人工神经网络的混合算法在发动机故障诊断中的应用
2014-11-28徐鹏李永强
徐鹏+李永强
摘要：提出一种基于混合神经网络的发动机振动故障诊断方法，即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。通过BP算法和混合算法对相同算例网络权值和阈值的计算，验证所提出的混合算法的有效性和实用性。
关键词：混合算法；梯度优化法；神经网络
中图分类号：TP18 文献标识码：A 文章编号：1674-1161（2014）04-0025-02
人工神经网络技术的应用，为发动机故障诊断和状态监控提供了一个非常有效的工具。神经网络系统具有容错、联想、推测、记忆、自学习、自适应、多模式处理等功能，利用神经网络算法进行发动机振动故障诊断，不但能使发动机故障诊断系统应用于多种不同状态下的故障模式诊断，而且其噪声抑制力强、诊断准确。然而，在实际应用中常存在收敛速度慢、出现振荡等问题，网络训练经常出现瘫痪现象。在网络算法的改进方面，已有许多人做了研究。现提出人工神经网络权值和阈值的混合算法，并应用到发动机的故障诊断中。
1 人工神经网络理论
BP算法是一种有导师的训练算法，它在给定输出目标的情况下，通过调节权值和阈值使总体平均误差达到最小值。BP算法每步的搜索方向是沿负梯度方向并以固定步长迭代，实际上并没有搜索到该梯度方向上的最小点，所以该算法实质上并不等价于优化方法中的梯度法。BP法搜索原理图如图1所示，图中虚线和实心点表示每次迭代时梯度法应达到的位置，实线和箭头表示BP算法每步到达的位置。由图1可知，对构成的目标函数采用梯度法优化将会比BP算法好得多。
2 人工神经网络混合算法原理
通过上述2种方法的原理分析可知，BP算法沿负梯度方向以定步长迭代，迭代初期速度较快，但接近目标点时往往经多次迭代，总体平均误差下降得很小，即出现振荡现象；梯度优化法采用最优步长迭代，迭代时避免出现振荡现象并且可获得较高目标函数精度及较少的迭代次数，但每次迭代都要进行步长优化计算，造成整体训练时间较长。为了获得较快的训练速度，综合两种方法的优点（即迭代前期采用BP算法，迭代后期采用梯度优化法）可以避免BP算法迭代后期的振荡现象，加快梯度优化法的迭代速度。这2种方法的转折点可以采取4次函数值比较法，如图2所示。
3 混合算法在发动机故障诊断中的仿真分析
4 结论
1） 将BP算法和梯度优化法相结合的混合算法应用到多层人工神经网络权值和阈值的计算，实现了网络权值和阈值的快速运算。
2） 发动机的实例计算分析表明：BP算法计算网络参数很不理想（迭代次数较多）；梯度优化法对BP算法实现了改进，但迭代时间较长；混合算法能快速收敛到目标函数极小值并获得准确的神经网络权值和阈值。
参考文献
[1] 李秋玲，贾敏智.基于改进ABC算法优化SVM的汽车发动机故障诊断[J].制造业自动化，2014（5）：57-60.
[2] 周亨，彭涛，邓维敏.基于差分进化算法优化的RBF神经网络的发动机故障诊断研究[J].农业装备与车辆工程，2014（2）：22-26.
[3] 崔华林.机械优化设计方法与应用[M].沈阳：东工出版社，1989.
Abstract： This paper presents a kind of engine vibration fault diagnosis method based on hybrid neural network， namely the early iteration using BP algorithm iterative later using a gradient optimization method. The calculation o network weights and threshold value byBP algorithm and hybrid algorithm shows that the proposed hybrid algorithm is effective and practical.
Key words： hybrid algorithm； gradient optimization； neural network
摘要：提出一种基于混合神经网络的发动机振动故障诊断方法，即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。通过BP算法和混合算法对相同算例网络权值和阈值的计算，验证所提出的混合算法的有效性和实用性。
关键词：混合算法；梯度优化法；神经网络
中图分类号：TP18 文献标识码：A 文章编号：1674-1161（2014）04-0025-02
人工神经网络技术的应用，为发动机故障诊断和状态监控提供了一个非常有效的工具。神经网络系统具有容错、联想、推测、记忆、自学习、自适应、多模式处理等功能，利用神经网络算法进行发动机振动故障诊断，不但能使发动机故障诊断系统应用于多种不同状态下的故障模式诊断，而且其噪声抑制力强、诊断准确。然而，在实际应用中常存在收敛速度慢、出现振荡等问题，网络训练经常出现瘫痪现象。在网络算法的改进方面，已有许多人做了研究。现提出人工神经网络权值和阈值的混合算法，并应用到发动机的故障诊断中。
1 人工神经网络理论
BP算法是一种有导师的训练算法，它在给定输出目标的情况下，通过调节权值和阈值使总体平均误差达到最小值。BP算法每步的搜索方向是沿负梯度方向并以固定步长迭代，实际上并没有搜索到该梯度方向上的最小点，所以该算法实质上并不等价于优化方法中的梯度法。BP法搜索原理图如图1所示，图中虚线和实心点表示每次迭代时梯度法应达到的位置，实线和箭头表示BP算法每步到达的位置。由图1可知，对构成的目标函数采用梯度法优化将会比BP算法好得多。
2 人工神经网络混合算法原理
通过上述2种方法的原理分析可知，BP算法沿负梯度方向以定步长迭代，迭代初期速度较快，但接近目标点时往往经多次迭代，总体平均误差下降得很小，即出现振荡现象；梯度优化法采用最优步长迭代，迭代时避免出现振荡现象并且可获得较高目标函数精度及较少的迭代次数，但每次迭代都要进行步长优化计算，造成整体训练时间较长。为了获得较快的训练速度，综合两种方法的优点（即迭代前期采用BP算法，迭代后期采用梯度优化法）可以避免BP算法迭代后期的振荡现象，加快梯度优化法的迭代速度。这2种方法的转折点可以采取4次函数值比较法，如图2所示。
3 混合算法在发动机故障诊断中的仿真分析
4 结论
1） 将BP算法和梯度优化法相结合的混合算法应用到多层人工神经网络权值和阈值的计算，实现了网络权值和阈值的快速运算。
2） 发动机的实例计算分析表明：BP算法计算网络参数很不理想（迭代次数较多）；梯度优化法对BP算法实现了改进，但迭代时间较长；混合算法能快速收敛到目标函数极小值并获得准确的神经网络权值和阈值。
参考文献
[1] 李秋玲，贾敏智.基于改进ABC算法优化SVM的汽车发动机故障诊断[J].制造业自动化，2014（5）：57-60.
[2] 周亨，彭涛，邓维敏.基于差分进化算法优化的RBF神经网络的发动机故障诊断研究[J].农业装备与车辆工程，2014（2）：22-26.
[3] 崔华林.机械优化设计方法与应用[M].沈阳：东工出版社，1989.
Abstract： This paper presents a kind of engine vibration fault diagnosis method based on hybrid neural network， namely the early iteration using BP algorithm iterative later using a gradient optimization method. The calculation o network weights and threshold value byBP algorithm and hybrid algorithm shows that the proposed hybrid algorithm is effective and practical.
Key words： hybrid algorithm； gradient optimization； neural network
摘要：提出一种基于混合神经网络的发动机振动故障诊断方法，即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。通过BP算法和混合算法对相同算例网络权值和阈值的计算，验证所提出的混合算法的有效性和实用性。
关键词：混合算法；梯度优化法；神经网络
中图分类号：TP18 文献标识码：A 文章编号：1674-1161（2014）04-0025-02
人工神经网络技术的应用，为发动机故障诊断和状态监控提供了一个非常有效的工具。神经网络系统具有容错、联想、推测、记忆、自学习、自适应、多模式处理等功能，利用神经网络算法进行发动机振动故障诊断，不但能使发动机故障诊断系统应用于多种不同状态下的故障模式诊断，而且其噪声抑制力强、诊断准确。然而，在实际应用中常存在收敛速度慢、出现振荡等问题，网络训练经常出现瘫痪现象。在网络算法的改进方面，已有许多人做了研究。现提出人工神经网络权值和阈值的混合算法，并应用到发动机的故障诊断中。
1 人工神经网络理论
BP算法是一种有导师的训练算法，它在给定输出目标的情况下，通过调节权值和阈值使总体平均误差达到最小值。BP算法每步的搜索方向是沿负梯度方向并以固定步长迭代，实际上并没有搜索到该梯度方向上的最小点，所以该算法实质上并不等价于优化方法中的梯度法。BP法搜索原理图如图1所示，图中虚线和实心点表示每次迭代时梯度法应达到的位置，实线和箭头表示BP算法每步到达的位置。由图1可知，对构成的目标函数采用梯度法优化将会比BP算法好得多。
2 人工神经网络混合算法原理
通过上述2种方法的原理分析可知，BP算法沿负梯度方向以定步长迭代，迭代初期速度较快，但接近目标点时往往经多次迭代，总体平均误差下降得很小，即出现振荡现象；梯度优化法采用最优步长迭代，迭代时避免出现振荡现象并且可获得较高目标函数精度及较少的迭代次数，但每次迭代都要进行步长优化计算，造成整体训练时间较长。为了获得较快的训练速度，综合两种方法的优点（即迭代前期采用BP算法，迭代后期采用梯度优化法）可以避免BP算法迭代后期的振荡现象，加快梯度优化法的迭代速度。这2种方法的转折点可以采取4次函数值比较法，如图2所示。
3 混合算法在发动机故障诊断中的仿真分析
4 结论
1） 将BP算法和梯度优化法相结合的混合算法应用到多层人工神经网络权值和阈值的计算，实现了网络权值和阈值的快速运算。
2） 发动机的实例计算分析表明：BP算法计算网络参数很不理想（迭代次数较多）；梯度优化法对BP算法实现了改进，但迭代时间较长；混合算法能快速收敛到目标函数极小值并获得准确的神经网络权值和阈值。
参考文献
[1] 李秋玲，贾敏智.基于改进ABC算法优化SVM的汽车发动机故障诊断[J].制造业自动化，2014（5）：57-60.
[2] 周亨，彭涛，邓维敏.基于差分进化算法优化的RBF神经网络的发动机故障诊断研究[J].农业装备与车辆工程，2014（2）：22-26.
[3] 崔华林.机械优化设计方法与应用[M].沈阳：东工出版社，1989.
Abstract： This paper presents a kind of engine vibration fault diagnosis method based on hybrid neural network， namely the early iteration using BP algorithm iterative later using a gradient optimization method. The calculation o network weights and threshold value byBP algorithm and hybrid algorithm shows that the proposed hybrid algorithm is effective and practical.
Key words： hybrid algorithm； gradient optimization； neural network
