基于GA—BP模型的油液光譜預(yù)測(cè) 性

張竹慧+段東立

摘要：根據(jù)BP神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)中的優(yōu)缺點(diǎn)，文章采用遺傳算法（GA）優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)、閾值，并利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型（GA-BP）預(yù)測(cè)發(fā)動(dòng)機(jī)油液光譜參數(shù)。首先對(duì)8組樣本進(jìn)行訓(xùn)練，然后進(jìn)行預(yù)測(cè)，并同BP模型預(yù)測(cè)結(jié)果比較，證明6A-BP模型預(yù)測(cè)誤差小，預(yù)測(cè)精度高，具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞：油液光譜；神經(jīng)網(wǎng)絡(luò)；遺傳算法；預(yù)測(cè)

磨損金屬顆粒濃度可直接反映了設(shè)備的運(yùn)行狀況，所以在設(shè)備狀態(tài)監(jiān)控領(lǐng)域金屬顆粒濃度預(yù)測(cè)是潤(rùn)滑油分析的最重要內(nèi)容之一。文章通過(guò)研究磨損金屬顆粒濃度數(shù)據(jù)序列構(gòu)成的一般規(guī)律，根據(jù)神經(jīng)網(wǎng)絡(luò)與遺傳算法在時(shí)間序列預(yù)測(cè)中的優(yōu)缺點(diǎn)，提出以GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)、閾值，構(gòu)建GA-BP模型。實(shí)例預(yù)測(cè)結(jié)果表明，GA-BP模型的精度與速度都比較理想，優(yōu)于單一的BP模型。

1神經(jīng)網(wǎng)絡(luò)和遺傳算法

BP神經(jīng)網(wǎng)絡(luò)在時(shí)間序列分析中不是一個(gè)十分完善的網(wǎng)絡(luò)，這是因?yàn)橐环矫鎸W(xué)習(xí)算法的收斂速度較慢，另—方面在優(yōu)化過(guò)程中易陷入局部極小點(diǎn)。

而遺傳算法具備優(yōu)秀的全局搜索能力，所以可利用遺傳算法對(duì)BP網(wǎng)絡(luò)從三個(gè)方面進(jìn)行優(yōu)化：（1）優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值；（2）優(yōu)化神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)進(jìn)化；（3）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的進(jìn)化。

通過(guò)得出具有最佳隱層節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)，合理的初始權(quán)值和閾值，及最佳學(xué)習(xí)進(jìn)化規(guī)則，保證網(wǎng)絡(luò)不陷入局部最小值，同時(shí)又具備合理的收斂速度。

2遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

文章GA-BP算法的假設(shè)是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)固定。算法的基本思想是：（1）給定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及網(wǎng)絡(luò)的輸入、輸出樣本；（2）構(gòu)建待尋優(yōu)參數(shù)與GA染色體位串的映射函數(shù)；（3）確定GA算法的目標(biāo)函數(shù)、適應(yīng)度函數(shù)和優(yōu)化參數(shù)，產(chǎn)生初始種群；（4）計(jì)算目標(biāo)函數(shù)的值，個(gè)體的適應(yīng)度，判斷是否進(jìn)行優(yōu)化計(jì)算，并進(jìn)行遺傳操作（復(fù)制、交叉和變異），產(chǎn)生新一代群體；（5）重復(fù)上述過(guò)程，直至進(jìn)化滿足停止準(zhǔn)則。

step5：新個(gè)體插入到種群中，計(jì)算評(píng)價(jià)函數(shù)；

step6：如果找到了滿意的個(gè)體，則結(jié)束，否則轉(zhuǎn)step3。最終群體中的最優(yōu)個(gè)體解碼即可得到優(yōu)化后的網(wǎng)絡(luò)連接權(quán)值；

step7：以GA算法獲得的連接權(quán)值作為初始權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)，直到指定精度。

3GA-BP模型預(yù)測(cè)油液光譜參數(shù)

3.1光譜數(shù)據(jù)的處理

在機(jī)械裝備狀態(tài)監(jiān)測(cè)中，一般不直接對(duì)采集到的油液光譜參數(shù)進(jìn)行建模，這是因?yàn)?，一方面直接建模容易忽視參?shù)的摩擦學(xué)特征，另一方面，設(shè)備的元素含量之間本身有一定線性比例關(guān)系，所以，設(shè)備的檢修、補(bǔ)換油等因素的影響效果從某種程度上來(lái)說(shuō)是一致的。在文章的研究中，通過(guò)將元素間比例關(guān)系的數(shù)據(jù)作為系統(tǒng)的輸入與輸出，即以元素間濃度比值的形式對(duì)原始數(shù)據(jù)進(jìn)行處理，使其能夠比較客觀地表征被監(jiān)測(cè)系統(tǒng)的狀態(tài)。一定設(shè)備的油樣中，各種不同元素的濃度差異較大，F(xiàn)e、Cu、Pb、及A1等元素的變化具有一定的規(guī)律。文章數(shù)據(jù)是引用的SGM沖壓機(jī)潤(rùn)滑油系統(tǒng)與液壓系統(tǒng)的油箱中的采樣監(jiān)測(cè)結(jié)果為例進(jìn)行討論。監(jiān)測(cè)過(guò)程中，根據(jù)元素光譜分析的結(jié)果，選取與設(shè)備磨損密切相關(guān)的五種元素，并計(jì)算各種元素濃度值的比例，如表1所示。

3.2實(shí)驗(yàn)分析

將表1的Fe元素百分比數(shù)列前6組作為訓(xùn)練樣本，后2組作為實(shí)驗(yàn)樣本，如表2所示。

構(gòu)建4×9×1的BP神經(jīng)網(wǎng)絡(luò)，第一層、第二層采用tansig傳遞函數(shù)，第三層采用purelin傳遞函數(shù)。最大循環(huán)次數(shù)10000，收斂誤差0.002，學(xué)習(xí)率0.01。設(shè)置種群規(guī)模為80，遺傳代數(shù)為800，染色體長(zhǎng)度為55，交叉概率為0.98，變異概率0.01。

用Matlab2010編程，主要包括4個(gè)程序：主程序gabpfault.m；網(wǎng)絡(luò)初始化nninit.m；適應(yīng)值計(jì)算函數(shù)gabpEval.m；編碼解碼函數(shù)gadecod.m。經(jīng)過(guò)大約700代的搜索后染色體的平均適應(yīng)度趨于穩(wěn)定，誤差平方和曲線和適應(yīng)度曲線，如圖l所示，將遺傳算法的結(jié)果分配BP網(wǎng)絡(luò)所對(duì)應(yīng)的權(quán)值、閾值，訓(xùn)練神經(jīng)網(wǎng)絡(luò)。如圖2所示，給出了GA-BP算法的訓(xùn)練目標(biāo)曲線。用GAS訓(xùn)練BP網(wǎng)絡(luò)的權(quán)值可以得到滿意的結(jié)果。GA-BPfflBP都用前6組進(jìn)行訓(xùn)練，后2組進(jìn)行仿真，如表3所示，列出了GA-BP和BP的預(yù)測(cè)結(jié)果。

4結(jié)語(yǔ)

GA-BP算法既結(jié)合BP算法按負(fù)梯度方向進(jìn)行快速搜索的能力，又利用了GA算法的全局尋優(yōu)特點(diǎn)，是一種快速、可靠的預(yù)測(cè)方法。而且結(jié)合磨損金屬顆粒濃度時(shí)間序列的內(nèi)在特征，該模型在油液光譜預(yù)測(cè)中以及機(jī)械設(shè)備的狀態(tài)監(jiān)控中，可得到有效利用。實(shí)例結(jié)果證明，GA-BP模型預(yù)測(cè)結(jié)果精度較單一的BP模型預(yù)測(cè)結(jié)果精度高，該算法是可行適用的。