改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)在發(fā)射機(jī)控制器故障診斷中的應(yīng)用

黨宏社， 劉芳芳， 張 超

(陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安 710021)

改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)在發(fā)射機(jī)控制器故障診斷中的應(yīng)用

黨宏社， 劉芳芳， 張 超

(陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安 710021)

針對(duì)發(fā)射機(jī)控制器故障診斷效率低且定位不準(zhǔn)確的問題，采用改進(jìn)粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)及專家系統(tǒng)相結(jié)合的故障診斷方法對(duì)發(fā)射機(jī)控制器進(jìn)行故障診斷.對(duì)三塊控制板電路正常及故障時(shí)所對(duì)應(yīng)的采集數(shù)據(jù)分別構(gòu)造網(wǎng)絡(luò)進(jìn)行訓(xùn)練，為了提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度和精度，利用改進(jìn)的粒子群對(duì)其進(jìn)行優(yōu)化.仿真結(jié)果表明，該故障診斷方法可以較好的對(duì)發(fā)射機(jī)控制器進(jìn)行故障診斷，為發(fā)射機(jī)控制器故障診斷提供便利.

神經(jīng)網(wǎng)絡(luò)； 改進(jìn)粒子群； 故障診斷； 專家系統(tǒng)

0 引言

廣播是重要的通訊工具，尤其在遇到網(wǎng)絡(luò)、電力中斷等災(zāi)害時(shí)，廣播的重要性尤為突出.廣播發(fā)

射機(jī)是一種電臺(tái)用于將節(jié)目信號(hào)進(jìn)行放大、調(diào)制并通過無線電波發(fā)射出去的設(shè)備，發(fā)射機(jī)控制器作為發(fā)射機(jī)的重要監(jiān)控裝置，對(duì)發(fā)射機(jī)的正常運(yùn)行起著關(guān)鍵性的作用.隨著電子技術(shù)的快速發(fā)展，電子設(shè)備的復(fù)雜度越來越高，當(dāng)設(shè)備出現(xiàn)故障時(shí)難以及時(shí)的對(duì)故障進(jìn)行診斷，無法及時(shí)排除故障，容易造成巨大的經(jīng)濟(jì)損失[1-5].因此，研究電子設(shè)備的故障診斷技術(shù)顯得尤為重要，近年來關(guān)于故障診斷技術(shù)的研究得到了極速的發(fā)展，已經(jīng)涉及到人們生活的方方面面[6-9].

發(fā)射機(jī)控制器由三塊控制板組成，目前對(duì)于控制器的故障診斷主要是以人工為主，效率低且故障定位不準(zhǔn)，本文針對(duì)人工診斷效率低且定位不準(zhǔn)的問題，將基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到發(fā)射機(jī)控制器故障診斷中，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)特性，經(jīng)過對(duì)網(wǎng)絡(luò)的訓(xùn)練，以及改進(jìn)粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的優(yōu)化，可以提高網(wǎng)絡(luò)的訓(xùn)練速度及精度，且結(jié)合專家系統(tǒng)的優(yōu)勢(shì)可以實(shí)現(xiàn)對(duì)發(fā)射機(jī)控制器故障及時(shí)準(zhǔn)確的診斷[10].控制器出現(xiàn)故障時(shí)，專家根據(jù)經(jīng)驗(yàn)選擇故障范圍，利用訓(xùn)練好的對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，且輸出診斷結(jié)果.然后利用專家系統(tǒng)強(qiáng)大的推理能力采用分區(qū)推理策略進(jìn)行推理，輸出故障診斷結(jié)果.仿真實(shí)驗(yàn)表明，該方法可以簡單有效的實(shí)現(xiàn)發(fā)射機(jī)控制器的故障診斷.

1 故障診斷系統(tǒng)組成

故障診斷系統(tǒng)組成如圖1所示.系統(tǒng)中人機(jī)交互界面提供良好的界面，由于神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)自學(xué)習(xí)的能力，借助其優(yōu)勢(shì)，將知識(shí)的獲取及更新由神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，將神經(jīng)網(wǎng)絡(luò)優(yōu)化后的權(quán)值和閾值作為專家系統(tǒng)的知識(shí)庫進(jìn)行存儲(chǔ)，推理機(jī)則根據(jù)知識(shí)庫中的知識(shí)依據(jù)推理策略進(jìn)行推理并將結(jié)果送入人機(jī)交互界面顯示，綜合數(shù)據(jù)庫對(duì)診斷的結(jié)果數(shù)據(jù)以及歷史數(shù)據(jù)進(jìn)行存儲(chǔ).

圖1 改進(jìn)神經(jīng)網(wǎng)絡(luò)故障診斷專家系統(tǒng)

整體診斷思路為：根據(jù)故障現(xiàn)象，由專家經(jīng)驗(yàn)判斷大致故障范圍，在主控板還是子控板，再根據(jù)測(cè)量的數(shù)據(jù)輸入到對(duì)應(yīng)的訓(xùn)練好神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，且將診斷結(jié)果輸出到人機(jī)界面.

2 改進(jìn)粒子群算法

2.1 基本粒子群算法

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)候收斂速度慢，易陷入局部最優(yōu)，不能達(dá)到很好的訓(xùn)練效果[11]，為了克服這些不足，利用粒子群的收斂快，優(yōu)化能力強(qiáng)的特點(diǎn)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化.粒子群算法就是模擬一群鳥尋找食物的過程，每個(gè)鳥就是PSO中的粒子，也就是我們需要求解問題的可能解，這些鳥在尋找食物的過程中，不停改變自己在空中飛行的位置與速度，通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)，整個(gè)搜索過程中涉及到兩個(gè)極值，個(gè)體極值pbest和全局極值gbest[12].粒子在找到這兩個(gè)極值后，根據(jù)式(1)和式(2)來更新他們所在的速度和位置[13].

(1)

(2)

式(1)、(2)中:Xi和Vi分別代表為第i個(gè)粒子的位置和速度；i=1，2，…，M，M是該群體中粒子的總數(shù)；w為慣性權(quán)重；k為當(dāng)前迭代次數(shù)；r1、r2是介于(0、1)之間的隨機(jī)數(shù)；c1和c2是學(xué)習(xí)因子，為非負(fù)常數(shù)；在每一維，粒子都有一個(gè)最大限制速度Vmax，如果某一維的速度超過設(shè)定的Vmax，那么這一維的速度就被限定為Vmax，為防止粒子盲目搜索，一般建議將其位置和速度限制在一定的區(qū)間[-Xmax，Xmax]、[-Vmax，Vmax][14].

2.2 改進(jìn)粒子群算法

如果粒子在尋找位置中找到的不是最優(yōu)，容易陷入局部最優(yōu)，無法對(duì)其他區(qū)域進(jìn)行搜索，會(huì)降低對(duì) BP網(wǎng)絡(luò)的優(yōu)化效果，因此，為了防止這種現(xiàn)象的發(fā)生，可以有兩方面的改進(jìn).

(1)引入遺傳變異因子.

借鑒遺傳算法的種群變異，防止粒子群在沒有完全進(jìn)行搜索前達(dá)到極值，可以使粒子每次更新后重新初始化，擴(kuò)寬了粒子的搜索范圍，盡可能達(dá)到全局最優(yōu)[15].假定選擇其中一個(gè)粒子的基因?yàn)镚ij進(jìn)行變異，方法如式(3)所示.

(3)

式(3)中:f(g)=rand(1-g/gmax)，g，gmax分別是當(dāng)前和最大迭代次數(shù)；Amax，Amin分別是Gij的上界和下界；r是[0，1]間隨機(jī)數(shù).

(2)引入收斂因子.

Suganthan的實(shí)驗(yàn)表明：c1和c2為常數(shù)時(shí)可以得到較好的解，但不一定必須等于2.Clerc引入收斂因子(constriction factor)K來保證收斂性.

(4)

通常取φ為4.1,則K=0.729.實(shí)驗(yàn)表明，與使用慣性權(quán)重的PSO算法相比，使用收斂因子的 PSO有更快的收斂速度.

改進(jìn)粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)步驟如圖2所示.

圖2 改進(jìn)粒子群優(yōu)化步驟流程圖

實(shí)現(xiàn)步驟中為了得到最小均方差和，選擇適應(yīng)度函數(shù)為[16]：

(5)

式(5)中:N為訓(xùn)練樣本數(shù)；Oi為第i個(gè)樣本的網(wǎng)絡(luò)實(shí)際輸出值；di為第i個(gè)樣本的期望輸出值.

根據(jù)式(5)計(jì)算種群中粒子在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本下的適應(yīng)度，網(wǎng)絡(luò)激勵(lì)函數(shù)為sigmoid.

3 控制器故障診斷模型的實(shí)現(xiàn)

發(fā)射機(jī)控制器包含三塊電路板，分別是主控板，電源控制板，功放控制板，這里以電源控制板中繼電器驅(qū)動(dòng)電路為例進(jìn)行診斷，分別采集電路中各器件在正常及其故障時(shí)的有效點(diǎn)電壓或電流，并且將采集到的數(shù)據(jù)進(jìn)行歸一化處理，然后作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量進(jìn)行訓(xùn)練.訓(xùn)練完成以后則可以選取數(shù)據(jù)進(jìn)行測(cè)試，進(jìn)而實(shí)現(xiàn)對(duì)故障的診斷.改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)應(yīng)用于發(fā)射機(jī)控制器故障診斷中的過程如圖3所示.

圖3 故障診斷過程圖

3.1 模型訓(xùn)練

首先，進(jìn)行故障特征參數(shù)提取.繼電器驅(qū)動(dòng)電路如圖4所示.

圖4 繼電器驅(qū)動(dòng)電路圖

本文利用multisim來對(duì)電源控制板中繼電器驅(qū)動(dòng)電路進(jìn)行故障診斷仿真分析，在電路中設(shè)置有效檢測(cè)點(diǎn)，根據(jù)各器件不同狀態(tài)所響應(yīng)的電壓和電流數(shù)值的變化來提取特征數(shù)據(jù)，進(jìn)而將提取的特征向量在神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練.采集到的部分?jǐn)?shù)據(jù)如表1所示.

表1 各器件測(cè)試點(diǎn)電壓及電流

其次，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).所建立的故障診斷模型結(jié)構(gòu)共有3層，分別為輸入層、隱含層和輸出層.

(1)確定輸入層.將表1的數(shù)據(jù)通過歸一化處理后，組成輸入特征向量T.

(2)確定隱含層.對(duì)于隱含層數(shù)目的確定，目前還沒有確切的標(biāo)準(zhǔn)來確定隱含層節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)選取的過多過少都會(huì)使網(wǎng)絡(luò)訓(xùn)練不能達(dá)到最優(yōu)，針對(duì)這個(gè)問題，目前有兩個(gè)公式可以參考[17]：

②n1=log2n，其中n1為隱含層單元數(shù)，n為輸入單元數(shù).

本文所設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)模型有9個(gè)輸入節(jié)點(diǎn)和8個(gè)輸出節(jié)點(diǎn)，經(jīng)過多次試驗(yàn)，隱含層節(jié)點(diǎn)確定為13.

(3)對(duì)檢測(cè)的設(shè)備及器件輸出狀態(tài)進(jìn)行編碼，定義期望輸出如表2所示.

表2 故障診斷模型輸出層定義

最后，仿真分析.在Matlab中編程實(shí)現(xiàn)改進(jìn)粒子群的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，共采集到發(fā)射機(jī)控制器的三塊電路板各自對(duì)應(yīng)的數(shù)據(jù)50組，將采集到的41組作為訓(xùn)練數(shù)據(jù)，而剩下的9組則作為測(cè)試網(wǎng)絡(luò)數(shù)據(jù)使用.訓(xùn)練中，粒子群的粒子數(shù)為20，最大允許迭

代次數(shù)2 000，加速常數(shù)c1=c2=1.494 45，最小誤差設(shè)定為10-3.經(jīng)過訓(xùn)練，由圖5可以看出，改進(jìn)的粒子群既有較快的收斂速度且沒有快速陷入局部最優(yōu)，擴(kuò)大了搜索范圍，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能.

圖5 改進(jìn)粒子群訓(xùn)練圖

3.2 控制器故障推理

神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后即可用于發(fā)射機(jī)控制器的故障推理，當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差達(dá)到要求時(shí)可以轉(zhuǎn)到專家系統(tǒng)的推理機(jī)中進(jìn)行推理，按照分區(qū)推理策略順序進(jìn)行推理，推理主要依據(jù)知識(shí)庫中由改進(jìn)粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)構(gòu)成的知識(shí)進(jìn)行推理，專家系統(tǒng)可以很好的對(duì)結(jié)果進(jìn)行解釋，用于訓(xùn)練和診斷推理的數(shù)據(jù)不能重復(fù).

4 仿真結(jié)果分析

利用9個(gè)樣本對(duì)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試檢驗(yàn),其輸出結(jié)果如表3所示.

表3 改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果

由表3的結(jié)果可以看出，改進(jìn)粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)可以較準(zhǔn)確的對(duì)發(fā)射機(jī)控制器電路板進(jìn)行故障診斷.

5 結(jié)論

針對(duì)人工故障診斷效率低，準(zhǔn)確度不高的問題，本文首先對(duì)控制板包含的器件特征參數(shù)進(jìn)行分析，提取故障特征，將提取的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入量，并且利用改進(jìn)的粒子群對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，使其在網(wǎng)絡(luò)訓(xùn)練時(shí)不易陷入局部最小值，且提高了訓(xùn)練速度，將經(jīng)過訓(xùn)練的網(wǎng)絡(luò)，取測(cè)試樣本對(duì)其測(cè)試，輸出故障診斷結(jié)果，結(jié)果表明，正確率達(dá)到96%，解決了人工故障診斷帶來的問題，有實(shí)際應(yīng)用價(jià)值.

[1] 張 琪,侯加林,閆銀發(fā),等.基于虛擬儀器的電路板故障檢測(cè)與診斷系統(tǒng)的研究[J].電子測(cè)量與儀器學(xué)報(bào),2011,25(2):135-140.

[2] 徐建源,張 彬,林 莘,等.能譜熵向量法及粒子群優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在高壓斷路器機(jī)械故障診斷中的應(yīng)用[J].高電壓技術(shù),2012,38(6):1 299-1 306.

[3] 陽同光,蔣新華,付 強(qiáng).混合蛙跳脊波神經(jīng)網(wǎng)絡(luò)觀測(cè)器電機(jī)故障診斷研究[J].儀器儀表學(xué)報(bào),2013,34(1):193-199.

[4] 高甜容,于 東,岳東峰.基于自適應(yīng)誤差修正模型的概率神經(jīng)網(wǎng)絡(luò)及其在故障診斷中的應(yīng)用[J].計(jì)算機(jī)集成制造系統(tǒng),2013,19(11):2 824-2 833.

[5] 宋志杰,王 健.模糊聚類和LM算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].高壓電器,2013,49(5):54-59.

[6] 郭文強(qiáng),夏令君,齊 璐,等.基于DSP的紙機(jī)滾動(dòng)軸承故障診斷[J].陜西科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,34(1):148-153.

[7] 禹建麗,卞 帥.基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型[J].系統(tǒng)仿真學(xué)報(bào),2014,26(6):1 343-1 349.

[8] 陳丹江,葉銀忠.基于多神經(jīng)網(wǎng)絡(luò)的三電平逆變器器件開路故障診斷方法[J].電工技術(shù)學(xué)報(bào),2013,28(6):120-126.

[9] 石東源,熊國江,陳金富,等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的電網(wǎng)分區(qū)故障診斷[J].中國電機(jī)工程學(xué)報(bào),2014,34(4):562-569.

[10] 王一卉,姜長泓.模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在動(dòng)力鋰電池組故障診斷中的應(yīng)用[J].電測(cè)與儀表,2015,52(14):118-123.

[11] 程聲烽,程小華,楊 露.基于改進(jìn)粒子群算法的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制,2014,42(19):37-42.

[12] 劉景艷.基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的提升機(jī)故障診斷[J].河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,33(3):313-317.

[13] 雷 斌,陶海龍,徐曉光.基于改進(jìn)粒子群優(yōu)化算法的灰色神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用,2012,32(10):2 948-2 951.

[14] 馬軍杰,尤建新,陳 震.基于改進(jìn)粒子群優(yōu)化算法的灰色神經(jīng)網(wǎng)絡(luò)模型[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,40(5):740-743.

[15] 蔡 玥.短時(shí)交通流量預(yù)測(cè)的IPSO-BPNN算法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(27):239-243.

[16] Xiao Y,He Y,Xiao Y,et al.A linear ridgelet network approach for fault diagnosis of analog circuit[J].Sciece China Information Sciences,2010,53(11):2 251-2 264.

[17] 王元章,吳春華,周笛青,等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷研究[J].電力系統(tǒng)保護(hù)與控制,2013,41(16):108-114.

【責(zé)任編輯：蔣亞儒】

Application of neural network with improved particle swarm optimization algorithm in the transmitter controller fault diagnosis

DANG Hong-she， LIU Fang-fang， ZHANG Chao

(College of Electrical and Information Engineering,Shaanxi University of Science & Technology, Xi′an 710021, China)

To solve the problems of low efficiency and inaccurate positioning for transmitter controller fault diagnosis,an improved particle swarm optimization neural network and expert system fault diagnosis method are used in the fault diagnosis of transmitter controller.Collected three panel circuit of the normal and fault data structure network training respectively,in order to improve the neural network training speed and precision,using improved particle swarm optimization to it.The simulation results show that the fault diagnosis method can diagnose the transmitter controller fault well,provide convenience for the transmitter controller fault diagnosis.

neural network； improved particle swarm algorithm； fault diagnosis； expert system

2017-01-03 基金項(xiàng)目：陜西省科技廳科技攻關(guān)計(jì)劃項(xiàng)目(2015SF275)

黨宏社(1962-)，男，陜西武功人，教授，博士生導(dǎo)師，研究方向：工業(yè)智能控制、多源信息融合、數(shù)字圖像處理

1000-5811(2017)02-0154-04

TP18

A