孫潔 連暢

摘 要：為了提高風(fēng)機故障檢測準(zhǔn)確率并改善風(fēng)機系統(tǒng)振動故障復(fù)雜性較高的問題，文中提出了基于人工魚群的風(fēng)機故障診斷方法。人工魚群算法結(jié)構(gòu)簡單，具有良好的并行性、快速性等優(yōu)點，但易陷入局部最優(yōu)。為解決這一問題，在人工魚群算法的基本原理上提出了基于差分進化算法和人工魚群算法相融合的混合算法，在人工魚群算法中引入了交叉變異策略，使原始種群能夠不斷優(yōu)化，提高了全局尋優(yōu)的能力。試驗表明，相對于其他檢測方法，改進的人工魚群算法的識別率及計算效率均有所提高，對風(fēng)機早期故障的診斷效果較佳。

關(guān)鍵詞：風(fēng)機；故障診斷；人工魚群；局部最優(yōu)；差分進化算法

中圖分類號：TP39；TD441 文獻標(biāo)識碼：A 文章編號：2095-1302（2018）01-00-03

0 引 言

隨著科技的不斷進步和發(fā)展，風(fēng)機發(fā)展也體現(xiàn)出高速化、復(fù)雜化和智能化的趨勢，其結(jié)構(gòu)和組成亦隨之變的更加復(fù)雜。一方面，如果風(fēng)機故障時有發(fā)生，那么企業(yè)將遭受非常嚴(yán)重的經(jīng)濟損失；另一方面，如若風(fēng)機系統(tǒng)發(fā)生故障，往往還會導(dǎo)致人身安全損傷和環(huán)境污染等后果。因此，對風(fēng)機故障進行準(zhǔn)確診斷不僅具有重大經(jīng)濟效益還具有良好的社會效義[1-3]。為了對風(fēng)機早期故障進行有效診斷，需要運用部分算法對故障數(shù)據(jù)進行有效的分類和提取。人工魚群算法不僅具有自組織性和自適應(yīng)性等特點，還具有搜索速度快、參數(shù)少、易于實現(xiàn)等優(yōu)點[4]，目前在故障診斷、圖像處理等領(lǐng)域的應(yīng)用取得了一定成果。

文中首先利用小波包對振動信號進行提取，再利用經(jīng)差分進化算法改進后的人工魚群算法對風(fēng)機故障進行快速、準(zhǔn)確地診斷改進。

1 故障分析理論

1.1 小波包熵特征提取

風(fēng)機故障發(fā)生時的振動信號若存在于不同的頻帶上，那么其所具有的能量分布亦不同。因此，在風(fēng)機發(fā)生故障時，我們可以以不同頻帶能量特征的差異為根據(jù)對故障進行識別。

小波包變換可將時域中的問題轉(zhuǎn)換到頻域上進行分析，并能夠保持問題信息的完整性[5，6]。小波包熵提取的具體步驟如下：

（1）原始信號在經(jīng)過4 層小波包分解后，能夠獲得16個頻帶上的信號特征。

（2）需要求取16個頻帶上信號的能量。設(shè)為對應(yīng)頻帶中的重構(gòu)信號，其能量如式（1）所示：

（3）對得到的各能量進行歸一化處理，得到：

（4）計算各頻帶的能量熵K，作為待識別的故障特征值，K即人工魚公告板信息。

1.2 人工魚群算法

人工魚群算法（Artificial Fish Swarm Algorithm，，AFSA）是李曉磊博士受魚群行為的啟發(fā)，于2002年提出的一種新型智能仿生優(yōu)化算法。在水中，魚總是能夠自行游動亦或尾隨其他魚游動，找到含營養(yǎng)物質(zhì)最多的地方，因此可以推知，在營養(yǎng)物質(zhì)多的區(qū)域中相應(yīng)所含魚的數(shù)目也最多[7-9]。根據(jù)魚群這一特點來進行人工魚群對魚群覓食、聚群和追尾行為的模仿，通過模仿實現(xiàn)尋優(yōu)。

個體魚的狀態(tài)用X=（x1，x2，…，xn）描述， 其中xi（i=1，2，…，n）表示尋優(yōu)變量，通過人工魚所在位置營養(yǎng)物質(zhì)濃度的大小，即使用目標(biāo)函數(shù)值Y=f（X）來判斷個體優(yōu)劣。人工魚個體間距用dij=‖Xi-Xj‖表示；Visual表示人工魚可見范圍；Step為人工魚所移動步長的最大值；δ表示擁擠度因子。

（1）覓食行為即人工魚不斷向富含營養(yǎng)物質(zhì)較多的區(qū)域移動的行為，是向更優(yōu)區(qū)域移動的迭代方式。人工魚Xi代表在一個可見區(qū)域內(nèi)以隨機選擇的方式所選擇的一條人工魚，其狀態(tài)設(shè)置為Xj，若其目標(biāo)函數(shù)值Yj比當(dāng)前值更優(yōu)，則朝Xj所在方向游動一步；否則，將再次重新隨機選擇一個Xj，重復(fù)嘗試trynumber次，若所得目標(biāo)函數(shù)值仍然不具備前進所需的條件，則向任意方向隨機游動一步。

（2）聚群行為是人工魚向魚群中心方向游動并避免過分擁擠的一種行為。人工魚的狀態(tài)設(shè)為Xi，將當(dāng)前可見區(qū)域內(nèi)（即di，j≤Visual）的伙伴數(shù)量和中心位置分別用nf和Yc表示，如果出現(xiàn)Yc?nf>δYi且Yi

（3）追尾行為即一種魚群個體朝著可見范圍內(nèi)最優(yōu)個體所在方向游動，并避免過分擁擠的行為。人工魚Xi在可見區(qū)域內(nèi)搜索最優(yōu)伙伴，即在可見區(qū)域內(nèi)的所有人工魚中尋找適應(yīng)度值最高的個體Xj，若出現(xiàn)Yc?nf>δYi且Yi

（4）公告板即人工魚在每完成一次迭代后都進入一個新的狀態(tài)，將之與公告板中所記錄的狀態(tài)進行對比，若新狀態(tài)更優(yōu)，則公告板信息會更新為新狀態(tài)。迭代結(jié)束后，輸出更新后的公告板記錄，該記錄即為所求的最優(yōu)值。

2 改進人工魚算法在風(fēng)機故障檢測中的研究

2.1 差分進化算法

自差分進化算法（Differential Ev，DE）[10]作為近年來新興算法中的一種，對個體的最優(yōu)解擁有較好的記憶能力，同時也可共享種群內(nèi)部信息。相較于其他不同的算法，對于求解比較復(fù)雜的全局優(yōu)化問題，DE的優(yōu)勢更加明顯，性能更加優(yōu)越，具有受控參數(shù)少，優(yōu)化過程簡單，魯棒性強等優(yōu)點[11，12]，使得DE被看作是仿生智能計算算法產(chǎn)生后，在算法結(jié)構(gòu)方面獲取的一項重要成果。

2.2 對人工魚算法的改進

當(dāng)魚群算法進入后期階段，在公告板進行了連續(xù)多次的迭代后，公告板將出現(xiàn)信息并未更新或更新變化非常小的問題，即尋優(yōu)過程陷于停滯狀態(tài)，導(dǎo)致出現(xiàn)陷入局部最優(yōu)的問題。對此本文使用DE算法中的交叉、變異策略，當(dāng)公告板的停滯狀態(tài)大于最大停滯參數(shù)時，選擇部分人工魚個體對其實施DE交叉操作和變異操作[13]，以產(chǎn)生新的個體。對比產(chǎn)生的新個體和當(dāng)前目標(biāo)函數(shù)值，將對比結(jié)果與公告板的狀態(tài)再次進行比較，若對比結(jié)果優(yōu)于公告板記錄，則更新公告板的狀態(tài)，跳出局部最優(yōu)。

實現(xiàn)過程如下：

（1）將參數(shù)初始化：將第t次迭代的第個i個個體表示為Xi（t）=xi1，xi2，…，xiD，i=1，2，…，N，個體魚的狀態(tài)用X=x1，x2，…，xn描述，其中xi（i=1，2，…，n）表示尋優(yōu)變量。魚群規(guī)模為N，最大迭代次數(shù)為Nmax，人工魚可見區(qū)域用Visual表示，移動步長最大值為Step，擁擠度因子為δ，將覓食過程中的隨機試探次數(shù)trynumber等設(shè)置為魚群參數(shù)，并設(shè)定最大停滯參數(shù)Stopmax等。設(shè)置公告板停滯狀態(tài)為0，即Stopstep=0，設(shè)定系統(tǒng)初始迭代次數(shù)Nc=1。隨機產(chǎn)生的種群規(guī)模為N，產(chǎn)生依據(jù)如式（4）：

其中rand為（0，1）之間的隨機數(shù)，j=1，2，…，D，xijU為Xi中第j個分量的上界，而xijL則為下界。

（2）計算比較初始人工魚個體的當(dāng)前函數(shù)值，取其最優(yōu)值記錄在公告板中。

（3）人工魚個體根據(jù)鄰近伙伴的中心和公告板的記錄來模擬魚群的聚群行為和追尾行為，若最優(yōu)目標(biāo)函數(shù)值比公告板記錄更優(yōu)，則執(zhí)行最優(yōu)的目標(biāo)函數(shù)值，否則執(zhí)行覓食行為。

（4）人工魚每完成一次迭代后便會產(chǎn)生新的狀態(tài)，并將其與公告板的記錄作對比，若當(dāng)前的新狀態(tài)比公告板記錄更優(yōu)，則公告板信息將會更新為新的狀態(tài)，并將停滯狀態(tài)Stopstep重置為0。

（5）當(dāng)公告板停滯狀態(tài)大于或等于最大停滯參數(shù)時，對部分人工魚個體實施DE中的交叉和變異操作，否則繼續(xù)向下執(zhí)行步驟（6），差分操作如下所示：

a.變異策略：在人工魚中隨機選擇除其之外的兩個不同個體r1，r2，變異策略采用以下變異方式：

其中，β為（0，1）之間的任一隨機數(shù)。

b.交叉策略 ：交叉策略采用線性交叉方式，生成一個中間個體Si （t+1），增加了種群多樣性，此個體第j個分量可表示為：

si（t+1）=αxij （t）+（1-α）uij（t+1） （6）

其中，α?。?，1）之間的任一隨機數(shù)。

c.將新個體的適應(yīng)度值與公告板中所記錄的狀態(tài)進行對比，若前者更優(yōu)，則公告板信息將會更新為當(dāng)前狀態(tài)，并重新將公告板停滯狀態(tài)設(shè)置為0，即Stopstep=0。

（6）設(shè)Nc=Nc+1，Stopstep=Stopstep+1，判斷是否能夠滿足Nc=Nmax或其他結(jié)束條件，如果已滿足條件則停止搜索，并將公告板信息及其所對應(yīng)的目標(biāo)函數(shù)值輸出；若未滿足，則返回重新執(zhí)行步驟（3），繼續(xù)下一個循環(huán)。

3 實例分析

采集振動信號，并對其實施小波包變換，提取小波包熵特征值作為原始種群，運用本文改進的人工魚群算法對風(fēng)機進行故障診斷。

本文采用圖1所示的五種故障振動信號。對采集到的信號經(jīng)小波包分析提取出7個不同頻段的信息，每一種故障狀態(tài)選40組特征向量，共200組樣本作為原始種群，數(shù)據(jù)采集器的采集頻率取800 Hz，采樣時間為5 s，數(shù)據(jù)處理等工作均在臺式機上完成。表1為實驗采用的部分樣本，其中f為基頻，樣本1～5各表示一種風(fēng)機故障：樣本1代表軸不對中，樣本2代表轉(zhuǎn)子質(zhì)量不平衡，樣本3代表機械碰摩，樣本4代表軸承故障，樣本5代表基礎(chǔ)松動。

圖2中橫縱坐標(biāo)分別代表迭代次數(shù)和整體故障診斷正確率。圖2能夠直觀表示出前期故障診斷正確率隨迭代次數(shù)的增大而不斷上升的趨勢，后期尤其當(dāng)?shù)螖?shù)達到60次之后故障診斷正確率趨于平穩(wěn)，不再隨著迭代次數(shù)的增大而出現(xiàn)大幅波動。將200組樣本數(shù)據(jù)作為故障檢測數(shù)據(jù)進行實驗，診斷正確率的檢測結(jié)果見表2所列。

從表2可以明確看出對軸不對中診斷的正確率達95%，對轉(zhuǎn)子質(zhì)量不平衡診斷的正確率為90%，對機械碰摩診斷的正確率高達100%，對軸承故障診斷的正確率為95%，對基礎(chǔ)松動的診斷正確率為90%。由此可見，采用本文所述方法可大大提高對風(fēng)機5種故障的診斷正確率。

4 結(jié) 語

本文提出了基于人工魚群的風(fēng)機故障診斷方法，將改進的人工魚群算法應(yīng)用于風(fēng)機故障診斷當(dāng)中，具有實現(xiàn)過程簡單，運算速度快，適應(yīng)能力強等優(yōu)點。實驗證明，本文提出的方法故障診斷正確率高，具有很強的可行性，為風(fēng)機故障診斷這一領(lǐng)域提供了方便。

參考文獻

[1]呂茂超，華鋼，劉晶晶.基于LabVIEW的風(fēng)機故障監(jiān)測診斷系統(tǒng)的設(shè)計[J].煤礦安全，2011， 42（10）：51-53.

[2]李寧，王李管，賈明滔，等.基于信息融合理論的風(fēng)機故障診斷[J].中南大學(xué)學(xué)報（自然科學(xué)版），2013， 44（7）：2861-2866.

[3]呂振江，湯家升.基于遺傳算法的風(fēng)機故障診斷研究[J].煤炭工程， 2015， 47（1）：101-103.

[4]劉剛.一種人工魚群算法及其應(yīng)用研究[D].上海：華東理工大學(xué)， 2015.

[5]丁建明，林建輝，任愈，等.基于諧波小波包能量熵的軸承故障實時診斷[J].機械強度，2011，33（4）：483-487.

[6]薛勇，萬振剛.基于改進人工蜂群的軸承故障診斷方法[J].軸承， 2017（5）：45-48.

[7]王聯(lián)國.人工魚群算法及其應(yīng)用研究[D].蘭州：蘭州理工大學(xué)，2009.

[8]吳昌友.一種改進的人工魚群優(yōu)化算法[J].智能系統(tǒng)學(xué)報， 2015 （3）：465-469.

[9]王聯(lián)國，洪毅，趙付青，等.一種改進的人工魚群算法[J].計算機工程， 2008，34（19）：192-194.

[10]盧青波，張學(xué)良，溫淑花，等.高斯變異差分進化算法及其應(yīng)用研究[J].工程設(shè)計學(xué)報，2012， 19（5）：372-378.

[11]朱宇航.差分進化算法及其在云計算任務(wù)調(diào)度中的應(yīng)用研究[D].蘭州：蘭州交通大學(xué)， 2013.

[12]劉波，王凌，金以慧.差分進化算法研究進展[J].控制與決策， 2007，22（7）：721-729.

[13]張大斌，楊添柔，溫梅，等.基于差分進化的魚群算法及其函數(shù)優(yōu)化應(yīng)用[J].計算機工程，2013， 39（5）：18-22.