蚁群神经网络及在故障诊断中的应用

浙江万里学院 李小青

将蚁群算法与神经网络相结合，克服神经网络BP算法收敛速度慢、容易陷入局部极小的缺点，结合汽车发动机故障的特点，探讨了一种基于蚁群神经网络的发动机故障诊断系统。仿真实验表明该系统具有一定的实用性。

基于BP算法的神经网络早已广泛应用于各种故障诊断中，但该算法具有收敛速度慢、易陷入局部极小等缺点。为此，本文融合蚁群算法，并将其应用于故障诊断中。

1 基于神经网络专家系统的故障诊断

神经网络具有处理复杂多模式及进行联想推测和记忆的功能，很适合应用于各种系统的故障诊断[1]。如图1所示为常见的基于神经网络的故障诊断专家系统的一般结构。

图1 基于神经网络的故障诊断Fig.1 Fault diagnosis based on neural network

2 蚁群神经网络

利用蚁群算法具有全局优化和启发式寻优的特点[3]，采用蚁群算法来训练神经网络的权值。其主要步骤如下：

Step 1)：初始条件：令时间t和循环次数Nc均为0，设置最大循环次数Nmax，初始化所有集合Ωpr(1≤r≤D)中的每个元素pj(Ωpr)的信息素Ppj(Ωpr)

Step 2)：任意一只蚂蚁k(k=1,2,…,s)从集合Ipi开始，根据公式（1）计算的概率随机地选择它的第j个元素。

Step 3): 重复步骤2，直到蚁群全部到达食物源。

Step 4):令t=t+m,NC=NC+1,计算用各蚂蚁所选权值作神经网络参数时训练样本的输出误差，记录当前最优解，按式(2)来调节每个元素的信息素。

式中m为蚂蚁觅食过程经历的时间单位，ρ(0≤ρ≤1)为信息素的持久性，1-ρ表示信息素的消逝程度，Δτj(Ipi)为在本次循环中第k只蚂蚁在集合Ipi的第j个元素上留下的信息素，可用式(3)来计算。

Step 5):重复以上步骤，直到进化趋势不明显或循环次数NC≥NCmax，则循环结束，输出最优解，算法结束，否则转到第步骤(2)执行。

3 蚁群神经网络专家系统在汽车发动机故障诊断中的应用

3.1 发动机故障诊断专家系统的总体框架

本文设计了融合蚁群神经网络混合算法的发动机故障诊断专家系统，如图2所示，该系统主界面如图3所示。专家知识库管理是核心内容，完成浏览、添加和修改知识功能；故障诊断模块综合利用专家知识库采用同一窗体进行几十种诊断，包括数据采集和现象诊断等；可利用信息咨询和系统帮助进行有关参数的查询及辅助维修管理等。

图2 系统总体框架图Fig.2 Overall system framework

图3 系统主界面Fig.3 System main interface

3.2 知识库的建立

在神经网络中将同一问题的知识表示在同一网络中，它是一种隐式表示，而传统的知识表示，是一种显式表示[2]，神经网络表示法如图4所示。

图4 神经网络表示法Fig.4 Neural network representation

由于发动机是一个非常复杂的诊断对象，在此可以把系统划分为几大模块。以发动机油路故障为例创建一个子神经网络。例如发动机不能起动的原因，从大体方面可能是进气系统、压缩空气起动系统及油路等故障造成的，通过分析，排除了其他的可能，发动机不能起动的原因是出现在油路故障，而油路故障又可能是因为滤清器、输油泵或高压油泵故障等引起的，为便于理解，我们可用如下定义：

故障现象：

X1：观察油箱中剩余燃油情况(0：油箱中有油；1：油箱中没油)

X2：检查滤清器有无污垢(0：无污垢；1：有污垢)

X3：检查输油泵输油情况(0：正常；1：不正常)

X4：高压油泵工作情况(0：正常；1：不正常)

X5：喷油器供油情况(0：良好；1：不好)

故障原因：

Y1：油箱没油(0：否；1：是)

Y2：滤清器污阻(0：否；1：是)

Y3：输油泵故障(0：否；1：是)

Y4：高压油泵故障(0：否；1：是)

Y5：喷油器故障(0：否；1：是)

根据上面例子分析，可以构造一个如图5所示的5×4×5神经网络。

图5 油路故障神经网络结构图Fig.5 Neural network structure diagram of oil

确定各个子网络的训练样本并进行训练，获得它们的连接权值和阈值，然后存储连接权值，形成知识库[4]。如表1所示部分油路故障诊断训练样本。

表1 油路故障诊断训练样本Tab.1 Training samples of oil circuit fault

3.3 知识库的管理

包括知识的检验管理、知识的存入、知识的修改和删除等。如图6所示为知识库基本管理界面。很方便地实现了人机交互对知识的输入、查询、浏览、删除、修改等基本管理。

图6 知识库管理Fig.6 Knowledge base management

3.4 系统故障诊断流程

总体的故障诊断流程如图7所示。首先输入故障现象，系统进行计算，当某一输出值大于阈值，输出诊断结果，否则系统会重新提问或指示没有故障。

图7 系统总体诊断流程图Fig.7 Overall system diagnosis flow chart

4 结语

本文将蚁群算法与神经网络相结合，克服神经网络BP算法收敛速度慢、容易陷入局部极小的缺点，设计了一种基于蚁群神经网络的发动机故障诊断系统。仿真实验表明该系统具有一定的实用性。

引用

[1] 毕晓君,柳长源,卢迪.基于PSO-RVM算法的发动机故障诊断[J].哈尔滨工程大学学报,2014,35(2):245-249.

[2] 程学珍,王常安,李继明,等.基于自适应神经模糊Petri网的电机故障诊断[J].山东科技大学学报(自然科学版),2020,39(3):109-117.

[3] 宋红英.基于蚁群神经网络的发动机故障诊断专家系统的研究[D].北京:中国农业大学,2005.

[4] LECUN Y,BENGIO Y,HINTON G.Deep Learning[J].Nature,2015,521(7553):436-444．

[5] HINTON G E,SALAKHUTDINOV R R.Reducing the Dimensionality of Data with Neural Networks[J].Scince,2006,313(5786):504-507.