中国机械工程在线阅读
采用“GA+LM”优化 BP 神经网络的电液伺服阀故障诊断
权凌霄，郭海鑫，盛世伟，李雷
1.燕山大学机械工程学院,秦皇岛,066004
2.河北省重型机械流体动力传输与控制实验室,秦皇岛,066004
3.中国航发北京航科发动机控制系统科技有限公司,北京,102200
----文章选自中国机械工程杂志
摘要:针对标准 BP 神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法(GA)确定 BP 神经网络的最佳初始权值矩阵,以规避 BP 神经网络对初始参数较为敏感的不足:应用 LM(Levenberg-Marquardt)算法在局部解空间里对 BP 神经网络进行精确训练,搜索全局最优解。该方法在保留 BP 神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于 BP 神经网络的电液伺服阀故障诊断的效率和精度。通过对 MOOG D761-2716A 机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。
关键词:机械装备;电液伺服阀;故障诊断;BP 神经网络;GA+LM 算法
中图分类号:TH137DOI:10.3969/j.issn.1004-132X.2018.05.001
Fault Diagnosis of Electro Hydraulic Servo Valves Based on GA+LM
Algorithm Optimized BP Neural Networks
QUAN Lingxiao'” GUO Hai Xin*' SHENG Shiwei' LI Leil
1.School of Mechanical Engineering,Yanshan University,Qinhuangdao,Hebei,066004
2.Hebei Province Laboratory of Heavy Machinery Fluid Power Transmission and Control,Qinhuangdao, Hebei,066004
3.Aero Engine Corporation of China,Beijing Aerospace Engine Control System Technology Limited Company,Beijing,102200
Abstract: The BP neural network had some shortcomings, such as the learning speed was very slow, easy to fall into local minima, and was sensitive to initial parameters. To improve the precision and speed of fault diagnosis of electro hydraulic servo valves, a new combination optimization method was proposed. GA was used to optimize the initial weights and thresholds of the neural network to improve the training speed and to reduce the BP neural network's sensitivity to initial parameters. And LM algorithm was used to train accurately and search for the global optimal solution in the local solution space. In the premise of preserving the mapping ability of the BP neural network, the method may improve the learning speed and accuracy of the networks, and thus the efficiency and accuracy of fault diagnosis of electro hydraulic servo valves may be greatly improved. At last, the MOOG D761-2716A servo valve's diagnosis results were given, which explained the practicality and efficiency of this method.
Key words: machinery equipment; electrohy draulic servo valve; fault diagnosis; BP neural net,
work; genetic algorithm(GA)+Levenberg-Marquardt(LM) algorithm
0 引言
BP 神经网络(back propagation neural net-work)凭借良好的非线性映射能力被应用到设故障诊断领域,但由于受到自身算法的限制,BP 神经网络存在训练时间长、易陷入极小点以及对备初始权值依赖性大等缺点。近年来,有学者提采用遗传算法(GA)优化 BP 神经网络的方法，方法有效地克服了这些缺点,但其计算精度低*”。文献[3]提出基于粒子群(PSO)算法优BP 神经网络的方法,以提高计算精度,但算法比较为复杂。文献[4]采用自适应学习率算法改进 BP
神经网络,虽然减小了学习过程的振荡趋势,但仍然对初始权值矩阵有较大依赖性。文献[5]用径向基函数优化 BP 神经网络,进一步提高了收敛速度,但需要选择网络隐节点的中心向量、标准化常数和径向基,使问题变得复杂。文献[6-7]采用LM(Levenberg-Marquardt)算法改进 BP 神经网络,提高了 BP 算法的局部搜索能力,但训练时间较长。文献[8]基于 GA 和 LM 组合方法优化 BP神经网络对滚珠轴承进行故障诊断,采用 GA 优化 BP 神经网络拓扑结构,并利用小波包变换提取滚动轴承的故障能量,获得了滚珠轴承的故障数据。文献[9]针对圆柱轴承,采用 4 层 BP 神经网络结构,以 5 个输入参数、7 个输出参数建立油膜动特性系数的 BP 神经网络模型,并采用二分法搜索最优网络隐层节点。
本文针对电液伺服阀故障诊断预测精度不高、训练时间较长的问题,构建 3 层 BP 神经网络故障诊断模型,采用最小二乘法搜索最优网络隐含节点。然后利用 GA 的全局并行搜索能力对输入数据进行网络训练,保证 BP 网络训练收敛,缩短训练时间;利用 LM 算法的快速计算能力提高BP 算法的收敛速度和局部搜索能力,得到了快速准确的电液伺服阀故障诊断算法。
本文章从互联网采集，文章摘自于中国机械工程订阅，文章版权归中国机械工程杂志和作者所有；仅供需要中国机械工程订阅的朋友试读，请勿用做它途；如有侵权请联系本站，24小时内删除，感谢支持！
