梁寶峰 張永林

（江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212003）

1 引言

高壓發(fā)泡機是整條聚氨酯連續(xù)生產(chǎn)線的核心設(shè)備，發(fā)泡系統(tǒng)的好壞直接影響到產(chǎn)品質(zhì)量的優(yōu)劣［1］。聚氨酯生產(chǎn)線長時間工作中，加之運行中自身的負載、周圍環(huán)境等各種因素的影響，高壓發(fā)泡機不可避免地會產(chǎn)生故障，及時準確地發(fā)現(xiàn)故障是保證生產(chǎn)安全運行的重中之重。

對于化工設(shè)備的故障診斷，常見的診斷方法有：小波變換法，頻譜分析法，專家系統(tǒng)方法等。許多專家學(xué)者提出了許多新的診斷方法在常見診斷方法的基礎(chǔ)上。高迎平等［2］針對化工設(shè)備的模糊性、動態(tài)性特點，采用模糊動態(tài)故障樹對其進行預(yù)測診斷。陳波等［3］使用粒子群算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)，解決了單一徑向基函數(shù)泛化能力不足的缺點，在反應(yīng)釜故障診斷中得到推廣。

常規(guī)的BP 神經(jīng)網(wǎng)絡(luò)診斷法［4～9］，在網(wǎng)絡(luò)初始化的時候初始連接權(quán)值和閾值往往賦隨機值，容易使BP 神經(jīng)網(wǎng)絡(luò)陷入局部極小點，減慢了網(wǎng)絡(luò)的收斂速度，導(dǎo)致診斷精確性降低甚至誤診。為了解決上述問題，許多專家學(xué)者對BP 神經(jīng)網(wǎng)絡(luò)進行了改進或優(yōu)化，比如雷方濤［10］在齒輪箱故障診斷研究中將小波分析和BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合，故障辨識率大幅提高。陳美伊等［11］利用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，使模擬電路故障模型更加精確?？岛檐姡?2］等利用粗糙集理論處理不確定數(shù)據(jù)的優(yōu)勢，對BP 神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，把優(yōu)化后的網(wǎng)絡(luò)應(yīng)用于車載設(shè)備故障診斷并取得良好的效果。還有其他一些優(yōu)化改進方法［13～16］不再贅述。

對于高壓發(fā)泡機的故障診斷往常采用的是傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)診斷法，本文用自適應(yīng)免疫遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)來對高壓發(fā)泡機進行故障診斷，并通過Matlab仿真驗證了該方法的有效性。

2 聚氨酯高壓發(fā)泡機故障診斷建模

2.1 高壓發(fā)泡機工作原理及常見故障

高壓發(fā)泡機料罐中的A 料聚醚多元醇和B 料異氰酸酯分別在氣壓的作用下經(jīng)過過濾器流入計量泵的低壓側(cè)入口，計量泵運轉(zhuǎn)將低壓料轉(zhuǎn)換成高壓料，高壓料經(jīng)高低壓切換閥切換至混合頭俗稱槍頭。啟動注射后，槍頭中大活塞提起，小活塞打開并切斷A、B 料回流管道，A 料及B 料以很高的壓力和流速注射到混合室，在混合室中高速相互碰撞達到均勻混合，并迅速流出槍頭，槍頭從原點出發(fā)左右擺動，噴入模腔發(fā)泡。注射時間結(jié)束后，小活塞關(guān)閉，A 料、B 料經(jīng)各自回流管而返回料罐，同時大活塞向下運動，將混合室里的殘料推出，從而達到自動清洗槍頭的效果。

在高壓發(fā)泡機的日常工作中主要常見的故障有：1）齒輪泵電機過載；2）出料閥故障；3）槍頭擺動部分不平衡；4）計量泵故障；5）伺服驅(qū)動器故障；6）上料泵故障；7）槍頭阻塞。

2.2 高壓發(fā)泡機特征參數(shù)提取

現(xiàn)選取以下特征參數(shù)來診斷上述故障：a.電機電流；b. 電機電壓；c. 電機轉(zhuǎn)速；d. 伺服控制器電流；e.流量計超程；f.流量計值低于正常值；g.找不到原點；h.料位下限報警開關(guān)。本文BP 神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)選擇S型激活函數(shù)。由于S型激活函數(shù)的輸入需要控制在［0，1］或［-1，1］范圍內(nèi)。本文利用線性歸一化的方式對原始數(shù)據(jù)進行處理，保證其處于［0，1］范圍內(nèi)變化的同時，使得同一組樣本中各數(shù)據(jù)的差異最大化，如下：

其中XJmax，XJmin為樣本中XJ的最大值和最小值。

本文選擇2018 年南通線聚氨酯高壓發(fā)泡機的300 組歷史數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)，網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)為270 組，網(wǎng)絡(luò)的測試樣本數(shù)據(jù)為30 組。表1 為7 種典型故障所對應(yīng)的預(yù)處理后的訓(xùn)練樣本。由于共有7 種輸出，若用二進制位進行編碼，編碼位則為7 位，齒輪泵電機過載（1000000），出料閥故障（0100000），槍頭擺動部分不平衡（0010000），計量泵故障（0001000），伺服控制器故障（0000100），上料泵故障（0000010），槍頭阻塞（0000001）。

2.3 高壓發(fā)泡機故障診斷的BP神經(jīng)網(wǎng)絡(luò)設(shè)計

BP 網(wǎng)絡(luò)是一種按照誤差逆向傳播訓(xùn)練的多層前饋型神經(jīng)網(wǎng)絡(luò)，包括三個層級，分別為輸入層、隱含層、輸出層。神經(jīng)元的傳遞函數(shù)一般選擇S 型函數(shù)，輸出量為連續(xù)值范圍在0～1 間變化，不需要確定的數(shù)學(xué)模型就可以找到輸入輸出映射關(guān)系。采用反向傳播學(xué)習(xí)算法對其權(quán)值進行調(diào)整。根據(jù)BP神經(jīng)網(wǎng)絡(luò)原理，雖然多隱層結(jié)構(gòu)的網(wǎng)絡(luò)有更高的精確度和更低的誤差，但是由于網(wǎng)絡(luò)的復(fù)雜度增加，訓(xùn)練時間也延長，因此本文采用單隱層的網(wǎng)絡(luò)結(jié)構(gòu)。輸入層為8 個神經(jīng)元，對應(yīng)于電機電流、電機電壓、電機轉(zhuǎn)速、伺服控制器電流、流量計超程、流量計值低于正常值、找不到原點、料位下限報警開關(guān)8個特征參數(shù)。

表1 七種典型故障預(yù)處理訓(xùn)練樣本

隱含層神經(jīng)元個數(shù)根據(jù)Kolmogorov定理計算，具體格式為

式中：M 和N 分別對應(yīng)隱含層和輸入層神經(jīng)元節(jié)點數(shù)，N的值為8，故M等于17。

網(wǎng)絡(luò)的輸出對應(yīng)著高壓發(fā)泡機的7 種典型故障：齒輪泵電機過載、出料閥故障、槍頭擺動部分不平衡、計量泵故障、伺服控制器故障、上料泵故障和槍頭阻塞。因此輸出層神經(jīng)元個數(shù)為7。學(xué)習(xí)速率取0.01，最大訓(xùn)練次數(shù)取1000，收斂精度取

0.0001。

神經(jīng)網(wǎng)絡(luò)的各項參數(shù)確定以后，BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值取［-1，1］之間的隨機數(shù)。

2.4 免疫遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)設(shè)計

遺傳算法的思想源于生物界的自然選擇和遺傳規(guī)律，把免疫思想和遺傳算法相結(jié)合，不僅可以保留遺傳算法原有的優(yōu)良特性，還可以避免網(wǎng)絡(luò)陷入局部最優(yōu)解，并且能提高網(wǎng)絡(luò)的收斂速度。免疫遺傳算法中免疫疫苗的提取和注射是整個算法的核心環(huán)節(jié)，決定了能否產(chǎn)生優(yōu)良的疫苗，影響著免疫遺傳算法的執(zhí)行效率。本文采用一種動態(tài)自適應(yīng)提取和注射疫苗的方法，相比于往常采用的靜態(tài)疫苗進化，不僅有更高的執(zhí)行效率而且確保了疫苗的全局有效性。

BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時如果采用隨機值對各層權(quán)值和閾值進行賦值，網(wǎng)絡(luò)的收斂速度一般都比較慢。本文利用自適應(yīng)免疫遺傳算法來給BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值尋優(yōu)，然后將該初始權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)。具體操作步驟如下：

Step1：抗原識別。待求問題的抗原即給定的目標函數(shù)和約束條件。在BP 網(wǎng)絡(luò)優(yōu)化的問題中，BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)誤差的倒數(shù)作為目標函數(shù)。

Step2：初始化種群。經(jīng)多次試驗對比優(yōu)化結(jié)果，本文遺傳算法種群規(guī)模設(shè)為30，隨機生成30個個體的初始種群W=（W1，W2，W3…W30）。初始種群編碼方式采用實數(shù)編碼，編碼長度公式為S=RS1+S1S2+S1+S2，其中，R，S1，S2分別對應(yīng)BP 神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的節(jié)點數(shù)，因而實際編碼長度為8×17+17×7+17+7=279，生成種群中個體Wi的一個實數(shù)向量［w1，w2，w3…w279］作為個體的染色體。

Step3：計算抗體適應(yīng)度。適應(yīng)度函數(shù)采用BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)誤差的倒數(shù)，通過算法優(yōu)化使網(wǎng)絡(luò)的系統(tǒng)誤差最小化，即適應(yīng)度值最大化。系統(tǒng)對270組訓(xùn)練樣本的系統(tǒng)誤差函數(shù)為

圖1 自適應(yīng)免疫遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖

所以，適應(yīng)度函數(shù)為

其中M 為訓(xùn)練樣本數(shù)取270，J 為輸出層節(jié)點數(shù)取7，T 為輸出節(jié)點j 的期望輸出，Y 為輸出節(jié)點j的實際輸出。

Step4：終止條件判斷。設(shè)定最大迭代次數(shù)為200，或者連續(xù)十次迭代中的最好解都無法改善時則終止。若滿足條件，則解碼構(gòu)建BP神經(jīng)網(wǎng)絡(luò)；否則繼續(xù)執(zhí)行。

Step5：選擇操作。運用保留最佳個體與輪盤賭選擇法相結(jié)合的方法，把每一代種群中的N個個體依據(jù)適應(yīng)度降序排列，將排在首位的個體復(fù)制給下一代，并且依舊排在第一位；下一代群體另外N-1 個個體采用輪盤賭選擇法，根據(jù)前一代群體的N 個個體的適應(yīng)度選擇產(chǎn)生。隨著代代更替適應(yīng)度高的個體在種群中所占的比例越來越高，算法的局部搜索能力也在逐漸增強。

Step6：自適應(yīng)交叉、變異操作。交叉概率Pc和變異概率Pm是免疫遺傳算法中兩個重要的參數(shù)。為了使Pc和Pm隨著種群多樣性自適應(yīng)變化。當種群適應(yīng)度趨于局部最優(yōu)化時減小，當適應(yīng)度比較分散時增大，交叉概率Pc和變異概率Pm如下：

Step7：提取疫苗。采用動態(tài)自適應(yīng)的方式對免疫疫苗進行提取。通過動態(tài)自適應(yīng)的方式提取。每代種群按照適應(yīng)度將序排列取前Kb個抗體，把最近K 代的前Kb個抗體選取出來組成最優(yōu)抗體群?？贵w的每位基因有s 種情況（k1，k2，…，ks），第i位基因為ki的概率為其中，當g（i）=ki時，aj=1，否則aj=0；g（i）為種群中第i 等位基因上的符號。該等位基因上的疫苗片段取該位基因上最大概率（記為pi，i=1，2，…，L）的kj，從而最終提取出疫苗H=（h1，h2，…，hL）。

Step8：接種疫苗。采用如下方式選擇待注射的基因片段：由Step6，疫苗為H=（h1，h2，…，hL），令qi與hi相對應(yīng)，pi的含義

如Step7所示。采用輪盤賭選擇法來選擇疫苗片段，由于qi的大小決定被選中概率的高低，因此輪盤盤面的各個部分比例按照qi的值劃。這樣形成的抗體有更高的適應(yīng)度，組成的免疫種群也更加優(yōu)越。

Step9：免疫選擇。接種后的子代個體如果適應(yīng)度提高則采用，否則保留父代個體，說明在遺傳和接種過程中出現(xiàn)了退化。

Step10：種群更新。每代種群中適應(yīng)度最高的Kb個抗體保存下來存入免疫記憶庫；最低的Kd個予以刪除，并用隨機產(chǎn)生的新抗體補充。

3 仿真與結(jié)果分析

用Matlab 對設(shè)置好的BP 神經(jīng)網(wǎng)絡(luò)和自適應(yīng)免疫遺傳算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)對270 組訓(xùn)練樣本分別進行訓(xùn)練，仿真得到訓(xùn)練誤差曲線圖，圖3為BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差曲線，圖4 為優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差曲線。

由圖3和圖4可得，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過56步達到收斂。經(jīng)免疫遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)經(jīng)過11步達到收斂。對比圖3和圖4可知，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度明顯加快，很快便可以達到要求的誤差精度。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

圖3 自適應(yīng)免疫遺傳BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

表2 BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果統(tǒng)計

表3 IAGA-BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果統(tǒng)計

未優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)和優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，用之前分好的30 組測試數(shù)據(jù)對網(wǎng)絡(luò)進行測試，統(tǒng)計測試結(jié)果具體見表2和表3。

由表2 可知，30 組測試樣本經(jīng)未優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)診斷，有4 組診斷產(chǎn)生了錯誤，正確率為86.7%。由表3 可知，經(jīng)過優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)，僅有1組產(chǎn)生了錯誤，正確率達到96.7%。

經(jīng)過優(yōu)化的神經(jīng)網(wǎng)絡(luò)測試誤差也明顯減小，30組測試樣本的測試誤差如圖5。

圖4 BP網(wǎng)絡(luò)和IAGA-BP網(wǎng)絡(luò)診斷誤差對比

4 結(jié)語

傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)高壓發(fā)泡機故障診斷系統(tǒng)，由于BP 神經(jīng)網(wǎng)絡(luò)的局部極值以及收斂速度慢的問題，經(jīng)常導(dǎo)致診斷系統(tǒng)誤診，本文把自適應(yīng)免疫遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)進行了結(jié)合，對BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，利用免疫遺傳算法的全局搜索能力，避免了BP神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)問題，提高了訓(xùn)練效率。結(jié)合高壓發(fā)泡機數(shù)據(jù)對其進行了驗證，驗證結(jié)果表明優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型不僅診斷速度明顯提升，而且準確率也大大提高，可以減少因誤診或者診斷不及時帶來的一些不必要損失。