一种电机故障的智能诊断方法研究

乔维德

(常州市广播电视大学，江苏常州213001)

摘要：提出了一种基于改进遗传算法(IGA)和误差反向传播(BP)算法相结合的IGA—BP混合算法在电机故障诊断中的应用，首先提取电机转子振动频谱分量作为神经网络的训练样本，将代表故障信息的数据作为输入量代入已训练好的神经网络后，通过输出结果即可诊断故障类型。仿真实验表明，该方法可以有效地识别电机常见故障，诊断准确率高、速度快。

关键词：IGA—BP混合算法；电机故障；诊断

中图分类号：TM307 1    文献标识码：C

1  引言

    随着现代工业和科学技术的迅速发展，电机拖动系统已广泛应用到各个领域，电机是拖动系统的重要部件；但由于电机在工作过程中，发生设备故障或失效的潜在可能性会随着运行时间而不断增大，最终可能导致整个拖动系统不能正常安全运转，甚至瘫痪。所以如何及时准确地确定电机故障原因、类别及其故障严重程度，是提高电机及其拖动系统安全运行的重要措施和可靠保证。

传统的电机故障诊断专家系统虽然取得了一定成果，但存在着明显的局限性，而在人工智能方法，如神经网络、遗传算法等，能够处理传统故障诊断方法无法解决的问题。基于此，本文提出了一种基于改进遗传算法(IGA)和误差(BP)算法相结合的混合算法，并应用于电机故障诊断，有效地减少了误判、漏判的情况，保证了电机故障诊断的准确性与快速性。

2 BP神经网络及算法

        BP神经网络是误差反向传播前馈型神经网络，其结构由输入层、输出层和若干隐含层组成，网络的学习洲练过程是按误差由输出层节点经隐含层节点反向传播的，网络学习目的是使网络尽量逼近所需要的映射，这种映射是通过学习样本的输入和输出对反映出来的。但标准BP算法中网络的权值和阈值采用梯度下降进行调节，通常具有收敛速度慢、容易陷入局部极小等缺点，因此必须对BP算法进行改进。这里采用对每个连接权植和阈值增加一个矢量项，即惯性系数，增加有效的学习效率，且有效抑制振荡现象。可以应用式(1)实现：

3改进遗传算法(IGA)

  遗传算法(GA)是一种基于自然选择和自然遗传的全局优化算法，它模拟了自然选择和遗传过程中的繁殖、交杂和突变的现象。目前遗传算法已成功解决了许多复杂的优化问题，它****的优点是：即使对多态的和非连续性的函数，也能获得全局****解?但仍存在着早熟和收敛速度慢等不足，因此本文对传统的遗传算法进行了改进，然后采用改进遗传算法(IGA)优化神经网络结构和权重等，来提高优化效率。

3.l遗传算法的编码方式改进

    神经网络的权重、阈值学习是一个复杂的连续参数优化问题，每个遗传码串代表一种神经网络结构中的权重和阈值。如果采用二进制编码形式，每一个权重和阈值究竟用几个二进制表示就是一个比较难决定的问题，位数太少，则训练时间可能很长或可能找不到解；如果位数太多，则染色体长度又很长，训练时间就很长或者不能实现，而且二进制编码占用空间较大，在求解适应度值时还会遇到一个解码问题，这也在某种程度上增加算法计算时间，所以本文采用浮点数编码方式。

3.2交叉算子和变异算子的改进

    交叉概率Pc和变异概率Pm直接影响算法的收敛性。从种群的个体来看，如果交叉概率Pc过大，新个体产生的速度越快；如果交叉概率Pc过小，新个体产生的速度就越慢，GA搜索过程较慢。对于变异概率Pm，如果变异概率Pm过大，GA搜索过程就变成了随机过程，若变异概率只过小，则其产生新个体的抵制早熟现象的能力便会削弱。因此设计自适应变化的交叉概率P和变异概率只很有必要。本文采用一种交叉概率和变异概率的自适应调整规则，使得每个个体根据在遗传过程中按其适应度选择不同的交叉概率和变异概率，并加以自动调节。自适应交叉概率Pc和变异概率

    式中，f_max表示种群****适应度值；f_avg为种群平均适应度；f表示在要交叉的两个个体中较大的适应度值；f表示要变异的个体适应度；这里，k₁、k₂、k₃、k₄是O一1之间的常数，k₃和k₄较大。

3．3适应度的调节

  种群适应度的平均值f_avg和方差δ的计算公式为