梁 偉,陳志雄,歐陽忠杰,龔晟煒,鐘建華*,鐘舜聰,廖華忠

(1.福州大學(xué) 機(jī)械工程及自動(dòng)化學(xué)院,福建 福州 350108;2.福建省力值計(jì)量測(cè)試重點(diǎn)實(shí)驗(yàn)室(福建省計(jì)量科學(xué)研究院),福建 福州 350100;3.廈門產(chǎn)業(yè)技術(shù)研究院,福建 廈門 361001;4.福建省太赫茲功能器件與智能傳感重點(diǎn)實(shí)驗(yàn)室,福建 福州 350108;5.西交利物浦大學(xué) 智能工程學(xué)院,江蘇 蘇州 215123)

0 引 言

軸重式動(dòng)態(tài)汽車衡一般由承載秤臺(tái)、均勻分布在秤臺(tái)下方的應(yīng)變式稱重傳感器(若干只)以及稱重儀表等組成。它能對(duì)高速行駛狀態(tài)車輛進(jìn)行全天候、全路段計(jì)量稱重,因此,被廣泛應(yīng)用于公路治超稱重、港口碼頭貨物計(jì)量等領(lǐng)域[1]。

動(dòng)態(tài)汽車衡長(zhǎng)期服役于酷暑、嚴(yán)寒、腐蝕、高濕等惡劣的戶外環(huán)境,而且每天要承受上萬次重型貨車的加載與卸載循環(huán)沖擊。在該工況下,連接秤臺(tái)與傳感器的螺栓預(yù)緊力容易下降,進(jìn)而誘發(fā)連接松動(dòng)甚至脫落,不僅使稱重結(jié)果發(fā)生異常,而且容易導(dǎo)致結(jié)構(gòu)失效,引發(fā)安全事故[2]。

因此,研究螺栓松緊狀態(tài)的監(jiān)測(cè)與檢測(cè)方法,對(duì)確保汽車衡稱量結(jié)果的準(zhǔn)確性和設(shè)備運(yùn)行的可靠性具有重要意義[3]。

傳統(tǒng)的螺栓連接松緊狀態(tài)監(jiān)測(cè)方法主要建立在對(duì)螺栓機(jī)械連接的內(nèi)在機(jī)理分析之上,采用信號(hào)分析處理技術(shù),進(jìn)行其故障的監(jiān)測(cè)與檢測(cè)。

例如,任凱等人[4]基于螺栓松動(dòng)時(shí)設(shè)備阻抗會(huì)發(fā)生變化的特征,將傳感器粘在設(shè)備表面,利用耦合效應(yīng),通過對(duì)電阻抗變化進(jìn)行測(cè)量,完成了對(duì)螺栓連接狀態(tài)的分析監(jiān)測(cè);但是電阻抗的變化受到溫度、濕度、電壓等因素的影響,這些因素可能會(huì)使電阻抗的測(cè)量結(jié)果產(chǎn)生偏差,從而降低該方法的靈敏度和準(zhǔn)確性。屈文忠等人[5]利用螺栓松動(dòng)產(chǎn)生的機(jī)械結(jié)構(gòu)非線性剛度變化特征,完成了對(duì)螺栓連接狀態(tài)的監(jiān)測(cè)任務(wù);但是,對(duì)于軸重式動(dòng)態(tài)汽車衡而言,其工況復(fù)雜,很難建立起其準(zhǔn)確的物理模型。

依據(jù)螺栓松動(dòng)前后振動(dòng)信號(hào)特征的變化來判斷螺栓的松緊狀態(tài),是目前研究最多的方法之一。該方法大致可分為:振動(dòng)聲調(diào)制法[6]、希爾伯特黃變換法[7]、經(jīng)驗(yàn)?zāi)B(tài)分解法[8]、小波變換法[9]、概率密度分析法[10]等。雖然在其特定的研究對(duì)象上,這些方法均取得了一定的成效;但在處理非平穩(wěn)信號(hào)時(shí),需要進(jìn)行分段處理,可能會(huì)引入不連續(xù)點(diǎn),從而影響分析結(jié)果的準(zhǔn)確性。同時(shí),由于汽車衡工況復(fù)雜、干擾多、噪聲大,上述方法很難適用。

隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,利用數(shù)據(jù)建模方式建立起數(shù)據(jù)間的關(guān)聯(lián)性,并采用機(jī)器學(xué)習(xí)進(jìn)行信息挖掘的方法,目前已在一些工業(yè)領(lǐng)域得到廣泛應(yīng)用[11]。

例如,XU J等人[12]采用電—機(jī)械阻抗傳感技術(shù),采集了螺栓連接球形接頭數(shù)據(jù),同時(shí)結(jié)合反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò),完成了對(duì)其松緊狀態(tài)的監(jiān)測(cè)任務(wù);但是這種電—機(jī)械阻抗監(jiān)測(cè)需要專門的儀器和設(shè)備,設(shè)備成本高,且操作復(fù)雜。陳佳雷[13]研發(fā)了一種新型智能墊片傳感器,并提出了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型,完成了對(duì)海洋平臺(tái)螺栓松動(dòng)狀態(tài)的實(shí)時(shí)監(jiān)測(cè)任務(wù);但該方法需要額外安裝傳感器,且數(shù)據(jù)量大,數(shù)據(jù)處理非常復(fù)雜。

此外,東南大學(xué)、西南交通大學(xué)、長(zhǎng)安大學(xué)等機(jī)構(gòu)的研究者也分別采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù),對(duì)各種機(jī)械系統(tǒng)的螺栓松動(dòng)故障進(jìn)行了診斷研究;但是,上述方法所需求的訓(xùn)練樣本量大。而軸重式動(dòng)態(tài)汽車衡可獲得的數(shù)據(jù)樣本量較少,因此,深度學(xué)習(xí)方法很難適用。

神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)的取值通常決定著網(wǎng)絡(luò)的性能,決定著模型在運(yùn)行過程中的魯棒性、精確性和穩(wěn)定性。

為此,張麗秀等人[14]提出了基于遺傳算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的模型,與未優(yōu)化模型相比,采用該模型獲得的預(yù)測(cè)精度得到了很大提升;但其容易出現(xiàn)過早收斂的問題。賈義鵬等人[15]提出了一種基于PSO-GRNN模型的巖爆預(yù)測(cè)方法。該方法利用已有巖爆數(shù)據(jù),采用神經(jīng)網(wǎng)絡(luò)技術(shù)建立回歸模型,采用粒子群算法對(duì)模型參數(shù)進(jìn)行優(yōu)化,可減少人為因素對(duì)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的影響。該模型在一定程度上提升了預(yù)測(cè)精度;但是由于GRNN的診斷精度受到內(nèi)部核心參數(shù)光滑因子σ的影響比較大,在樣本數(shù)量不大的情況下,光滑因子的選取受到算法自身局限性的制約,容易出現(xiàn)誤診現(xiàn)象。

針對(duì)這一問題,基于萊維飛行,筆者提出一種改進(jìn)粒子群算法。首先,提取不同狀態(tài)下的系統(tǒng)輸出信號(hào)特征,并由此對(duì)GRNN的光滑因子σ進(jìn)行優(yōu)化,從而建立LPSO-GRNN預(yù)測(cè)模型,最后基于該模型,對(duì)軸重式動(dòng)態(tài)汽車衡的螺栓松緊狀態(tài)進(jìn)行預(yù)測(cè)。

1 汽車衡振動(dòng)信號(hào)特征提取

對(duì)于機(jī)械裝備而言,其輸出振動(dòng)信號(hào)往往反映出狀態(tài)的變化[16]。振動(dòng)信號(hào)的特征指標(biāo)包含了時(shí)域特征、頻域特征和時(shí)頻特征,其中,時(shí)域特征可以反映機(jī)械設(shè)備的總體狀態(tài),頻域特征可以確定故障的類型[17]92。

在建立系統(tǒng)狀態(tài)預(yù)測(cè)模型之前,需要對(duì)汽車衡的輸出信號(hào)進(jìn)行預(yù)處理。然而,在采用線性傅里葉濾波、指數(shù)平滑濾波等傳統(tǒng)方法對(duì)原始信號(hào)進(jìn)行分解時(shí),通常要在輸出信號(hào)中明確給出信號(hào)的相移規(guī)則,使信號(hào)產(chǎn)生一定損失[18]。

不同特征參量對(duì)各種故障的敏感程度不同。因此,為了更加全面地描述單一信號(hào)特征信息,筆者提取了振動(dòng)信號(hào)中的波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)等時(shí)域特征,將其合并作為模型的輸入特征向量。

振動(dòng)信號(hào)特征指標(biāo)如表1所示。

表1 振動(dòng)信號(hào)特征指標(biāo)

采用動(dòng)態(tài)汽車衡系統(tǒng)內(nèi)部的稱重傳感器和加速度傳感器,可以方便地獲取汽車駛過時(shí)的軸重信號(hào)、速度信號(hào)以及振動(dòng)信號(hào)。從這些信號(hào)中可以提取出汽車衡在服役過程中的工作狀態(tài)。

然而,由于汽車的加載位置、載荷量以及汽車衡表面的平整度不同,這些因素對(duì)單一信號(hào)造成較大干擾,導(dǎo)致使用單一信號(hào)指標(biāo)進(jìn)行狀態(tài)識(shí)別時(shí)魯棒性較差[17]94。

所以,通過提取特征指標(biāo),使用這些指標(biāo)共同對(duì)狀態(tài)進(jìn)行判斷,可以彌補(bǔ)這一不足,從而增強(qiáng)狀態(tài)檢測(cè)、故障識(shí)別的魯棒性[19]。

故筆者提出一種基于提取振動(dòng)信號(hào)特征指標(biāo)的汽車衡內(nèi)部螺栓松緊狀態(tài)預(yù)測(cè)方法。

2 LPSO-GRNN模型

廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)是一種前饋監(jiān)督神經(jīng)網(wǎng)絡(luò),具有很強(qiáng)的非線性映射能力、柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高容錯(cuò)性和強(qiáng)魯棒性,即使在訓(xùn)練樣本數(shù)有限的情況下,也能取得較好的回歸效果[20]。因此,其在各個(gè)研究領(lǐng)域均取得了廣泛應(yīng)用[21]。

在GRNN中,光滑因子σ是唯一需要確定的網(wǎng)絡(luò)參數(shù),其取值的過大、過小都會(huì)影響模型的預(yù)測(cè)精度。而在求解σ時(shí),傳統(tǒng)的粒子群優(yōu)化(PSO)算法因容易陷入局部最優(yōu)解,導(dǎo)致其過早收斂,從而使GRNN的σ未能匹配最優(yōu)值而影響預(yù)測(cè)精度。

針對(duì)該問題,筆者提出采用萊維飛行(Lévy)改進(jìn)粒子群優(yōu)化算法(LPSO算法)。

筆者通過對(duì)已有的訓(xùn)練數(shù)據(jù)進(jìn)行參數(shù)尋優(yōu),得到處理此類數(shù)據(jù)最優(yōu)的σ,并把它代入到GRNN模型,建立LPSO-GRNN模型,其具體過程如下。

2.1 GRNN模型

GRNN模型由4層網(wǎng)絡(luò)構(gòu)成,依次為輸入層、模式層、求和層和輸出層。

GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)

輸入層中神經(jīng)元的數(shù)目與輸入樣本X向量的維數(shù)相等,且每個(gè)神經(jīng)元直接把X向量的信息傳遞給模式層。在模式層中,神經(jīng)元的數(shù)目與學(xué)習(xí)樣本的數(shù)目相等,且采用高斯函數(shù)為基函數(shù),其神經(jīng)元傳遞函數(shù)如下:

Pi=e-[(X-Xi)T(X-Xi)]/2σ2,i=1,2,3,…N

(1)

式中:Xi為第i個(gè)神經(jīng)元對(duì)應(yīng)的輸入學(xué)習(xí)樣本;σ為光滑因子。

求和層主要是對(duì)模式層中的傳遞函數(shù)進(jìn)行求和,主要有2種求和類型。第1種求和類型為計(jì)算模式層中各個(gè)神經(jīng)元傳遞函數(shù)的代數(shù)和,其連接權(quán)值為1,又稱為分母單元SD,該求和類型的傳遞函數(shù)如下:

(2)

第2種求和類型為計(jì)算模式層中各個(gè)神經(jīng)元傳遞函數(shù)的加權(quán)和,其連接權(quán)值為訓(xùn)練樣本時(shí)的期望輸出值,又稱為分子單元SNj,其傳遞函數(shù)如下:

(3)

式中:yij為第i個(gè)樣本的期望輸出值。

輸出層的神經(jīng)元數(shù)目等于輸出向量的維數(shù)m,輸出層主要通過將求和層得到的分子單元和分母單元輸出相除,得到輸出結(jié)果如下:

(4)

結(jié)合式(1)～式(4),得到第i個(gè)樣本的LPSO-GRNN網(wǎng)絡(luò)模型的預(yù)測(cè)輸出如下所示:

(5)

2.2 GRNN模型優(yōu)化

PSO算法是由Eberhart和Kennedy基于鳥群尋找食物行為而提出的一種求解最優(yōu)解的優(yōu)化算法[22]。

作為一種智能的群優(yōu)化算法,其工作原理為:在一個(gè)D維的搜索尋優(yōu)范圍里,當(dāng)粒子開始按要求運(yùn)動(dòng)的時(shí)候,它們的集合為S={s1,s2,…,sm}T,粒子的規(guī)模大小為m。而對(duì)于粒子si,其粒子的位置為si={si1,si2,…,siD}T;粒子的運(yùn)動(dòng)速率為vi={vi1,vi2,…,viD}T;粒子的最優(yōu)位置為pi={pi1,pi2,…,piD}T;粒子群最優(yōu)位置則為pg={pg1,pg2,…,pgm}T,且所有的粒子均具有不同的個(gè)體適應(yīng)度。

粒子的飛行過程就是該個(gè)體的搜索過程,粒子的飛行速度可以根據(jù)粒子歷史最優(yōu)位置和種群歷史最優(yōu)位置來進(jìn)行動(dòng)態(tài)調(diào)整,粒子的速度代表移動(dòng)的快慢,位置代表移動(dòng)的方向。通過不斷地更新粒子的速度和位置,直到找到滿足終止條件的全局最優(yōu)解。

粒子在t+1時(shí)刻的速度如下:

vi_(t+1)=wvi_t+c1γ1(pi_t-si_t)+c2γ2(pg_t-si_t)

(6)

粒子在t+1時(shí)刻的位置如下:

si_(t+1)=si_t+vi_(t+1)

(7)

式中:i為第i個(gè)粒子;vi_(t+1)為粒子在t+1時(shí)刻的速度;si_(t+1)為粒子在t+1時(shí)刻的位置;w為慣性權(quán)重;vi_t為粒子在t時(shí)刻的速度;si_t為粒子在t時(shí)刻的位置;pi_t為粒子在t時(shí)刻的個(gè)體最優(yōu)值;pg_t為粒子在t時(shí)刻的群體最優(yōu)值;c1,c2為取值范圍在(1,2)的加速因子;γ1,γ2為[0,1]之間的任意數(shù)。

雖然PSO在解決問題時(shí)具有高計(jì)算效率,但它容易過早地收斂。由于初始條件是隨機(jī)生成的,如果其正好接近該局部最優(yōu)解,那么粒子將陷入局部最優(yōu)解而不能跳出,從而影響全局最優(yōu)解,導(dǎo)致GRNN的σ未能匹配到最優(yōu)值而影響預(yù)測(cè)精度。

而Lévy飛行由于具有獨(dú)特的行走方式,正好可以解決PSO算法容易陷入局部最優(yōu)解的問題。其不僅能夠擴(kuò)大粒子的搜索范圍,增加粒子群的多樣性;還能提高粒子在模糊狀態(tài)下的搜索效率及粒子活力,使求解時(shí)可以跳出局部最優(yōu)解,更好地完成對(duì)全局最優(yōu)解的搜索。

引入Lévy飛行后,粒子位置的更新公式如下:

(8)

采用Mantegna算法執(zhí)行萊維飛行,步長(zhǎng)計(jì)算公式如下:

(9)

式中:β的取值范圍一般為1<β<3。

u、v均服從正態(tài)分布,分布式分別如下:

(10)

v～N(0,1)

(11)

σu的計(jì)算方法如下:

(12)

對(duì)于LPSO-GRNN模型而言,粒子的當(dāng)前位置為解決問題的一個(gè)候選解,粒子的個(gè)體最優(yōu)位置為局部最優(yōu)解;而粒子群的最優(yōu)位置即為全局最優(yōu)解,即為GRNN中的最優(yōu)光滑因子σ。

所以,粒子群算法的實(shí)現(xiàn)可按以下步驟進(jìn)行:

1)首先是把參數(shù)初始化,建立初始粒子種群S={s1,s2,…,sm}T,分別設(shè)定粒子群的各有關(guān)參數(shù):初始參數(shù)c1和c2、初始速度矩陣V、粒子個(gè)體初始最優(yōu)位置pi和全局最優(yōu)位置pg;

2)評(píng)估粒子種群中的各個(gè)粒子,獲得每個(gè)粒子的適應(yīng)度值。其值是描述粒子性能的主要指標(biāo),粒子si的適應(yīng)度是指在n個(gè)支持向量機(jī)中的粒子si預(yù)測(cè)值與真實(shí)值之間誤差的平方和。根據(jù)適應(yīng)度的大小,對(duì)粒子個(gè)體進(jìn)行優(yōu)勝劣汰。計(jì)算每個(gè)粒子的適應(yīng)度F(si),其函數(shù)如下:

(13)

3)利用數(shù)據(jù)對(duì)粒子群完成更新,其中包括3個(gè)方面內(nèi)容:粒子群中每個(gè)粒子狀態(tài)更新、粒子個(gè)體最優(yōu)位置pi的更新,以及全局最優(yōu)位置pg的更新;

4)終止條件為:當(dāng)更新次數(shù)達(dá)到設(shè)定的最大訓(xùn)練次數(shù)時(shí),或者更新結(jié)果粒子適應(yīng)度值滿足要求時(shí),則訓(xùn)練終止,輸出最后結(jié)果。否則,重復(fù)循環(huán)步驟2)和步驟3),繼續(xù)進(jìn)行評(píng)估和更新,直到達(dá)到最大訓(xùn)練次數(shù)或者找到全局最優(yōu)解。

LPSO算法的工作流程如圖2所示。

圖2 LPSO算法的工作流程

3 基于LPSO-GRNN的螺栓松緊狀態(tài)預(yù)測(cè)

3.1 螺栓松緊狀態(tài)預(yù)測(cè)模型

采用軸重式動(dòng)態(tài)汽車衡逐個(gè)累加駛過秤臺(tái)的各輪軸的重量,可以得到汽車的總質(zhì)量。汽車在行駛過程中,由于自身的激勵(lì)和路面顛簸產(chǎn)生的激勵(lì)等原因而引起振動(dòng)。

在汽車駛過汽車衡時(shí),該振動(dòng)會(huì)與秤臺(tái)耦合,使秤臺(tái)也產(chǎn)生振動(dòng)。當(dāng)螺絲處于緊固或松弛的不同狀態(tài)下,汽車與秤臺(tái)耦合產(chǎn)生的振動(dòng)也不同。

而且理論分析與實(shí)驗(yàn)結(jié)果表明,車速越大,該振動(dòng)越大。并且由于該振動(dòng)的存在,會(huì)使汽車輪軸施加在秤臺(tái)的載荷小于或大于其自身的真實(shí)重量,從而使同一部車輛在不同振動(dòng)狀態(tài)下稱量后得到的軸重分布不同,其計(jì)算得到的車輛總質(zhì)量也會(huì)偏離汽車重量的真實(shí)值。

而在汽車衡的輸出振動(dòng)信號(hào)上,無法通過人工直觀看出這些變化,卻又具體體現(xiàn)在振動(dòng)信號(hào)的各信號(hào)特征上。

如何根據(jù)輸出振動(dòng)信號(hào)有效提取不同重量汽車在不同松緊狀態(tài)下的信號(hào)特征,并以此建立螺栓松緊狀態(tài)預(yù)測(cè)模型是研究的基礎(chǔ)。因此,建立螺栓松緊狀態(tài)預(yù)測(cè)模型必須考慮軸重、車速與各分解后的特征。

基于該理論,筆者選取汽車衡所測(cè)得的軸重、車速以及不同狀態(tài)下的振動(dòng)信號(hào)特征作為神經(jīng)網(wǎng)絡(luò)的輸入向量,以螺栓的松緊狀態(tài)作為輸出,建立該預(yù)測(cè)模型。

各輸入因素與螺栓的緊固或松弛狀態(tài)相關(guān),并體現(xiàn)在輸出振動(dòng)信號(hào)上;不同的軸重、軸數(shù)分布與螺栓緊固或松弛狀態(tài)相關(guān),并體現(xiàn)為車輛與秤臺(tái)耦合作用產(chǎn)生的振動(dòng)強(qiáng)弱、信號(hào)波峰不同;車速與汽車和秤臺(tái)耦合作用產(chǎn)生的振動(dòng)信號(hào)緊密性相關(guān);各信號(hào)特征則在一定程度上反映了設(shè)備的磨損情況、沖擊的強(qiáng)度以及波形的對(duì)稱度等因素,并以此來進(jìn)行測(cè)試關(guān)聯(lián)驗(yàn)證。

為簡(jiǎn)化分析與運(yùn)算,只對(duì)螺栓的緊固和松弛2種狀態(tài)進(jìn)行實(shí)驗(yàn)。

3.1.1 訓(xùn)練學(xué)習(xí)樣本采集測(cè)試

此處,筆者采用1臺(tái)型號(hào)為ZDG-40-DZ的軸重式動(dòng)態(tài)汽車衡進(jìn)行實(shí)驗(yàn),其量程范圍為0.5 t～40 t,分度值為50 kg,準(zhǔn)確度等級(jí)為5級(jí)。

被測(cè)軸重式動(dòng)態(tài)汽車衡的內(nèi)部結(jié)構(gòu)圖和實(shí)驗(yàn)現(xiàn)場(chǎng)如圖3所示。

圖3 被測(cè)軸重式動(dòng)態(tài)汽車衡

筆者使用1輛實(shí)際總質(zhì)量為20 710 kg的3軸剛性貨車對(duì)汽車衡進(jìn)行測(cè)試,分別在螺栓緊固與松弛兩種情況下,使用汽車衡對(duì)5 km/h、10 km/h、20 km/h、30 km/h和40 km/h這5種不同車速狀態(tài)下的貨車分別進(jìn)行8次稱重,得到80組車速、軸重值和輸出振動(dòng)信號(hào)。

3.1.2 樣本訓(xùn)練

為了構(gòu)建該軸重式動(dòng)態(tài)汽車衡螺栓松緊狀態(tài)預(yù)測(cè)模型,筆者從測(cè)試得到的80組數(shù)據(jù)中,在每個(gè)速度段各隨機(jī)選取15組數(shù)據(jù),共60組數(shù)據(jù),作為訓(xùn)練學(xué)習(xí)樣本;采用MATLAB軟件,編寫相關(guān)的特征提取程序,根據(jù)60組輸出振動(dòng)信號(hào),依次提取60組相關(guān)的信號(hào)特征,并按照?qǐng)D1和圖2所示的LPSO-GRNN模型建立方法,對(duì)所采集的60組樣本進(jìn)行訓(xùn)練尋優(yōu)。

訓(xùn)練學(xué)習(xí)樣本集如表2所示。

表2 訓(xùn)練學(xué)習(xí)樣本集

算法優(yōu)化前后,光滑因子最優(yōu)值隨樣本訓(xùn)練次數(shù)的更新變化如圖4所示。

圖4 算法優(yōu)化前后光滑因子最優(yōu)值隨樣本訓(xùn)練次數(shù)的更新變化

在模型學(xué)習(xí)訓(xùn)練中,通過不斷訓(xùn)練更新,計(jì)算找出最優(yōu)光滑因子σ。當(dāng)樣本達(dá)到預(yù)先設(shè)定的最大訓(xùn)練次數(shù),或達(dá)到訓(xùn)練目標(biāo)精度時(shí),結(jié)束訓(xùn)練。

從圖4可以明顯看出:改進(jìn)前的PSO算法由于樣本數(shù)量的不足,一開始便陷入了局部收斂的困境;

改進(jìn)后的LPSO算法,由于引入Lévy飛行操作,通過產(chǎn)生隨機(jī)步長(zhǎng)來對(duì)粒子的位置和速度進(jìn)行更新,從而避免陷入局部收斂;

在經(jīng)過幾次的更新后,改進(jìn)后的LPSO算法一直處于穩(wěn)定收斂狀態(tài),直至達(dá)到預(yù)先設(shè)定的最大訓(xùn)練次數(shù),此時(shí)的粒子位置便是最優(yōu)的光滑因子,σ=17.881。

3.2 模型驗(yàn)證與對(duì)比

為了驗(yàn)證所建立的LPSO-GRNN模型的準(zhǔn)確性和先進(jìn)性,筆者分別建立了LPSO-GRNN模型、GRNN模型和PSO-GRNN模型,進(jìn)行不同模型預(yù)測(cè)結(jié)果的對(duì)比。

在測(cè)試得到的80組數(shù)據(jù)中,筆者將除訓(xùn)練樣本集外的20組數(shù)據(jù)作為驗(yàn)證的數(shù)據(jù);將驗(yàn)證數(shù)據(jù)代入到以上各模型中,對(duì)汽車衡的螺栓緊固情況逐一進(jìn)行計(jì)算預(yù)測(cè),并將其與實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比驗(yàn)證。

根據(jù)樣本真實(shí)標(biāo)簽與模型預(yù)測(cè)標(biāo)簽的組合,其結(jié)果分為真正例、真反例、假正例、假反例4種。研究中,TP、TN、FP、FN分別代表對(duì)應(yīng)的樣例數(shù)。其中,取標(biāo)簽正常為正例,標(biāo)簽異常為反例。

另外,筆者采用典型的性能評(píng)價(jià)指標(biāo),即準(zhǔn)確率Acc(Accuracy)、特異度Spe(Specificity)、召回率Rec(Recall)和F1得分(F1-Score),以此來對(duì)模型進(jìn)行綜合評(píng)估。

各指標(biāo)表達(dá)式如下所示:

Acc=(TP+TN)/(TP+TN+FP+FN)

(14)

Spe=TN/(TN+FP)

(15)

Rec=TP/(TP+FN)

(16)

F1=(2×Pre×Rec)/(Pre+Rec)

(17)

不同模型預(yù)測(cè)結(jié)果對(duì)比如表3所示。

表3 不同模型預(yù)測(cè)結(jié)果對(duì)比

從表3可以看出:對(duì)于傳統(tǒng)的GRNN模型,由于網(wǎng)絡(luò)內(nèi)部核心參數(shù)光滑因子σ沒經(jīng)過任何優(yōu)化,其默認(rèn)值為1。將其進(jìn)行數(shù)據(jù)樣本訓(xùn)練后,各個(gè)評(píng)估指標(biāo)都比較低,預(yù)測(cè)準(zhǔn)確率只有80%;而采用PSO算法優(yōu)化后的PSO-GRNN模型,在PSO算法的優(yōu)化下,經(jīng)過樣本訓(xùn)練后的σ取值得到優(yōu)化。

然而,從表3和圖5可以看出:由于粒子群算法的局限性,此時(shí)粒子群陷入局部最優(yōu)收斂,使得筆者得到的光滑因子σ為局部最優(yōu)值。故相較于GRNN模型,PSO-GRNN模型預(yù)測(cè)準(zhǔn)確度雖有一定提高,但與LPSO-GRNN模型相比,仍存在較大差距。

筆者提出的基于LPSO-GRNN的汽車衡螺栓松緊狀態(tài)預(yù)測(cè)模型,由于其完備的網(wǎng)絡(luò)結(jié)構(gòu)性,使其預(yù)測(cè)準(zhǔn)確度與GRNN模型和PSO-GRNN模型相比,得到了明顯提升,其特異度達(dá)到100%、分類準(zhǔn)確率達(dá)到95%、召回率達(dá)到90%、F1得分達(dá)到94.7。

可見,相比于前2種模型,基于LPSO-GRNN模型的預(yù)測(cè)性能有了較大幅度的提升。

4 結(jié)束語

在研究軸重式動(dòng)態(tài)汽車衡的螺栓松緊狀態(tài)預(yù)測(cè)方法過程中,GRNN受到光滑因子σ的影響較大。為此,筆者引入Lévy飛行對(duì)PSO算法尋優(yōu)過程進(jìn)行了改進(jìn),解決了PSO算法容易陷入局部最優(yōu)解的問題,并將PSO算法與GRNN相結(jié)合,提出了一種基于LPSO-GRNN的軸重式動(dòng)態(tài)汽車衡螺栓松緊狀態(tài)預(yù)測(cè)模型。筆者將該模型應(yīng)用于汽車衡螺栓狀態(tài)預(yù)測(cè),最后,將其與GRNN、PSO-GRNN的預(yù)測(cè)結(jié)果分別進(jìn)行了比較,驗(yàn)證了其優(yōu)越性。

研究結(jié)論如下:

1)采用Lévy飛行對(duì)PSO算法進(jìn)行改進(jìn),可以有效解決其容易陷入局部最優(yōu)值的不足;

2)利用改進(jìn)后的PSO算法對(duì)GRNN進(jìn)行參數(shù)尋優(yōu),有效提高了汽車衡螺栓緊固狀態(tài)預(yù)測(cè)的準(zhǔn)確率,其預(yù)測(cè)精度可達(dá)到95%;

3)對(duì)比實(shí)驗(yàn)驗(yàn)證結(jié)果表明,相較于傳統(tǒng)的GRNN模型和PSO-GRNN模型,筆者提出的基于LPSO-GRNN的汽車衡螺栓松緊狀態(tài)預(yù)測(cè)模型,其預(yù)測(cè)準(zhǔn)確率分別由80%和85%提高到了95%,有效提升了螺栓松緊狀態(tài)預(yù)測(cè)的準(zhǔn)確度。

汽車衡在實(shí)際運(yùn)行中,可能會(huì)發(fā)生多類故障同時(shí)出現(xiàn)的現(xiàn)象。因此,在后續(xù)的研究工作中,筆者將重點(diǎn)研究預(yù)測(cè)模型的跨設(shè)備應(yīng)用,同時(shí)采集更多的故障樣本,并對(duì)故障類型進(jìn)行進(jìn)一步的細(xì)分,以對(duì)不同類型的故障進(jìn)行精準(zhǔn)定位。