电功率传感器优化GA-BP 故障诊断算法，为何比传统BP神经网络更具诊断性能？

发布时间：2024-11-25 19:11:38

优化GA-BP 故障诊断算法，为何比传统BP神经网络更具诊断性能？

在阅读此文前，麻烦您点击一下“关注”，方便您进行讨论和分享，给您带来不一样的参与感，感谢您的支持。

文|

晓山青

编辑|

晓山青

●—≺ 摘要 ≻—●

液压系统作为控制和动力传输设备的核心部件，在现代工业生产机械中被广泛应用，准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义｡

液压系统一旦发生故障往往是多故障同时出现，传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率。

提出一种基于遗传算法改进BP神经网络(GA-BP)的液压系统故障诊断方法，针对不同采样频率下多传感器信息融合的液压系统3 种典型的故障模式进行对比分析｡

结果表明，GA-BP 故障诊断算法相对于传统的BP神经网络具有更好的诊断性能, 证明过程是怎样的？

●—≺ 遗传算法优化BP神经网络模型 ≻—●

液压系统因为其响应速度快、负载刚度和功率密度大、稳定性高 等优点，被广泛应用于航天船舶汽车制造、冶金工业和能源开采等众多领域｡

由于恶劣的工作环境和负载的不稳定性，液压系统很容易发生故障，一旦液压系统发生故障，轻则导致生产设备的功能性损失。

影响生产进度和生产效率，重则危及操作人员的人身安全，甚至引发生命财产的巨大损失门｡

因此，有效的液压系统故障诊断具有重要意义，液压系统内部传递动力的封闭性和元件往复运动产生的大量激励源，使得液压系统的过程参数和状态信息很难提取。

并且故障呈现为典型的非线性、模糊性和隐蔽性，研究实现液压故障诊断的关键技术和方法极其重要｡

在对液压系统进行多类型故障诊断时，需要对包括压力、温度、流量和振动等特征量进行分析，以明确这些特征量对不同故障的影响｡

针对传统BP神经网络初始值选择范围大，求得最佳解是局部小范围内的，致使分类准确率较低的问题，提出一种基于遗传算法改进BP神经网络(CA-BP)的诊断模型，利用公开数据集样本进行训练和测试｡

公开数据集的液压系统故障模拟实验台由一个主工作回路和一个二次过滤冷却回路组成，两者由司一个油箱连接，其原理如图 1所示｡

液压故障模拟实验台允许各部件发生可逆变化，实现故障的模拟注入。

主工作回路由主泵、可切换蓄能器、过滤器、比例泄压阀、操作控制阀和各类传感器 等组成，通过调节比例卸压阀开度在主工作回路中产生不同的负载水平｡

负责冷却和过滤液压油的二次冷却过滤回路由辅助液压泵、电磁阀、滤清器、冷却器和各类传感器组成｡

主工作回路和二次冷却过滤回路都设有微粒污染传感器，负责检测液压油的污染程度并确定电磁阀滑阀的位置｡

如图1(b) 中的二次冷却过滤回路，电磁阀滑阀连接到第一接口，液压油通过滤清器流向冷凝器｡

如果电磁阀滑阀连接到另一个接口，液压油将流向冷凝器而不进行过滤｡

采用单一传感器监测液压系统所获取的信息有限，此液压系统故障模拟实验台不仅包括压力传感器(PS1-PS6)、电功率传感器 (EPS1)、流量传感器(FS1、FS2)、温度传感器 (TS1-TS5) 和振动传感器 (VS1)的物理传感器。

还包括冷却效率 (CE)、冷却功率 (CP) 和系统效率因子 (SE)的虚拟传感器｡

考虑到液压系统故障模拟实验台多传感器监测数据的多时间尺度特性，对于不同传感器分别采用100、10、1 Hz 3 种采样频率如表1所示。

有利于更全面地挖掘故障信息，提高诊断准确率将物理传感器和虚拟传感器采集的数据缓存在可编程逻辑控制器(PLC)上， 然后通过 EtherCAT 传输到计算机上保存或者传输，用于进一步分析｡

实际工程中，液压系统一旦发生故障往往是多类型故障同时发生，针对文中要研究的 3 种故障情况液压系统故障模拟实验台注入故障方法如下：

在冷却器 C1 中，通过改变冷却器风扇占空比模拟不同的冷却功率 (CP) 退化程度。

在阀 V10 中，通过改变阀门电流设定值来模拟不同的开关退化状态。

通过改变能器 A1-A4 的预充压力阶跃来模拟不同的泄漏水平，对液压系统故障模拟实验台注入上述3 种故障类型。

得到上述 3 种故障样本和正常工况数据样本，为接下来特征输入工作提供了数据基础｡

●—≺ 结果对比分析 ≻—●

在搭建故障模拟实验台液压系统故障诊断模型时，需要对液压系统中各传感器采集到的多个特征量进行分析，传统BP神经网络算法对于这种多故障非线性映射诊断问题， 诊断性能很难保证｡

文中提出的采用遗传算法优化的BP神经网络 (GA-BP) 尤其适合非线性多故障模式的液压系统故障诊断，能够提高多故障诊断准确率｡

BP神经网络是一种多层的前馈型神经网络，又因其误差的调节过程是从输出层逐层向前进行的，又被称为误差反向传播神经网络｡

BP 神经网络由 3 个神经元层组成，分别是输人层 (Input layer)、隐含层 ( Hidden layer)和输出层(Output layer)[14]，其拓扑结构示意如图 2所示｡

同一层之间的节点互不干涉、相互独立，不同层之间的节点通过闽值和权值等神经网络参数非线性连接，BP 算法包括以下2个流程：

信号的前向传播，将特征信号沿输入层向前传递，通过隐含层神经元传递到输出层节点， 输出节点并不能直接输出信号，需要经过系列非线性变化｡

将得到的输出信号与目标输出信号进行误差分析，如果误差过大则转入误差反向传播流程｡

误差的反向传播，将信号前向传播得到的误差从输出层反向作用于整个神经网络，误差途经隐含层和输入层时将其平分给各层节点。

使误差沿反向神经网络逐层下降，如此循环训练，直到信号的前向传播达到期望输出， 确定此时实际输出对应的闽值和权值，神经网络的训练即可停止｡

遗传算法是一种受生物进化论启发的，具有全局优化能力的随机搜索算法｡

基本要素包括种群规模，对种群中个体通过编码得到的染色体、遗传迭代次数和通过选择、交叉及变异的遗传方式｡

通过选择合适的适应度函数，比较种群中个体染色体的适应值， 保留或者淘汰相应的个体，如此多次循环迭代，找到最佳适应度值的个体，将其值赋于BP 神经网络的初始权值和值。

遗传算法优化BP 神经网络的流程如图3 所示，引入遗传算法优化BP 神经网络可以很好地解决BP神经网络初始值选择范围大，求得的最佳解是局部小范围内的。

存在一定的计算误差等问题，达到优化BP神经网络初始权值和闽值的目的， 从而得到一个诊断性能更好的网络模型｡

经过液压系统故障模拟实验台注入性故障实验得到3种故障工况和1种正常工况，相对应的包括压力、流量、温度、振动、电功率等不同采样频率下的特征量的输入数据。

一共有2205组数据用于系统故障诊断研究，将其分为 200 组，其中80%用作模型训练，剩余20%用于测试验证｡

3 种故障工况 (冷却器故障、液压阀泄漏、蓄能器故障)下的输出数据分别用 1、2 和3 编码表示｡

对数据进行预处理后，在MATLAB 中实现GA-BP 故障诊断模型，初始神经网络权值和闽值通过 newff 函数随机给定。

BP神经网络设置的参数：迭代次数为10000次，期望误差为0.000 1，学习率为 0.01。

遗传算法设置的参数：种群规模为 100 个，进化次数为 300 个，交叉概率为0.7，变异概率为 0.1｡

利用故障模拟试验台数据集对BP神经网络故障诊断模型，和基于遗传算法改进的BP神经网络模型(GA-BP) 进行故障诊断分析。

以测试验证集的 40 组数据为例，BP 故障诊断算法和GA-BP 故障诊断算法都以编码为 1、2、3的3种注入故障种类型为输出量。

经过模型的迭代计算，得到BP神经网络预测故障类别和实际故障类别对比如图 4所示，得到遗传算法优化BP神经网络(GA-BP)预测故障类别和实际故障类别对比如图 5所示｡

对比图4 和图5可以发现，优化前的BP故障诊断算法对第1类和第2类故障的预测值和实际情况十分吻合，具有很高的分类准确率。

但是对于第 3 类故障，优化前的BP故障诊断算法的预测情况和实际情况存在明显的误差， 不能精确地完成第 3 类故障诊断｡

而优化后的 GA-BP 故障诊断算法针对 3 种故障类型，都能准确地完成故障分类任务｡

为了更加直观地比较BP故障诊断算法和 GA-BP故障诊断算法的诊断准确率， 从 40 组测试验证集中随机抽取20 组做对比分析，结果如图6所示｡

可知优化前的BP故障诊断算法平均预测误差在 5%左右，而改进后的 GA-BP 故障诊断算法针对 3 种故障类型诊断准确率可以达到 100%， 大幅度提高了诊断准确率，诊断效果十分优越｡

为了更好地比较BP故障诊断算法和 GA-BP故障诊断算法的诊断性能，除了分类准确率之外，还对比分析了包括分类精确率、召回率和 F1 分数 3类评价指标，如表 2 所示｡

其中分类准确率说明正确分类个数与总分类数之比，分类精确率反映能够正确分类样本数， 所占被划分为某一具体类别的样本比例。

召回率表示实际为某类别的样本中分类正确的样本所占比例，F1 分数是评价精确率和召回率的指标｡

从表2中可以看出BP故障诊断算法只对第1 类故障有很好的诊断性能，而对于第2类和第3类故障的诊断都存在不同程度上的不足｡

而优化后的 GA-BP 故障诊断算法对 3 种故障类型的诊断性能都十分优越｡

●—≺ 结论分析 ≻—●

文中针对液压系统提出了一种基于遗传算法优化BP 神经网络 (GA-BP) 的故障诊断算法。

将遗传算法和BP神经网络相结合，采用3种故障工况下液压系统以不同采样频率、不同传感器采集的故障特征 参数作为数据集。

对改进的 GA-BP 故障诊断算法进行训练和测试，将测试的结果通过分类准确率、 分类精确率、召回率和 F1 分数与传统BP故障诊断算法进行比较。

结果发现文中提出的 GA-BP 故障诊断算法不仅提高了故障分类准确率，其他诊断性能也显著提高，对于工程应用中液压系统的故障诊断和预防性维修具有重要的指导意义｡

根据平台规则，您关注+点赞评论会保持铁粉身份，更好为您推荐优质内容

---END---

山西中科研可再生能源建筑应用项目能效测评系统

一、概述

根据《住房和城乡建设部、财政部》节能检测和《GBT 50801-2013 可再生能源建筑应用工程评价标准》要求，需对安装太阳能热水系统和太阳能光伏系统的建筑应用项目进行能效测评，通过予验收和能效测试合格后才能正式交付使用和申请国家节能财政补贴经费。

因应各相关建筑检测单位的要求，我公司结合国内外的能效测评标准开发出符合我国建筑检测部门要求的可再生能源太阳能热水系统和太阳能光伏系统的能效测评测试仪器TMC-2D可再生能源建筑应用项目能效测评系统。该能效测评系统符合现场大型太阳能热水系统和太阳能光伏系统实际工况的检测要求，采用智能化控制技术，检测精度高，工作效率高，连接电脑测试软件可生成太阳能热水系统能效测评报告，保证太阳能热水工程的设计指标及施工质量验收标准，是建筑质检部门、生产厂家、太中院校科研单位的必备检测工具。

二、产品测试依据标准

1.《太阳热水系统性能评定规范》GB/T 20095-2006；

2.《GBT 50801-2013 可再生能源建筑应用工程评价标准》

3.《GB/T50364-2005民用建筑太阳能热水系统应用技术规范》

4.《GB/T50604-2005民用建筑太阳能热水系统评价标准范》

5.《GB/T18713--2002太阳能热水系统设计、安装及工程验收技术规范》

6．设计图纸与设计方案文件；

7．项目申报书；

8．相关设备技术资料等文件

三、产品技术特色

1.部分采用无线超声波热能表，即可采用静态测试方式，又可采用动态测试方式，不需要关闭使用中的热水系统，不但可满足实际工况的检测要求，而且还可以解决因现场集热端和客户用水端远距离测试接线的困拢。方便省事，减少现场测试人员的劳动强度。

2.可真实的测出辅助热源得热量；

3.采用智能化控制技术，检测精度高，工作效率高

4.配置室外防雨防晒手提式测试仪主机，测试时将测试仪主机挂到测试现场或放在地面上，将相关室外传感器安装在测试仪主机上，现场直接测量。方便省事，提高工作效率。

5.配置2用光伏传感器，既可测直流电，又可以交流电；

6.特殊的软件和硬件设计，保证了连续几天的集热系统得热量每天从零开始，不需要测试人员每天到现场进行记录集热系统效率，然后再进行人工计算；

7.分析软件采用无线GPRS通讯方式，不受距离的限制，可实时在远端或办公室实时采集到一个测试工地或多个测试工地的实际数据，并且可以监测及诊断出测试现场的测试设备有没有故障。解决了测试人员定期去现场录入数据、查看设备的运作状况的困扰，方便省事，减少现场测试人员的劳动强度。

四、测评项目（太阳能热利用系统和太阳能光伏电源系统）

1．集热系统得热量

2．系统总能耗

3．贮热水箱热损系数

4．集热系统效率

5．太阳能保证率

6．常规能源替代量（吨标准煤）

7．项目费效比

8．二氧化碳减排量

9.二氧化硫减排量

10.粉尘减排量

11.供水温度

12.太阳能建筑应用光伏电源系统光电转换效率测试

13.热泵COP系数(可选）

五、测试条件

（一）太阳能光伏电源系统

1 检测的天气要求：环境平均温度8℃≤t≤39℃，环境空气的平均流速不大于4m/s，当太阳能电池方阵正南放置时，试验起止时间为当地太阳正午时前1h到太阳正午时后1h，共计2h。测试期间内，太阳辐照度不应小于700w/m2。

2 系统要求：太阳能建筑应用光伏电源系统应按原设计要求安装调试合格，并至少正常运行3天，才能进行光电转换效率测试。对于独立的太阳能发电系统，电功率表接在蓄电池的输入端；对于并网太阳能系统，电功率表应接在逆变器的输出端。

（二）太阳能热利用系统

1. 太阳能建筑应用光热系统所采用的太阳能集热器、太阳能热水器等关键设备应具有相应的国家级全性能合格的检测报告，符合国家相关产品标准的要求；

2. 系统应按原设计要求安装调试合格，并至少正常运行3天，方可以进行测试；

3. 所有示范项目必须按照测试的要求预留相关仪器的测试位置和条件，其用水量、水温等参数必须按照设计要求的条件下进行测试；

4. 太阳能热水系统试验期间环境平均温度：8℃≤ta≤39℃；

5. 环境空气的平均流动速率不大于4m/s；

6．至少应有4天试验结果具有的太阳辐照量分布在下列四段：J1＜8MJ/㎡·日；8MJ/㎡·日≤J2＜12MJ/㎡·日；12MJ/㎡·日≤J3＜16MJ/㎡·日；16MJ/㎡·日≤J4。

六、测试设备仪器及其指标参数

序号、项、次、主要参数

1太阳能测试仪采集器

1）A/D转换：32Bit

2).扫描频率：100HZ

3).模拟通道：22个

4).模拟电压范围：+-5000mv

5).模拟电压精度：+-（读数*0.1%+偏移量），

6).测量辩率：0.48uv；

7).开关激发通道：8个电压，4个电流

8).脉冲通道：6个；

9).协议支持：支持BODBUS RTU、RS232/485、无线通讯协议

10).内存：2M，2M,可按秒级存储（5-3600秒），可外接存储装置，内存可达80G以上

11).耗电量：35mA

12).显示方式：

内嵌点阵240*128 ,114mm*64mmLCD大屏幕显示器蓝屏和反馈式触摸按键，参数一目然；

13）输入阻抗：大于传感器的1000倍或10MΩ中的较大值

2传感器系统

太阳总辐射传感

须采用由中国气象局气象探测中心和工程技术研究中心组织的“太阳能资源观测利用气象传感器的研制项目”验收测试报告中规定的合格产品，并提供相关证明材料)

（1）测量范围:0～2000W/m2

（2）测量精度:小于5%；

（3）显示分辨率:1 W/m2

（4）显示内容:瞬时值，小时累计量，日累计量等；

（5）灵敏度：7-14mV / ( kW·m2 )

（6）反应时间：15s；

（7）年稳定度：≤±2 %

（8）余弦响应：≤±7 % 高度角 10º；

（9）线性：≤±2 %

（10）光谱范围：305-2800 nm；

（11）灵敏度温度误差：<0.1%/℃

（12）零点偏移： <10W/㎡

精密温度传感器

（1）测量范围 -50-300℃ ；

（2）测量精度:±0.1℃；

（3）显示分辨率：0.01℃。

环境温度

（1）测量范围 -40-70℃

（2）测量精度:±0.5℃

（3）显示分辨率：0.1℃

（4）带百叶箱防辐射

*环境湿度（可选）

（1）测量范围：100% ；

（2）测量精度：±2%(≤80%时)

（3）带百叶箱防辐射

环境风速

（1）测量范围:0-60m/s ；

（2）测量精度:±0.5m/s；

（3）显示分辨率：0.1 m/s

*环境风向（可选）

（1）测量范围：0～360°

（2）测量精度：±3°

无线超声波热能表

（1）精度等级：3级

（2）温度测量范围:4～95℃

（3）分辨率:0.01℃

（4）流量范围：0.20-200（m3/h） 2级

(5) 温差范围:3℃～55℃

（6) 口径：DN40

（7) 室外不锈纲防护装置

电功率传感器

（1）交直流电压：0-400V，电流：0～30A；

（2）精确度：1.0% 准确度等级：3.0级；

（3）频率变化允许范围：±10%fn，

电压变化允许范围：±10%Un

超声波流量传感器（可选）

（1）线性度：0.5% ；

（2）重复性：0.2%

（3）准确度：示值的±1%，流速＞0.2 m/s （4）响应时间：0-999 秒,

（5）流速范围：±32 m/s

（6）测量口径：15-100mm

无线电能表(可选）

（1）标准参比电压：220V（380V）

（2）标准参比频率：50Hz；

（3）测量误差：≤5%；

（4）起动电流：0.5%Ib；

（5）频率变化允许范围：±10%fn

（6）电压变化允许范围：±10%Un

（7）倾斜悬挂允许范围：±30º

3可再生能源能效测评系统管理软件

（1）标准RS232接口与管理微机有线连接，实时传送采集数据，并可下载数据存入微机，此软件支持《GBT 50801-2013 可再生能源建筑应用工程评价标准》和《GB/T20095-2006太阳热水系统性能评定规范》等国标要求，

（2）在windows2000以上环境即可运行，实时显示各路数据，可实时显示热量、温度、流量曲线，检测数据自动存储（存储时间可以设定），数据存储格式为EXCEL标准格式,可供其它软件调用。

（3）界面具有DIY设计，传感器的名称可按实际需要自动设定；

（4）具有校准功能，校准下位机的相关传感器系统。

（5）采用无线GPRS通讯方式，不受距离的限制，可实时在远端或办公室实时采集到一个测试工地或多个测试工地的实际数据，并且可以监测及诊断出测试现场的测试设备有没有故障。解决了测试人员定期去现场录入数据、查看设备的运作状况的困扰，方便省事，减少现场测试人员的劳动强度。

4拉杆式便携箱

（1）材质：ABS，防水防爆

（2）尺寸：5500*420*220mm

（3）所有检测仪表放入箱内，测试时拉到测

试厂地，方便省事，提高工作效率。

电功率传感器优化GA-BP 故障诊断算法，为何比传统BP神经网络更具诊断性能？

优化GA-BP 故障诊断算法，为何比传统BP神经网络更具诊断性能？

山西中科研可再生能源建筑应用项目能效测评系统

大家都在看

相关推荐

电功率传感器 优化GA-BP 故障诊断算法，为何比传统BP神经网络更具诊断性能？

优化GA-BP 故障诊断算法，为何比传统BP神经网络更具诊断性能？

山西中科研 可再生能源建筑应用项目能效测评系统

大家都在看

相关推荐

电功率传感器优化GA-BP 故障诊断算法，为何比传统BP神经网络更具诊断性能？

山西中科研可再生能源建筑应用项目能效测评系统