遗传算法在故障诊断中应用分析.docx

遗传算法在故障诊断中应用分析摘要：遗传算法是一种自适应启发式全局搜索概率算法在很多学科中都得以应用。介绍了遗传算法的基本原理指出了它的特点论述了它在故障诊断中的应用现状并对遗传算法在故障诊断中的前景提出了展望。关键词：故障诊断；遗传算法；神经网络；小波分析引言遗传算法GA（GeneticAlgorithms）模拟了达尔文的“适者生存优胜劣汰”的自然进化论与孟德尔的遗传变异理论是由Michigan大学Holland教授1975年在他的专著AdaptationinNaturalandArtificial首次提出。其基本流程如图1。遗传算法（GA）与传统算法有很多不同之处主要体现在GA适应性强其使用的算子是随机的如交叉、变异和繁殖等算子不受确定性规则的控制。但这种搜索也不是盲目的而是向全局最优解方向前进。直接使用适值函数进行适值计算而不需要求优化函数的导数使一些不可求导的优化函数也可用GA优化；GA具有较强的鲁棒性它能同时搜索解空间的多个点从而使之收敛于全局最优解而不至于陷入局部最优解；另外它还具有智能性和并行性利用遗传算法的方法可以解决那些结构尚无人能理解的复杂问题。它已广泛应用于函数优化、组合优化、模式识别和信号处理等领域在处理复杂优化问题时遗传算法显示了巨大潜力在实际工程应用中取得了巨大成功。由于上述特点建立合理的模型可以将GA用于设备的状态监测和故障诊断之中。本文把近年来的有关GA用于故障诊断的文献进行分析、归纳总结出GA在故障诊断中的具体应用。GA用于故障诊断从目前来看有直接应用于故障诊断之中主要用于提取特征向量为诊断的后续处理作准备。有和其他的诊断方法相结合研究得较多。一、利用遗传算法提取、优化特征参数机械故障诊断是一个典型的模式分类问题。在诊断实践中由于诊断对象的复杂性故障特征和故障类别的对应关系不甚明了人们提出了大量的原始特征以进行故障识别。但由于特征向量之间存在一定的关联性且特征向量对不同故障的敏感程度不同这对设备诊断的效率和准确率有重要的影响。要对这些特征向量进行优化使它们能够适应实际需要。史东锋等对回转机械故障诊断中3类由同步振动引起的故障来分析应用遗传算法染色体采用二进制编码方式以样本类内、类间的距离判据为适应值函数进行特征选择高效地剔除原始特征集的冗余特性提高故障的识别精度。而用常规方法对得到的23个特征量进行分类由于起高度的冗余性很难取得理想的分类效果。二、遗传算法与人工神经网络（ANN）的结合应用人工神经网络以其强有力的学习和并行处理能力为故障诊断提供了全新的理论方法和实现手段。神经网络通过对经验样本的学习将知识以权值和阈值的形式存储在网络中。网络的输入是被诊断对象的征兆即特征值输出则表示发生故障的可能性。神经网络是以神经元为信息处理的基本单元以神经元间的连接弧为信息通道多个神经元联结而成的网络结构。神经网络以其独特的联想、记忆和学习功能在机械设备故障诊断领域受到广泛关注其中研究较多的是BP神经网络及其改进算法。三、遗传算法与模糊集理论的结合应用模糊集理论是一种新的数据分析和处理方法使用模糊集理论可以对决策表进行简化去除冗余属性。故障模糊诊断的基本原理是利用模糊变换的原理、最大隶属度和阈值原则根据各故障的原因与征兆之间不同程度的因果关系在综合考虑所有征兆基础上来诊断旋转机械振动故障的可能原因。将模糊集理论应用到解决旋转机械故障诊断问题时要计算旋转机械振动故障数据库中的频域征兆使用模糊集理论对其进行约简根据约简的结果生成规则。利用得到的规则对故障样例进行诊断。四、遗传算法与小波理论的结合应用小波变换作为新的信号处理手段具有传统傅立叶变换和加窗傅立叶变换无法比拟的优点。其特点是实现了对信号的多分辨率分析便于对信号的总体和局部进行刻划；且能将信号准确还原。利用它对信号的分解和重构特性可有针对性地选取有关频带的信息和剔除、降低噪声干扰这对于机械故障诊断具有很大的实际意义。五、结语遗传算法是一种概率算法其在故障诊断中的应用主要为优化。在提取特征向量时优化特征参数在与神经网络相结合时主要优化神经网络的权重和结构输入、输出参数。在与模糊集理论相结合时主要用于优化模糊推理的规则。在与小波结合过程中优化小波得到性能优良的小波。本文对遗传算法在故障诊断中应用作了简单的描述。可以得知根据实际情况合理建立具体的模型或者与其他的诊断方法结合解决其他诊断方法的局限性。遗传算法在消除噪音提高故障诊断的效率和识别率方面有广阔的前景。