，分解j层可以得到2j个等宽的频带。

小波包重构公式为：

通过对小波包分解系数重构，提取各频带范围的信号。各频带内的能量值构成一个向量，不同的故障对应不同的向量值，从而可以提取出故障信息，为后面的模式识别打下良好基础。①JWu Jian-Da,Liu Chiu-Hong.,An expert system for fault diagnosis in internal combustion engines using wavelet packet transform and neural network,ExPert Systems with Applieations,2008,36(3),pp.4278-4286.

1.2 基于小波包分析的转子系统故障特征提取

旋转机械的主要故障形式有不平衡、不对中、碰摩和油膜振动。本文用转子试验台模拟旋转机械的不平衡、碰摩及正常状态。

转子实验系统的一阶临界转速约为4500r/ min，转子转速约为2700r/min时记录涡流传感器信号，采样频率为853Hz。对于采集到的转子系统各种状态信号的原始数据，先进行三层小波包分解，如图2所示，再对第三层8个频段进行分析，得到各种状态信号分解成的8个频段的能量距比例直方图，如图3所示。

图2 转子系统实验数据的小波包分解

图3 各种信号的8频段能量距直方图

从图3中可以看出，转子系统在不同的运行状态下，各频段能量分布发生了明显的变换，表明以小波包分解提取信号的能量分布信息作为故障特征向量能较好地表示转子系统的运行状态。

2 基于混合智能系统的模式识别

由于设备故障产生的原因和机理的复杂性，以及实际运行时各种因素的影响，故障与征兆之间很难用精确的数学模型来描述，这给故障诊断带来了很大的难度。本文将粗糙集理论、免疫遗传算法、BP神经网络相结合，构建一个混合智能系统。

2.1 粗糙集在故障诊断中的作用

粗糙集理论（rough sets theory）是波兰数学家Z.Pawlark在1982年提出的一种新的数学工具。主要用于处理不精确、不确定和不完全数据，在保持分类能力不变的情况下，通过属性的约简，得出概念的分类规则。粗糙集理论的相关概念参见文献①PAWLAK Z.,Rough sets,International Journal of Computer and Information Science,1982,11(5),pp. 341-356.。

本文利用粗糙集理论对前面得到的故障特征进行约简，去除冗余故障特征，减少模式识别的计算量，从而得到一个较简的故障诊断模式。

由于粗糙集理论无法直接处理连续数据，所以首先要对数据进行离散化处理。之前进行小波包分解时，在采样频率已确定的前提下每一层小波分解所代表的频率范围是确定的，可根据各分解层上重构的频段能量大小的比例来确定频段成分的大小。将各个频段能量大小进行归一化，分别计算各个频段能量属性的重要度。对于相对重要度为0的属性，通过计算如果能够证明删除该属性不影响其分类能力，则该属性可以约简。

2.2 免疫遗传-BP神经网络子系统

2.2.1 免疫遗传算法

免疫遗传算法是一种改进的遗传算法，它在遗传算法的基础上融合了生物免疫系统的机制，既保留了遗传算法随机全局并行搜索的特性，又在很大程度上避免了未成熟收敛，从而确保算法快速收敛于全局最优解。②WANG D W,FUNG R Y K,IP W H.,An immune-genetic algorithm for introduction planning of new products,Computers and Industrial Engineering,2009,56(3),pp.902-917.

假设免疫系统由N个抗体组成，每个抗体基因长度为M，采用符号集大小为S（对于二进制编码，S=2）。为了有效地保持和扩大进化个体的多样性，必须要评估个体间的差异。个体间的差异性由shannon的平均信息熵H(N)表示：

式中pij为第i个符号(i=1~S)出现在基因座j上的概率。

相似度Aij是两个抗体i和j之间相似的程度：

其中，H（2）为抗体i和j的平均信息熵。

将两个抗体之间相似度的概念扩展至整个群体，称为群体相似度A（N）：

抗体浓度是指抗体在群体中与其相似抗体所占的比重：

其中λ为相似度常数，取值0.9＜λ＜1。

2.2.2 免疫遗传-BP神经网络

由于BP神经网络具有极强的自学习、非线性识别能力，其决策边界较复杂，可以近似任何连续函数，特别适合故障诊断这类非线性问题。BP神经网络的相关概念参见文献③WU J D,LIU C H.,Investigation of engine fault diagnosis using discrete wavelet transform and neural network,Expert Systems with Applications,2008,35(3),pp.1200-1213;PIRMORADI F N,SASSANI F,SILVA C D.,Fault detection and diagnosis in a spacecraft attitude determination system,Acta Astronautica, 2009,65(5),pp.710-729.。

但同时BP神经网络也有着固有的缺陷，如：BP神经网络采用BP算法训练神经网络，该算法实际上是单点搜索算法，不具有全局搜索能力；BP神经网络结构、初始连接权值和阀值的选择对网络训练的影响巨大，如果初始权值设定不好，容易陷入局部极小，但又无法准确获得这些参数。

针对这些问题，本混合智能系统应用免疫遗传算法来训练BP神经网络的结构和参数。BP算法在迭代初期速度较快，而到迭代后期出现振荡现象，使训练速度变慢且易陷入局部极小。因此在迭代前期采用了BP算法，迭代后期则采用免疫遗传优化权值，放大误差信号，从而避免了BP算法迭代后期的振荡现象。这两种方法的转折点采用4次函数值比较，如图4所示。

图4 4次函数值比较示意图

迭代开始时采用BP算法，如果本次迭代的目标函数值f(2)小于前次迭代的f(1)，则开关量k=0，程序继续使用BP算法；否则用BP算法再迭代2次得到f(3)和f(4)，如果f(3)＜f(4)，则k≠0，程序使用免疫遗传算法技术，否则继续使用BP算法。采用4次函数值比较法可以较准确地判断BP算法运行中出现的振动现象，此时再采用免疫遗传算法进行优化可以加快训练速度，获得较高精度的目标函数值。

2.3 仿真结果分析

将转子系统不平衡故障、碰摩故障及正常状态下的特征向量样本作为训练样本，对免疫遗传-BP神经网络混合智能系统模型进行训练。网络训练完成后，选取转子系统正常状态、转子系统故障状态下的特征向量作为测试样本（每种分别选取50个测试样本），分别输入训练好的BP神经网络和免疫遗传-BP神经网络中进行故障诊断，其结果见表1和表2。

表1 应用BP神经网络进行故障诊断的结果

表2 应用免疫遗传-BP神经网络进行故障诊断的结果

对表1和表2分析得出：对于每一种故障特征，基本上都可以识别出故障类型，其中应用BP神经网络的故障识别率为73.1%，应用混合智能系统的故障识别率为92.6%。从而可以看出混合智能故障诊断比BP神经网络的诊断识别率要高。

3 结语

本文将采集的旋转机械的转子系统的故障信号进行小波包故障特征提取，然后应用粗糙集-免疫遗传-BP神经网络混合智能系统进行故障识别。故障识别过程为：首先应用粗糙集对故障特征向量进行约简，删除冗余信息；接着利用免疫遗传算法的全局优化能力去训练BP神经网络的权值，优化模型的结构和参数，建立免疫遗传-BP神经网络模型；最后把经粗糙集约简后的故障特征向量输入免疫遗传-BP神经网络模型，完成故障识别和智能诊断。实验结果表明利用该方法进行旋转机械转子系统故障诊断是可行的、有效的。

Research on equipment fault diagnosis based on hybrid intelligent systems

SUN Yangu

To improve shortcomings and the insufficiency in the research of artificial intelligence technology in equipment fault diagnosis,and to enhance the accuracy in fault diagnosis,a hybrid intelligent diagnosis system is constructed.First,wavelet packet analysis technique is used for feature extraction and analysis of equipment failure.Second,the data is dispersing processed,application of rough set to obtain fault characteristic vectors reduction,delete redundant information.Third,global optimization ability of immune genetic algorithm is then used to train the weights of BP neural network,immune genetic-BP neural network model is set up.Finally,after the input of the fault feature vectors by rough set reduction,the fault recognition and intelligent diagnostics is completed.Through the simulation experiment of rotating machinery rotor system,suggests hybrid intelligent fault diagnosis based on wavelet packet has obtained the good diagnosis effect.

equipment fault diagnosis;hybrid intelligent systems;wavelet packet decomposition;rough set;immune genetic algorithm;BP neural network

TP183

A

1009-9530（2014）05-0080-04

2014-03-26

安徽高校省级自然科学研究项目（KJ2013Z304）

孙妍姑（1978-），女，淮南师范学院计算机与信息工程系讲师，工学硕士。