浙江萬里學(xué)院 李小青

將蟻群算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，克服神經(jīng)網(wǎng)絡(luò)BP算法收斂速度慢、容易陷入局部極小的缺點(diǎn)，結(jié)合汽車發(fā)動機(jī)故障的特點(diǎn)，探討了一種基于蟻群神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷系統(tǒng)。仿真實(shí)驗(yàn)表明該系統(tǒng)具有一定的實(shí)用性。

基于BP算法的神經(jīng)網(wǎng)絡(luò)早已廣泛應(yīng)用于各種故障診斷中，但該算法具有收斂速度慢、易陷入局部極小等缺點(diǎn)。為此，本文融合蟻群算法，并將其應(yīng)用于故障診斷中。

1 基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的故障診斷

神經(jīng)網(wǎng)絡(luò)具有處理復(fù)雜多模式及進(jìn)行聯(lián)想推測和記憶的功能，很適合應(yīng)用于各種系統(tǒng)的故障診斷[1]。如圖1所示為常見的基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)的一般結(jié)構(gòu)。

圖1 基于神經(jīng)網(wǎng)絡(luò)的故障診斷Fig.1 Fault diagnosis based on neural network

2 蟻群神經(jīng)網(wǎng)絡(luò)

利用蟻群算法具有全局優(yōu)化和啟發(fā)式尋優(yōu)的特點(diǎn)[3]，采用蟻群算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值。其主要步驟如下：

Step 1)：初始條件：令時(shí)間t和循環(huán)次數(shù)Nc均為0，設(shè)置最大循環(huán)次數(shù)Nmax，初始化所有集合Ωpr(1≤r≤D)中的每個(gè)元素pj(Ωpr)的信息素Ppj(Ωpr)

Step 2)：任意一只螞蟻k(k=1,2,…,s)從集合Ipi開始，根據(jù)公式（1）計(jì)算的概率隨機(jī)地選擇它的第j個(gè)元素。

Step 3): 重復(fù)步驟2，直到蟻群全部到達(dá)食物源。

Step 4):令t=t+m,NC=NC+1,計(jì)算用各螞蟻所選權(quán)值作神經(jīng)網(wǎng)絡(luò)參數(shù)時(shí)訓(xùn)練樣本的輸出誤差，記錄當(dāng)前最優(yōu)解，按式(2)來調(diào)節(jié)每個(gè)元素的信息素。

式中m為螞蟻覓食過程經(jīng)歷的時(shí)間單位，ρ(0≤ρ≤1)為信息素的持久性，1-ρ表示信息素的消逝程度，Δτj(Ipi)為在本次循環(huán)中第k只螞蟻在集合Ipi的第j個(gè)元素上留下的信息素，可用式(3)來計(jì)算。

Step 5):重復(fù)以上步驟，直到進(jìn)化趨勢不明顯或循環(huán)次數(shù)NC≥NCmax，則循環(huán)結(jié)束，輸出最優(yōu)解，算法結(jié)束，否則轉(zhuǎn)到第步驟(2)執(zhí)行。

3 蟻群神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在汽車發(fā)動機(jī)故障診斷中的應(yīng)用

3.1 發(fā)動機(jī)故障診斷專家系統(tǒng)的總體框架

本文設(shè)計(jì)了融合蟻群神經(jīng)網(wǎng)絡(luò)混合算法的發(fā)動機(jī)故障診斷專家系統(tǒng)，如圖2所示，該系統(tǒng)主界面如圖3所示。專家知識庫管理是核心內(nèi)容，完成瀏覽、添加和修改知識功能；故障診斷模塊綜合利用專家知識庫采用同一窗體進(jìn)行幾十種診斷，包括數(shù)據(jù)采集和現(xiàn)象診斷等；可利用信息咨詢和系統(tǒng)幫助進(jìn)行有關(guān)參數(shù)的查詢及輔助維修管理等。

圖2 系統(tǒng)總體框架圖Fig.2 Overall system framework

圖3 系統(tǒng)主界面Fig.3 System main interface

3.2 知識庫的建立

在神經(jīng)網(wǎng)絡(luò)中將同一問題的知識表示在同一網(wǎng)絡(luò)中，它是一種隱式表示，而傳統(tǒng)的知識表示，是一種顯式表示[2]，神經(jīng)網(wǎng)絡(luò)表示法如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)表示法Fig.4 Neural network representation

由于發(fā)動機(jī)是一個(gè)非常復(fù)雜的診斷對象，在此可以把系統(tǒng)劃分為幾大模塊。以發(fā)動機(jī)油路故障為例創(chuàng)建一個(gè)子神經(jīng)網(wǎng)絡(luò)。例如發(fā)動機(jī)不能起動的原因，從大體方面可能是進(jìn)氣系統(tǒng)、壓縮空氣起動系統(tǒng)及油路等故障造成的，通過分析，排除了其他的可能，發(fā)動機(jī)不能起動的原因是出現(xiàn)在油路故障，而油路故障又可能是因?yàn)闉V清器、輸油泵或高壓油泵故障等引起的，為便于理解，我們可用如下定義：

故障現(xiàn)象：

X1：觀察油箱中剩余燃油情況(0：油箱中有油；1：油箱中沒油)

X2：檢查濾清器有無污垢(0：無污垢；1：有污垢)

X3：檢查輸油泵輸油情況(0：正常；1：不正常)

X4：高壓油泵工作情況(0：正常；1：不正常)

X5：噴油器供油情況(0：良好；1：不好)

故障原因：

Y1：油箱沒油(0：否；1：是)

Y2：濾清器污阻(0：否；1：是)

Y3：輸油泵故障(0：否；1：是)

Y4：高壓油泵故障(0：否；1：是)

Y5：噴油器故障(0：否；1：是)

根據(jù)上面例子分析，可以構(gòu)造一個(gè)如圖5所示的5×4×5神經(jīng)網(wǎng)絡(luò)。

圖5 油路故障神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 Neural network structure diagram of oil

確定各個(gè)子網(wǎng)絡(luò)的訓(xùn)練樣本并進(jìn)行訓(xùn)練，獲得它們的連接權(quán)值和閾值，然后存儲連接權(quán)值，形成知識庫[4]。如表1所示部分油路故障診斷訓(xùn)練樣本。

表1 油路故障診斷訓(xùn)練樣本Tab.1 Training samples of oil circuit fault

3.3 知識庫的管理

包括知識的檢驗(yàn)管理、知識的存入、知識的修改和刪除等。如圖6所示為知識庫基本管理界面。很方便地實(shí)現(xiàn)了人機(jī)交互對知識的輸入、查詢、瀏覽、刪除、修改等基本管理。

圖6 知識庫管理Fig.6 Knowledge base management

3.4 系統(tǒng)故障診斷流程

總體的故障診斷流程如圖7所示。首先輸入故障現(xiàn)象，系統(tǒng)進(jìn)行計(jì)算，當(dāng)某一輸出值大于閾值，輸出診斷結(jié)果，否則系統(tǒng)會重新提問或指示沒有故障。

圖7 系統(tǒng)總體診斷流程圖Fig.7 Overall system diagnosis flow chart

4 結(jié)語

本文將蟻群算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，克服神經(jīng)網(wǎng)絡(luò)BP算法收斂速度慢、容易陷入局部極小的缺點(diǎn)，設(shè)計(jì)了一種基于蟻群神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷系統(tǒng)。仿真實(shí)驗(yàn)表明該系統(tǒng)具有一定的實(shí)用性。

引用

[1] 畢曉君,柳長源,盧迪.基于PSO-RVM算法的發(fā)動機(jī)故障診斷[J].哈爾濱工程大學(xué)學(xué)報(bào),2014,35(2):245-249.

[2] 程學(xué)珍,王常安,李繼明,等.基于自適應(yīng)神經(jīng)模糊Petri網(wǎng)的電機(jī)故障診斷[J].山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,39(3):109-117.

[3] 宋紅英.基于蟻群神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷專家系統(tǒng)的研究[D].北京:中國農(nóng)業(yè)大學(xué),2005.

[4] LECUN Y,BENGIO Y,HINTON G.Deep Learning[J].Nature,2015,521(7553):436-444．

[5] HINTON G E,SALAKHUTDINOV R R.Reducing the Dimensionality of Data with Neural Networks[J].Scince,2006,313(5786):504-507.