一種電機故障的智能診斷方法研究

(常州市廣播電視大學，江蘇常州213001)

    摘要：提出了一種基于改進遺傳算法(IGA)和誤差反向傳播(BP)算法相結合的IGA—BP混合算法在電機故障診斷中的應用，首先提取電機轉子振動頻譜分量作為神經網絡的訓練樣本，將代表故障信息的數據作為輸入量代入已訓練好的神經網絡后，通過輸出結果即可診斷故障類型。仿真實驗表明，該方法可以有效地識別電機常見故障，診斷準確率高、速度快。

關鍵詞：IGA—BP混合算法；電機故障；診斷

中國分類號：TM307⁺．1    文獻標識碼：C

1 引言

    隨著現代工業和科學技術的迅速發展，電機拖動系統已廣泛應用到各個領域，電機是拖動系統的重要部件；但由于電機在工作過程中，發生設備故障或失效的潛在可能性會隨著運行時間而不斷增大，最終可能導致整個拖動系統不能正常安全運轉，甚至癱瘓。所以如何及時準確地確定電機故障原因、類別及其故障嚴重程度，是提高電機及其拖動系統安全運行的重要措施和可靠保證。

    傳統的電機故障診斷專家系統雖然取得了一定成果，但存在著明顯的局限性，而在人工智能方法，如神經網絡、遺傳算法等，能夠處理傳統故障診斷方法無法解決的問題。基于此，本文提出了一種基于改進遺傳算法(IGA)和誤差(BP)算法相結合的混合算法，并應用于電機故障診斷，有效地減少了誤判、漏判的情況，保證了電機故障診斷的準確性與快速性。

2 BP神經網絡及算法

BP神經網絡是誤差反向傳播前饋型神經網絡，其結構由輸入層、輸出層和若干隱含層組成，網絡的學習訓練過程是按誤差由輸出層節點經隱含層節點反向傳播的，網絡學習目的是使網絡盡量逼近所需要的映射，這種映射是通過學習樣本的輸入和輸出對反映出來的。但標準BP算法中網絡的權值和閾值采用梯度下降進行調節，通常具有收斂速度漫、容易陷入局部極小等缺點，因此必須對BP算法進行改進。這里采用對每個連接權植和聞值增加一個矢量項，即慣性系數，增加有效的學習效率，且有效抑制振蕩現象。可以應用式(1)實現：

  式中：w為網絡中的連接權和閾值；α為屢性系數。

3改進遺傳算法(IGA)

  遺傳算法(GA)是一種基于自然選擇和自然遺傳的全局優化算法，它模擬了自然選擇和遺傳過程中的繁殖、交雜和突變的現象。目前遺傳算法已成功解決了許多復雜的優化問題，它****的優點是：即使對多態的和非連續性的函數，也能獲得全局****解。但仍存在著早熟和收斂速度慢等不足，因此本文對傳統的遺傳算法進行了改進，然后采用改進遺傳算法(IGA)優化神經網絡結構和權重等，來提高優化效率。

3．1遺傳算法的編碼方式改進

    神經網絡的權重、閾值學習是一個復雜的連續參數優化問題，每個遺傳碼串代表一種神經網絡結構中的權重和閩值。如果采用二進制編碼形式，每一個權重和閾值究竟用幾個二進制表示就是一個比較難決定的問題，位數太少，則訓練時間可能很長或可能找不到解；如果位數太多，則染色體長度又很長，訓練時間就很長或者不能實現，而且二進制編碼占用空間較大，在求解適應度值時還會遇到一個解碼問題，這也在某種程度上增加算法計算時間，所以本文采用浮點數編碼方式。

3．2交叉算子和變異算子的改進

    交叉概率P_c和變異概率P_m直接影響算法的收斂性。從種群的個體來看，如果交叉概率P_c過大，新個體產生的速度越快；如果交叉概率P_c過小，新個體產生的速度就越慢，GA搜索過程較慢。對于變異概率P_m，如果變異概率p_m過大，GA搜索過程就變成了隨機過程，若變異概率只過小，則其產生新個體的抵制早熟現象的能力便會削弱。因此設計自適應變化的交叉概率p_c和變異概率P_m很有必要。本文采用一種交叉概率和變異概率的自適應調整規則，使得每個個體根據在遺傳過程中按其適應度選擇不同的交叉概率和變異概率，

并加以自動調節。自適應交叉概率P_c和變異概率只計算公式表述為：

  式中，f_max表示種群****適應度值；f_avg為種群平均適應度；f表示在要交叉的兩個個體中較大的適應度值；f表示要變異的個體適應度；這里，k₁、k