一种改进的PSO-BP算法在液压系统故障诊断中的应用.pdf

Hv d r a u l i c s P n e u ma t i c s＆ S e a l s ／ No ． 1 1 ． 2 0 l 2 一 种改进的 P S O B P算法在 液压系统故障诊断中的应用 张晓宇 太原科技大学 电子信息工程学院， 山西 太原0 3 0 0 2 4 摘 要 液压 系统故障诊断 中采用 B P神经 网络进行故障 的模式识别 ， 存在着收敛率较低的问题 。结合粒子群算法 和 B P算法各 自的优 势 ． 提 出了一种基 于改进 的 P S O B P液压系统故障诊断方法 。 对标准粒子群算 法的惯性权重和学习因子进行改进 ， 再对 B P神经网络 的 权值和阈值进行优化 ， 达到改善 B P网络性能的 目标 。仿 真结果表 明该方法提高了 B P网络 的收敛率 ， 减小了诊断误差 。 关键词 粒子群算法 B P神经 网络 ； 液压系统 ； 故障诊断 中图分类号 T P 1 8 1 T H1 3 7 文献标 识码 A 文章编号 1 0 0 8 0 8 1 3 2 0 1 2 1 0 0 0 1 3 0 3 A M o d i fie d P S O BP Al g o r i t h m i n Hy d r a u l i c S y s t e m F a u l t Di a g no s i s Ap p l i c a t i o n Z HANG Xi a o y u C o l l e g e o f E l e c t r o n i c a n d I n f o r ma t i o n E n g i n e e r i n g T a i y u a n U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y ， T a i y u a n 0 3 0 0 2 4 ， C h i n a Ab s t r a c t Hy d r a u l i c s y s t e m f a u l t d i a g n o s i s u s e s BP n e u r a l n e t w o r k f o r f a i l u r e p a t t e r n r e c o g n i t i o n ， b u t i t e x i s t s t h e p r o b l e m o f l o w c o n v e r g e nc e r a t e ．Co mb i n i n g t he r e s p e c t i v e a d v a nt a g e s o f pa r t i cl e s wa r m a l g o r i t h m a n d BP a l g o r i t hm， a ne w mo d i f i e d PSO BP h y d r a u l i c s y s t e m f a u l t d i a g n o s i s me t h o d s w a s p r o p o s e d ． F i r s t l y ， t h e i n e r t i a w e i g h t a n d l e a rni n g f a c t o r o f t h e s t a n d a r d p a r t i c l e s wa r m a l g o r i t h m w a s i mp r o v e d ， t h e n B P n e u r a l n e t wo r k we i g h t s a n d t h r e s h o l d i s o p t i mi z e d b y mo d i f i e d P S O a l g o r i t h m． B P n e t w o r k p e r f o r ma n c e wa s a me l i o r a t e d ． T h e s i mu l a t i o n r e s u l t s s h o w t h a t t h i s me t h o d i mp r o v e s t h e c o n v e r g e n e e r a t e o f t h e B P n e t wo r k ， a n d i t c o u l d d i a g n o s e t h e f ai l ur e o f e n gi n e e r i n g ma c h i n e r y h y d r a ul i c s y s t e m． Ke y wo r d s p a rti c l e s w a r m o p t i mi z a t i o n a l g o r i t h m； B P n e u r a l n e t wo r k ； h y d r a u l i c s y s t e m ； f a u l t d i a g n o s i s 0 引 吾 智 能故 障 诊 断技 术 已被 广 泛 应用 于各 类 工 程机 械 的故 障诊断 中 ， 具有实时监测 、 远程诊 断 、 结合各领域 专家对复杂设备故障进行高效处理等传统故障诊断方 法所不能 比拟 的特性 。 目前智能诊断技术的研究热点 主要 集 中于基 于 专家 系统 和基 于 神 经 网络 的智 能诊 断 系统 。 而 B P神经 网络 是在 实 际应用 中最 为广 泛 的 网络 模型之一 。B P神经网络具有 自动获取知识 ，学习能力 强 ， 推理速度快 的特点 ， 但也存在 当诊断对象复杂时 ， 搜索速度慢 ， 易陷人局部极小 ， 实时性差的缺点⋯ 。 l P S O算 法 1 ． 1 标 准P S O 算 法 P S O算法首先初始化一个随机 的粒子群 ，每一个 粒子的位置代表优化 问题 中的一个潜在解 ，所有粒子 收稿 日期 2 0 1 2 0 3 3 0 作者简 介 张晓宇 1 9 8 6 一 ， 男 ， 河北人 ， 硕 士 ， 研究方 向为信号检 测与模 式识 别 都 有 一 个 由被 优 化 函 数 决 定 的 适 应 度 值 f i t n e s s v a l u e 。粒子在搜索空间内以一定的速度飞行 ， 该速度 由个体的飞行经验和群体的飞行经验决定。每一次迭 代，粒子通过追踪个体极值 p b e s t 和全局极值 g b e s t 更 新其位置和速度 ，通过数次迭代最终找到适应度最好 的解 ， 即为优化问题的最优解。 假设有 m个粒子在 D维 目标搜索空间中， X i ． ． ， ，⋯‰ 为粒子 i 的当前位置 ， V 。 I l ’ i2 ， ⋯／． I 。 为粒子 i 的当前飞行速度， p ． ． ， P i z ， ⋯p 为粒子 i 个体极值 ， t 为群体中所有微粒所经历过 的最好位置 ， 即全局极 值 。对第 t 次迭 代 ， 每 个粒子按 式 1 和式 2 进 行更新 t 1 ￡ c l r l 一 ￡ ] c 2 r 2 [ p f 】 1 X ij 1 。i t i． 1 2 式 中i 粒子 i i 粒子的第 i 维 ； 加 惯性权 重 ； C l 、 c 2 学 习 因子 ； r 、 r 2 是【 0 ， l 】 上均匀分布的随机数。 1 3 液 压 气 动 与 密 封 ／ 2 0 1 2年 第 1 1期 1 ． 2改进的 P S O 算法 标 准 P S O算 法在 优化 过程 中有 时会 表现 出早 熟 现 象 ， 过早收敛[3 1 ， 由于缺乏动态的速度调节 ， 达到一定精 度后很难再找到更好的解 ，因此有 国内外的学者对其 进 行改进 ， 其 中 S h i 提 出了将惯 性权 重设 置成 一个 递减 函数， 使得粒子群算法在初期有较强的全局收敛能力 。 在后期又能对局部进行精细搜索。而有粒子速度的进 化方程可以看出， 其包括 3个部分 ， 第一部分是原先 的 速度项 ， 由惯性权重控制 ； 第二部分是粒子所经历的最 好位置对 当前位置的影响， 称为“ 认知” 部分 ； 第三部分 是 粒 子 群 体 所 经历 的最 好 位置 对 当前 位 置 的 影 响 ， 称 为“ 社 会 ” 部 分 。 为了进一步提高 P S O算法的收敛速度．本文提出 一 种改进算法 ，对惯性权重的修正采用指数函数 ， 同 时 ， 对学习因子也进行动态调整 ， 在算法初期各个粒子 更多依靠 自身经验在全局范围内搜索最优解 ，而在后 期 粒 子 问的信 息 分享 使 得粒 子 有能 力达 到新 的搜索 空 间， 因此对 c ． 设计成随迭代次数减小的函数 ， 对 C 设计 成随迭代次数增加的函数 ，这样改进算法就具有优秀 的全局收敛能力 ， 避免陷人局部极小值 ， 最优解的收敛 率 也有 所提 高 。改进后 的速 度更新 方程 为 ／2 ij 1 f c J t r , [ p ij t 一 u 】 c 2 r 2 【 p 一 x ij t ] 3 t e x p 一 t ／ ma x DT C l t e x p 一 t ／ ma x DT c 2 t e x p t ／ ma x DT 式 中f 当前迭代次数 ； m a x D 一最 大迭代 次数 。 2 改进 P S O B P算法 B P算法应用梯度最速下降法 ， 通过误差反向传播 修改各层神经元 的权值 ，是误差最小。本文将改进 的 P S O算法和 B P算法结合 ， 形成一种具备各 自优势的混 合算法 。 改进 P S O算法优化的目标是 B P算法各层神经 元 的权 值 和 阈值 ， 通过 B P算 法前 向计算 得 出样 本 的输 出误差 ， 以均方误差作为粒子的适应度函数 ， 如式 4 。 优化过程相当于 B P算法的学 习过程 ， 因此训练好的网 络即可用于液压系统的故障诊断 。 T O 告∑∑ d kv - y 4 』 P 1 k I 式 中 一样本 个数 ； 输出层神经元个数 ； 节 点 的期望 输 出 ； 1 4 y 节点 的实际输 出 。 改进 P S O B P算法的设计过程如下 1 根据训练样本设计 B P网络结构 ， 确定网络 的 输入层 、 隐含层 、 输出层的神经元个数 2 初始 化 粒 子 群 规模 ， 粒 子 的位 置 和 速 度 ， 以及 其最值 ，其中每个粒子的维数为各层神经元权值和阈 值的总数， 设定惯性权重 ， 学习因子的范围 3 计算每个粒 子的适应度 ， 对 每一个输 入的粒 子 ， 按 B P网络的前向计算方法计算出一个网络的输 出 值 ， 得 到误差， 再按 4 计算 出所有样本的均方差 ， 即该 粒子的适应度 ， B P网络 隐含层使用 S i g mo i d函数 ， 输 出 层使用线性 P u r e l i n e函数 ； 4 比较粒子的适应度 ， 确定每个粒子的个体极值 点和全局最优极值点 p b e s t 为粒子的个体极值 ， g b e s t 为 全局 最优 值 ； 5 更新惯性权重和学习因子 ， 使它们在各 自的设 定 范 围 内 ， 根据 式 3 式 2 更 新粒 子 的速 度 和位 置 ， 并 检查 更新 后 的速度 和位置 是否 在 限定 的 范围 内 6 检 验 更 新 次 数 是 否 达 到最 大迭 代 次 数 或 适 应 度的值是否满足精度 ， 若满足结束循环 ， 如果达到预设 精度 ，表示算法 收敛 ，最后一次迭代 的全局最优 值 g b e s t 即为优化好的权值和阈值 ， 否则返 回 3 ， 算法继 续迭 代 7 根据输入层 、 隐含层和输 出层的神经元个数将 g b e s t 转化 为 B P网络各层的权值和阈值矩阵 ．仿真该 网络。 算法结束 。 3 改进 P S O B P算法应用实例 为 了检测 改进 P S O B P算 法 的性 能 ， 将 其应 用 到液 压系统的故障检测 中， 如表 1所示 ， 并与传统 B P网络 进行 比较 。选 取压 力 、 温 度 和流量 做 为参 量 ， 建 立 3层 B P网络， 如表 2所示 ， 输入层神经元个数为 3个 ， 隐含 层神经元个数为 7个 。 输出层神经元个数为 3 个 。 4结 论 如图 1和图 2所示为 B P神经 网络仿真图和改进 P S O B P网络仿真图 ， 比较两图， 实验结果如表 3所示 ， 表 明， 改进 P S O B P算法 比 B P算法收敛 的快 ， 在故 障 诊断的应用中，进行 了 5 0次实验 ， B P算法的收敛率为 8 0 ％，改进 P S O B P算法的收敛率为 9 5 ％，改进 P S O B P算法 的仿真输 出也较 B P网络精确 。这 说明改进 P S O B P算法具有比 B P算法更加优越 的性能 ，在液压 系统故障诊断 的实际应用 中有效可靠。 下转第 1 8页 1 液 压 气 动 与 密 封 ／ 2 0 1 2年 第 1 1期 强度的要求。总之 ， 侧缸容易发生应力集中的部位 即 容易失效部位 主要集中在三个部位 ， 一是法兰与缸连 接的圆弧部位； 二是缸壁缸底过渡 的圆弧部位； 三是装 密封 圈 的部 位 。 由图 3、 图 4知 ， 减小泄压时间主要影响泄压时间 后侧缸的轴向变形 ， X、 Y向应力及第三主应力 ， 而对侧 缸 的径 向变形 、 当量 应 力等 项 基 本 不 影 响 。 由表 1可 得， 0 ． 0 3 s 与 0 ． 0 6 s 泄压时间相 比， Y 一 位移波动幅值会增 加 7 3 ％， x一 应力波动幅值会增加 5 4 ％， Y 一 应力波动幅 值会增加 5 4 ％，第三主应力波动幅值会增加 1 5 6 ％， 由 此可看 出， 泄压时间越短 ， 泄压结束后应力 、 应 变波动 越剧 烈 ， 因此 可 以满 足应 力 、 应 变 的波 动 幅度作 为 初步 没计最小泄压时间的一个条件。同时也可看出合理设 计液压控制系统的泄压时间。对改善侧缸的动态品质 是很重 要 的。 5 结论 泄 压时 间 作 为 快 锻 压 机 的一 个 动 态 性 能 指 标 ， 其 值的大小直接影 响系统的性能 ，具体值 除与 系统 构 成 ， 阀 的 结构 、 设计 参数 有 关 外 ， 还 与装 配 质量 及 实 验 环境有关 ， 很难精确确定其大小 。本文从泄压时间影 响压 机 冲击 振动 的 角度 出发 ，在初 步 确定 最 小泄 压 时 问基础上 ，侧重分析了快锻工况下不同泄压时间对侧 缸 应 力 、应 变 的影 响 ．得 到改 变 泄压 时 间基 本不 影 响 侧缸应力 、 应变最大值的结论 ， 但减小泄压时间 ， 却使 泄压后侧缸的轴 向应变 、 X、 Y向应力等性能指标发生 较 剧 烈 的波 动 ，从 而可 为进 一 步确 定 最小 泄 压时 问 提 供理论依据。 参 考 文 献 [ 1 ] 俞新 陆． 液压机 的设 计与 应用[ M] ． 北 京 机 械工 业 出版社 ， 2 00 6． f 2 】 章宏 甲， 等． 液压传动[ M 1 ． 北京 机械 工业 出版 社 ， 2 0 0 5 ， 1 ． 【 3 ] 杨 秀 萍， 等． 液 压缸 结 构设 计 的 有 限元 法【 J J ． 机 床 与液 压 ， 2 0 0 4， 1 ． [ 4 】 龙晓金， 等． 基 A N S Y S的井架支撑液压缸的有 限元 分析[ J 】 ． 机 电技术， 2 0 0 9 ， 4 ． 【 5 1 汤达， 等． 法兰支撑液 压缸 的有 限元计算 及强度分析【 J 1 ． 重 型 机械， 1 9 8 4 ， 2 ． 【 6 l 张红松 ， 等． A N S Y S 1 2 ．0有限元 分析从 人f 】 到精 通【 M】 ． 北 京 机械工业 出版社， 2 0 1 0 ． 2 ． 【 7 】 丁毓 峰， 等． A N S Y S 1 2 ．0有限 元分析 完伞手册【 M ] ． 北京 电子 工 业 出版 社 ． 2 01 1 ， 1 ． ． - - 一 十-一 - 一- 一 一 十一 “ 十一 - 一 ” ” 一 - ” “ - *- -- “ w n 一 - *“- 4 -- “ - ” 一 上接第 1 4页 表 1 液 压 系统 故 障 表 样本输入 目标输出．H 样 本序号 一一’ 墨 焉 ． n O ． 2 了 5 O ． 8 O O ． 6 5 O ．1 6 5 O ． 7 5 0 ． 5 0 0 ． 2 1 5 O ． 7 3 0 ． 6 3 0 ． 7 0 0 0 ． 3 0 0 ． 4 0 0 ． 6 5 0 0 ． 2 8 0 ． 5 0 0 ． 7 5 13 0 ． 3 5 0 ． 6 5 O ． T O 0 O ． 9 5 0 ． 6 5 0 ． 8 0 13 0 ． 8 0 0 ． 7 0 O ． 7 8 13 O ． 6 8 0 ． 7 5 表 3测试样本输 出结果 1 8 图 1 BP神 经 网 络 仿 真 图 篷 巍0 2 0 6 O l 0 01 401 8 O 达代次数 ／玖 图 2改进 P SO BP 网络 仿真 图 参考文献 [ 1 】 潘吴， 侯清兰． 基于粒子群优化算法的 B P网络学习研究【 J 】 ． 汁 算机_T程与应用 2 0 0 6 ， f l 6 ． [ 2 1 王涛， lF晓霞． 基于改进 P S O B P算法 的变压器 故障诊 断【 J J ． 中国电力， 2 0 0 9 ， 4 2 5 1 3 1 6 ． 【 3 】 曾建潮， 介婧， 崔志华． 微粒群算法I M】 ．北京 科学 出版社 ， 2 0 0 4 ． 【 4 】 C h a t t e r j e e A ，S i a r r y P ．N o n l i n e a r I n e r t i a We i g h t V a r i a t i o n f o r Dy n a mi c Ad a p t a t i o n i n P a r t i c l e S w a r m Op t i mi z a t i o n ． 【 J J ． C o m p u t e r s a n d O p e r a t i o n s R e s e a r c h ， 2 0 0 6 ， 3 3 3 8 5 7 8 7 1 ． [ 5 】 王宏力， 侯 青剑． 一种改进 的粒子群优 化算法 及其仿 真[ J 1 _ 自 动化仪表． 2 0 0 9 ， 3 0 7 2 8 3 0 ． [ 6 】 S h i Y u h u i ， E b e r h a rt R C ． A Mo d i fi e d P a r t i c l e O p t i mi z e r [ R 】 ． P r o c ． o f t h e I E E E C o n L o n E v o l u t i o n a r y C o mp u t a t i o n ， 】 998 ． O 0 0 0 O O 1 l 11 1 2 3 4 5 6 T 8 9