基于GA—BP模型的油液光谱预测 性

张竹慧+段东立

摘要：根据BP神经网络在时间序列预测中的优缺点，文章采用遗传算法（GA）优化神经网络的初始权、阈值，并利用优化后的神经网络模型（GA-BP）预测发动机油液光谱参数。首先对8组样本进行训练，然后进行预测，并同BP模型预测结果比较，证明6A-BP模型预测误差小，预测精度高，具有一定的应用价值。

关键词：油液光谱；神经网络；遗传算法；预测

磨损金属颗粒浓度可直接反映了设备的运行状况，所以在设备状态监控领域金属颗粒浓度预测是润滑油分析的最重要内容之一。文章通过研究磨损金属颗粒浓度数据序列构成的一般规律，根据神经网络与遗传算法在时间序列预测中的优缺点，提出以GA优化BP神经网络的初始权、阈值，构建GA-BP模型。实例预测结果表明，GA-BP模型的精度与速度都比较理想，优于单一的BP模型。

1神经网络和遗传算法

BP神经网络在时间序列分析中不是一个十分完善的网络，这是因为一方面学习算法的收敛速度较慢，另—方面在优化过程中易陷入局部极小点。

而遗传算法具备优秀的全局搜索能力，所以可利用遗传算法对BP网络从三个方面进行优化：（1）优化神经网络的初始权值和阈值；（2）优化神经网络的拓扑结构进化；（3）神经网络学习规则的进化。

通过得出具有最佳隐层节点的网络结构，合理的初始权值和阈值，及最佳学习进化规则，保证网络不陷入局部最小值，同时又具备合理的收敛速度。

2遗传算法优化BP神经网络预测模型

文章GA-BP算法的假设是网络拓扑结构固定。算法的基本思想是：（1）给定网络拓扑结构以及网络的输入、输出样本；（2）构建待寻优参数与GA染色体位串的映射函数；（3）确定GA算法的目标函数、适应度函数和优化参数，产生初始种群；（4）计算目标函数的值，个体的适应度，判断是否进行优化计算，并进行遗传操作（复制、交叉和变异），产生新一代群体；（5）重复上述过程，直至进化满足停止准则。

step5：新个体插入到种群中，计算评价函数；

step6：如果找到了满意的个体，则结束，否则转step3。最终群体中的最优个体解码即可得到优化后的网络连接权值；

step7：以GA算法获得的连接权值作为初始权值，用BP算法训练网络，直到指定精度。

3GA-BP模型预测油液光谱参数

3.1光谱数据的处理

在机械装备状态监测中，一般不直接对采集到的油液光谱参数进行建模，这是因为，一方面直接建模容易忽视参数的摩擦学特征，另一方面，设备的元素含量之间本身有一定线性比例关系，所以，设备的检修、补换油等因素的影响效果从某种程度上来说是一致的。在文章的研究中，通过将元素间比例关系的数据作为系统的输入与输出，即以元素间浓度比值的形式对原始数据进行处理，使其能够比较客观地表征被监测系统的状态。一定设备的油样中，各种不同元素的浓度差异较大，Fe、Cu、Pb、及A1等元素的变化具有一定的规律。文章数据是引用的SGM冲压机润滑油系统与液压系统的油箱中的采样监测结果为例进行讨论。监测过程中，根据元素光谱分析的结果，选取与设备磨损密切相关的五种元素，并计算各种元素浓度值的比例，如表1所示。

3.2实验分析

将表1的Fe元素百分比数列前6组作为训练样本，后2组作为实验样本，如表2所示。

构建4×9×1的BP神经网络，第一层、第二层采用tansig传递函数，第三层采用purelin传递函数。最大循环次数10000，收敛误差0.002，学习率0.01。设置种群规模为80，遗传代数为800，染色体长度为55，交叉概率为0.98，变异概率0.01。

用Matlab2010编程，主要包括4个程序：主程序gabpfault.m；网络初始化nninit.m；适应值计算函数gabpEval.m；编码解码函数gadecod.m。经过大约700代的搜索后染色体的平均适应度趋于稳定，误差平方和曲线和适应度曲线，如图l所示，将遗传算法的结果分配BP网络所对应的权值、阈值，训练神经网络。如图2所示，给出了GA-BP算法的训练目标曲线。用GAS训练BP网络的权值可以得到满意的结果。GA-BPfflBP都用前6组进行训练，后2组进行仿真，如表3所示，列出了GA-BP和BP的预测结果。

4结语

GA-BP算法既结合BP算法按负梯度方向进行快速搜索的能力，又利用了GA算法的全局寻优特点，是一种快速、可靠的预测方法。而且结合磨损金属颗粒浓度时间序列的内在特征，该模型在油液光谱预测中以及机械设备的状态监控中，可得到有效利用。实例结果证明，GA-BP模型预测结果精度较单一的BP模型预测结果精度高，该算法是可行适用的。