靖婉婷 王海瑞 林雅慧

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院 云南 昆明 650500)

0 引 言

發(fā)動(dòng)機(jī)的燃油系統(tǒng)長(zhǎng)時(shí)間在高溫高壓的惡劣環(huán)境下工作，為整個(gè)機(jī)械設(shè)備提供動(dòng)力。據(jù)權(quán)威機(jī)構(gòu)數(shù)據(jù)統(tǒng)計(jì)，在柴油機(jī)的各種故障中，燃油系統(tǒng)故障占總體比重高達(dá)27%。由此可見，一旦燃油系統(tǒng)發(fā)生故障，將會(huì)造成整個(gè)機(jī)械停止工作，帶來(lái)的經(jīng)濟(jì)和其他方面的損失較為嚴(yán)重。

本文提出一種基于改進(jìn)的蝙蝠算法，優(yōu)化極限學(xué)習(xí)機(jī)的故障診斷模型來(lái)對(duì)發(fā)動(dòng)機(jī)的燃油系統(tǒng)進(jìn)行故障診斷，利用傳感器實(shí)時(shí)采集燃油系統(tǒng)的振動(dòng)信號(hào)。首先本文采用小波分解來(lái)對(duì)采集到的信號(hào)進(jìn)行處理，從而提取其特征向量。然后使用蝙蝠算法來(lái)優(yōu)化極限學(xué)習(xí)機(jī)的相關(guān)參數(shù)，搭建優(yōu)化好的極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)。最后將提取到的特征向量輸入到優(yōu)化好的極限學(xué)習(xí)機(jī)中進(jìn)行訓(xùn)練和測(cè)試，得到最終的故障診斷結(jié)果。本文設(shè)置對(duì)比實(shí)驗(yàn)來(lái)驗(yàn)證該模型的合理性和優(yōu)越性，實(shí)驗(yàn)結(jié)果表明本文所提方法具有良好的性能。

1 蝙蝠算法

蝙蝠算法是由劍橋大學(xué)Xin-she Yang教授在2010年提出的一種基于蝙蝠回聲定位的新型群體智能優(yōu)化算法[1]。

1.1 標(biāo)準(zhǔn)蝙蝠算法

蝙蝠算法的思想是基于蝙蝠回聲定位的新型群體智能優(yōu)化算法，其基本流程概括如下：

fi=fmin+(fmax-fmin)·β

(1)

(2)

(3)

式中：β是隨機(jī)變量，且β～U[0,1]；X*代表目前搜索范圍內(nèi)的全局最優(yōu)位置；t表示目前的迭代次數(shù)。

(4)

步驟5計(jì)算種群內(nèi)所有蝙蝠個(gè)體的新解位置的適應(yīng)度值。

(5)

(6)

步驟7更新找到的全局最優(yōu)解，判斷是否達(dá)到尋優(yōu)終止條件；若滿足則輸出X*，若不滿足則跳轉(zhuǎn)至步驟3。

1.2 改進(jìn)的蝙蝠算法

由于蝙蝠算法需要初始化確定的參數(shù)個(gè)數(shù)較多，直到現(xiàn)在還沒有人對(duì)這一領(lǐng)域做深入的研究。為了提高蝙蝠算法的尋優(yōu)能力，本文對(duì)其做如下改進(jìn)，根據(jù)式(2)和式(3)可得：

(7)

(8)

由此可以更新位置公式為：

(9)

(10)

(11)

(12)

2 極限學(xué)習(xí)機(jī)及其改進(jìn)算法

2.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)ELM是南洋理工大學(xué)的黃廣斌教授在2004年提出的一種簡(jiǎn)單易用的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFN)學(xué)習(xí)算法[5-6]。在極限學(xué)習(xí)機(jī)算法中需要人為設(shè)置的只有隱含層的節(jié)點(diǎn)個(gè)數(shù)這一個(gè)參數(shù)，而其輸入權(quán)值和隱含層的閾值是隨機(jī)生成的[10-11]，因此該算法的學(xué)習(xí)時(shí)間極短。 ELM的整體結(jié)構(gòu)如圖1所示。

圖1 ELM的網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)單隱層前饋神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)，對(duì)于N個(gè)不同的訓(xùn)練樣本集{(Xi,Ti)|i=1,2,…,N}，其中Xi=[xi1,xi2,…,xin]T∈Rn為輸入的訓(xùn)練樣本，Ti=[ti1,ti2,…,tim]T∈Rm為期望的目標(biāo)函數(shù)，則含有隱含層節(jié)點(diǎn)數(shù)為L(zhǎng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型為：

(13)

式中：g(x)為隱含層的激活函數(shù)；ai=[ai1,ai2,ain]T表示輸入權(quán)值向量；bi表示隱含層的偏置；βi=[βi1,βi2,…,βim]T表示輸出權(quán)值向量。

將式(13)寫成矩陣的形式為：

Hβ=T

(14)

式中：輸出矩陣

H(a1,a2,…,aL,b1,b2,…,bL,x1,x2,…,xN)=

隨機(jī)產(chǎn)生輸入權(quán)重ai閾值bi后，就可以根據(jù)式(14)計(jì)算得到ELM網(wǎng)絡(luò)的各個(gè)參數(shù)。由式(14)轉(zhuǎn)化即可得：

β=H+T

(15)

式中：H+表示隱含層輸出矩陣H的Moore-Penrose廣義逆矩陣[12-14]。求出輸出權(quán)重，再加上隨機(jī)產(chǎn)生的其他權(quán)重和閾值參數(shù)，整個(gè)ELM網(wǎng)絡(luò)就確定了。

2.2 基于改進(jìn)的蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)

鑒于極限學(xué)習(xí)機(jī)和改進(jìn)的蝙蝠算法各自的優(yōu)缺點(diǎn)，本文將兩種算法結(jié)合在一起，從而提出一種基于改進(jìn)蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)(IBA-ELM)的發(fā)動(dòng)機(jī)燃油系統(tǒng)故障診斷模型。該模型的主要思想是改進(jìn)極限學(xué)習(xí)機(jī)的輸入權(quán)值和閾值隨機(jī)生成。本文利用改進(jìn)的蝙蝠算法來(lái)優(yōu)化權(quán)值和閾值的選擇過程，從而選出一組最優(yōu)的參數(shù)組合來(lái)提高極限學(xué)習(xí)機(jī)的工作性能?；诟倪M(jìn)蝙幅算法優(yōu)化極限學(xué)習(xí)機(jī)的流程如圖2所示。

圖2 基于改進(jìn)蝙幅算法優(yōu)化極限學(xué)習(xí)機(jī)流程圖

3 實(shí)驗(yàn)及結(jié)果分析

3.1 樣本選擇及特征提取

實(shí)驗(yàn)以某型號(hào)柴油機(jī)燃油系統(tǒng)為研究對(duì)象，采用傳感器來(lái)進(jìn)行故障信號(hào)的采集，以MATLAB 2010b為實(shí)驗(yàn)平臺(tái)。通過小波3層分解對(duì)原始信號(hào)進(jìn)行分解重構(gòu)，最終獲得8個(gè)特征參數(shù)，將其組成特征向量P=[P1,P2,P3,P4,P5,P6,P7,P8]作為診斷輸入。樣本故障類型選取柴油機(jī)燃油系統(tǒng)的6個(gè)常見故障，故障輸出以二進(jìn)制的形式表示，因此故障分類及對(duì)應(yīng)表示如表1所示。

表1 柴油機(jī)燃油系統(tǒng)的故障分類及對(duì)應(yīng)表示

實(shí)驗(yàn)選取樣本總數(shù)為900組，則6種故障每種故障分別選取150組，其中120組作為訓(xùn)練輸入樣本，剩余30組錄入為預(yù)測(cè)樣本集。

3.2 實(shí)驗(yàn)比較分析

3.2.1 優(yōu)化算法性能比較

本實(shí)驗(yàn)設(shè)置了如下4種實(shí)驗(yàn)?zāi)Ｐ汀３跏蓟?種算法參數(shù)：4種算法的規(guī)模數(shù)量和最大迭代次數(shù)均取100；粒子群算法的慣性權(quán)重γ、加速常數(shù)c1和c2分別取0.6、2、2；遺傳算法的參數(shù)因子代溝、交叉概率和變異概率分別取0.95、0.7、0.01；BA算法其搜索脈沖頻率設(shè)置在[0,10]范圍內(nèi)，IBA算法設(shè)置在[0.5,10.5]范圍內(nèi)，脈沖響度衰減系數(shù)和脈沖頻度增加系數(shù)γ分別取0.95、0.9。最終，對(duì)比實(shí)驗(yàn)可得適應(yīng)度曲線對(duì)比如圖3所示。

圖3 4種優(yōu)化算法優(yōu)化ELM適應(yīng)度曲線

由圖3的適應(yīng)度迭代曲線可得到：4種算法在優(yōu)化ELM過程中的適應(yīng)度都隨著迭代代數(shù)的增多呈現(xiàn)收斂狀態(tài)，因而都能夠得到最優(yōu)權(quán)值和閾值；GA算法在46代左右趨于收斂，但實(shí)驗(yàn)發(fā)現(xiàn)GA尋優(yōu)進(jìn)化過程中后期搜索效率較低；PSO算法在33代左右趨于收斂，但尋優(yōu)結(jié)果遠(yuǎn)不如IBA算法；BA算法雖然最優(yōu)值優(yōu)于GA和PSO，但是尋優(yōu)最終結(jié)果不如IBA，且該算法優(yōu)化ELM在52代左右才收斂得到最終最優(yōu)解，迭代次數(shù)不理想；IBA在BA的基礎(chǔ)上改進(jìn)了初始數(shù)據(jù)，并引進(jìn)慣性權(quán)重系數(shù)、重置最終判定條件，進(jìn)而約減適應(yīng)度較弱個(gè)體，最終達(dá)到優(yōu)化BA的效果，解決了BA迭代次數(shù)多、收斂速度慢的缺點(diǎn)。同時(shí)該方法在22代左右適應(yīng)度函數(shù)值趨于收斂取得最優(yōu)，收斂速度快，且尋優(yōu)所得結(jié)果遠(yuǎn)比其他三種優(yōu)化算法所得結(jié)果優(yōu)質(zhì)。因此，使用IBA算法優(yōu)化極限學(xué)習(xí)機(jī)具有較為顯著的效果。

3.2.2 分類模型比較

為了驗(yàn)證本文提出的IBA-ELM方法的性能在燃油系統(tǒng)故障診斷更勝一籌。本實(shí)驗(yàn)將IBA-ELM診斷方法與支持向量機(jī)(SVM)、傳統(tǒng)極限學(xué)習(xí)(ELM)、蝙蝠算法優(yōu)化的極限學(xué)習(xí)機(jī)(BA-ELM)進(jìn)行比較。4種模型分別獨(dú)立運(yùn)行10次，得到4種分類結(jié)果精確度的比較如圖4所示。訓(xùn)練時(shí)間和測(cè)試時(shí)間的比較如圖5所示。

圖4 4種模型分類精確度的比較

圖5 4種模型的訓(xùn)練時(shí)間和測(cè)試時(shí)間

由圖4和圖5，可以得出表2的性能分析：SVM方法分類準(zhǔn)確率高，但訓(xùn)練模型以及測(cè)試樣本速度慢。由于在燃油系統(tǒng)診斷過程中，準(zhǔn)確率的高低和速度的快慢決定了診斷的性能，兩者缺一不可，所以本文考慮選用極限學(xué)習(xí)機(jī)。極限學(xué)習(xí)機(jī)訓(xùn)練測(cè)試時(shí)間非常快，但明顯準(zhǔn)確率不如支持向量機(jī)。因而選用蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)，得到準(zhǔn)確率明顯高于支持向量機(jī)和傳統(tǒng)極限學(xué)習(xí)機(jī)，但速度還是不如傳統(tǒng)極限學(xué)習(xí)機(jī)。最后采用IBA優(yōu)化ELM，速度和準(zhǔn)確度相對(duì)于BA優(yōu)化ELM大大地提升，經(jīng)4種方法比較，其速度僅次于傳統(tǒng)ELM。實(shí)驗(yàn)表明了IBA-ELM在燃油系統(tǒng)故障診斷中不僅分類速度快，而且能有效地提高診斷的準(zhǔn)確率。

表2 4種模型性能比較

3.2.3 實(shí)際與預(yù)測(cè)值比較

為了測(cè)試IBA-ELM燃油機(jī)系統(tǒng)診斷模型的分類準(zhǔn)確率，實(shí)驗(yàn)將用于訓(xùn)練模型后剩余的180組測(cè)試樣本集輸入已形成的IBA-ELM模型進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與實(shí)際輸出真值作比較。得到IBA-ELM模型預(yù)測(cè)結(jié)果與實(shí)際輸出真值比較如表3所示。IBA-ELM模型測(cè)試集分類圖，如圖6所示。

表3 IBA-ELM模型預(yù)測(cè)結(jié)果與實(shí)際輸出真值比較

圖6 IBA-ELM模型測(cè)試集分類圖

由表3、圖6可得，對(duì)180組預(yù)測(cè)樣本集進(jìn)行預(yù)測(cè)輸出時(shí)，診斷正確組數(shù)為177組，說(shuō)明只誤判了3組，預(yù)測(cè)精度高達(dá)98.33%。綜上所述：IBA-ELM模型具有較高的預(yù)測(cè)精度,并且能夠準(zhǔn)確地預(yù)測(cè)出燃油機(jī)故障系統(tǒng)的故障類型。

4 結(jié) 語(yǔ)

本文提出一種基于改進(jìn)的蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)的發(fā)動(dòng)機(jī)燃油系統(tǒng)故障診斷模型。通過設(shè)置適應(yīng)度對(duì)比、診斷準(zhǔn)確率比較和訓(xùn)練時(shí)間與測(cè)試時(shí)間的比較等一系列對(duì)比實(shí)驗(yàn)，證明了該模型的有效性以及穩(wěn)定性。并且該模型在發(fā)動(dòng)機(jī)燃油系統(tǒng)的故障診斷中具有很好實(shí)用效果。