ANN和GA混合算法在故障诊断中的应用

《ANN和GA混合算法在故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据第23卷第6期2008年11月海军航空工程学院学报JournalofNavalAeronauticalandAstronauticalUmversity、，01．23No．6Nov．2008文章编号：1673—1522(2008)06-0706-．-05ANN和GA混合算法在故障诊断中的应用王建1a，许诚1b，张婷1a，吴国良2，宋责宝1b(1．海军航空工程学院a．研究生管理大队；b．飞行器工程系，山东烟台264001；2．陆军航空兵学院机载设备系，北京101123)摘要：介绍了ANN和GA的混合

2、诊断算法，采用双重GA循环优化神经网络的结构和连接权重。设计提出了ANN和GA的混合方法的计算机流程图，运用三层前向神经网络执行诊断功能，并给出了混合算法在某型导弹自动驾驶仪故障诊断中的应用实例分析。关键词：神经网络；遗传算法；故障诊断中图分类号：E927文献标志码：A0引言近年来，随着科学技术的进步和故障诊断方法的发展，故障诊断技术已跨入了基于信息论和计算机技术为基础的智能化诊断阶段，其中比较突出的代表是基于神经网络理论的故障诊断技术、基于遗传算法的故障诊断技术和故障诊断专家系统⋯。人工神经网络(ANN

3、)是一个非常活跃的研究领域，这主要是由于它具有学习、泛化和容错能力，并且神经元计算适于采用并行方式，易于满足实时的要求。然而，神经网络中应用最广泛的模型——BP神经网络仍存在缺点：网络结构(隐含层神经元数目和相应的激活函数)要求预知；而且BP学习算法在本质上是一个梯度下降搜索算法，这使其有可能收敛于局部最小点；并且不能处理不连续权重。这些缺点限制了BP神经网络在故障诊断中的应用。遗传算法(GA)是一个基于自然选择机制的搜索算法，它同时考虑搜索空间中的多个点，并鼓励不同搜索方向之间的信息交换，从而有效地减少

4、了收敛到局部最小点的几率。此外，GA可以处理任何问题，包括病态的不规则问题。目前．使用遗传算法优化神经网络已取得了一些令人鼓舞的结果，但它们大多数只考虑神经网络的连接权重，很少提及优化神经网络结构。这里应Hj了一种基于混合ANN和GA的故障诊断方法，它采用两重GA循环分别优化神经网络的结构和连接权重：一方面，可收稿日期：2008—06—20作者简介：王建(1979-)。男，硕士生。以获得神经网络的最优结构，解决网络结构预知的问题；另一方面，遗传算法可以搜索获得最优权重，解决梯度下降算法存在的问题【2’3】

5、。1混合ANN和GA的诊断算法基_】：混合神经网络和遗传算法的诊断方法，采用三层前向神经网络执行诊断功能，舣重GA循环优化该神经网络的结构和连接权重。第一重GA循环用于优化神经网络结构，第二重GA循环进一步优化神经网络的连接权重，两重GA循环可以搜索确定用于故障诊断的最优神经网络【41。具体算法如下：1．1混合ANN和GA的故障诊断的总体构成混合故障诊断采用三层前向神经网络实现故障诊断。一个神经元的输m可由下式决定：丝YAP)=厂(∑wvyj(P—1)+6(p))，P=(2，3)。(1)f=l式中：厂(．

6、)是第，个神经元的激活函数，它可以选择sigmoid、tansig或logsig等函数；Y／(P)是第P层第／个神经元的输出；％是从(P—1)层第i个神经元到P层第，个神经元的连接权重；，l叫是第(P一1)层神经元数目；b(p)是第P层神经元的偏置。假设神经网络的输入、隐含和输H{层分别有啊、n：和惕个神经元，则在故障诊断中，，lI等于输入参数的总数，其状态(0或1)是神经网络的输万方数据第6期王建等：ANN和GA混合算法在故障诊断巾的应用·707入信号；n，是系统的输出值，也就是诊断目标。应用神经网络诊

7、断的关键问题就是神经网络的结构和合适的激活函数，进而基于给定训练样本调整神经网络的权重和偏置以使其学习故障诊断知识。1．2用于结构优化的GA循环结构一GA循环负责优化神经网络的结构。它主要由下面几个部分组成：1)编码方式结构一GA循环采用二进制编码方式来表示神经网络的结构。每个染色体由6个二进制基因组成，如z=[101l0】，其中前5位基因表示隐含层神经元数目，最后1位表示相应的激活函数，0代表“tansig”，而l代表“iogsig”等。通过扩展二进制基因串，可以考虑更多的隐含层神经元或激活函数。2)初

8、始化初始群体在变量可行域内随机产生。3)适应度函数适应度函数f5】对于GA算法具有重要的意义，因为它决定了一个个体经历“自然选择”时存活的几率。结构一GA循环的适应度函数主要由两方面的因素决定：神经网络输flj的准确性和神经网络结构的复杂度。其中，神经网络输出的准确性定义为：石(z)=-专Eto(,I一】，(f)]Tto(t)一y(f)】，(2)式中：Z是群体中的任一染色体；N是训练样本的总数；o(t)和Y(t)分别为神经网络