量子遺傳算法的改進(jìn)及其在智能故障診斷中的應(yīng)用.pdf

1、隨著科學(xué)技術(shù)的進(jìn)步和現(xiàn)代工業(yè)技術(shù)的迅猛發(fā)展，現(xiàn)代裝備日趨呈現(xiàn)出大型化、復(fù)雜化的態(tài)勢，其一處故障可能引起多處故障，以致不同故障模式之間產(chǎn)生藕合，從而導(dǎo)致對整個(gè)復(fù)雜系統(tǒng)的健康狀態(tài)監(jiān)測與診斷的難度加大。因此，對復(fù)雜機(jī)械系統(tǒng)進(jìn)行健康狀態(tài)監(jiān)測與診斷引起了人們的普遍關(guān)注，從而形成了一個(gè)重要的課題。另一方面，故障診斷技術(shù)所涉及到的其它學(xué)科，例如:信息科學(xué)、系統(tǒng)科學(xué)、人工智能、計(jì)算機(jī)技術(shù)等，在飛速發(fā)展。這使得故障診斷技術(shù)隨著時(shí)代的發(fā)展與這些前沿學(xué)科同步

2、發(fā)展，從而推動(dòng)了故障診斷技術(shù)這一門學(xué)科的發(fā)展。
　　 目前，作為人工智能的重要分支，故障診斷專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)已得到人們的廣泛關(guān)注，基于神經(jīng)網(wǎng)絡(luò)的智能故障診斷技術(shù)已經(jīng)獲得了廣泛的應(yīng)用;同時(shí)基于核函數(shù)的小樣本統(tǒng)計(jì)學(xué)習(xí)理論在智能故障診斷領(lǐng)域中的應(yīng)用正在蓬勃興起。但是，這些方法都有它們自身的不足之處。
　　 另一方面，計(jì)算機(jī)學(xué)科在飛速發(fā)速，尤其是智能計(jì)算領(lǐng)域。群體智能技術(shù)作為智能計(jì)算領(lǐng)域的一個(gè)重要方向，它是一種新的優(yōu)化方法，是

3、人工智能領(lǐng)域研究的一個(gè)新的熱點(diǎn)，將其中的遺傳優(yōu)化算法應(yīng)用于故障診斷領(lǐng)域中，從而豐富和發(fā)展了故障診斷學(xué)科，拓展了智能優(yōu)化算法的應(yīng)用領(lǐng)域。
　　 量子計(jì)算是智能計(jì)算領(lǐng)域中的一個(gè)前沿分支。本文試圖在智能計(jì)算領(lǐng)域中的前沿——量子計(jì)算方向上，針對遺傳優(yōu)化算法，進(jìn)行局部創(chuàng)新并與常用的2大學(xué)習(xí)機(jī)（神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)）相結(jié)合，并把它們運(yùn)用到智能故障診斷中去。
　　 本文的主要工作如下。
　　 (1)針對量子遺傳算法的最新研究成

4、果，實(shí)數(shù)雙鏈編碼目標(biāo)梯度量子遺傳算法，英文簡稱DoubleChainsQuantumGeneticAlgorithm(DCQGA)的特點(diǎn)，在分析了該算法的機(jī)理基礎(chǔ)之上，將實(shí)數(shù)雙鏈編碼目標(biāo)梯度量子遺傳算法(DCQGA)與模擬退火算法(SimulatedAnnealingAlgorithm，SAA)相結(jié)合，從而提出了實(shí)數(shù)雙鏈編碼目標(biāo)梯度量子遺傳模擬退火算法，英文簡稱:DoubleChainsQuantumGeneticSimulatedAn

5、nealingAlgorithm，英文縮寫:DCQGSAA。
　　 (2)目前，人工神經(jīng)網(wǎng)絡(luò)在智能故障診斷中獲得了廣泛的應(yīng)用。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式。雖然，多層BP神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于線性系統(tǒng)和非線性系統(tǒng)，對任意函數(shù)模擬逼近;但是，BP網(wǎng)絡(luò)并不一定總能有解。問題的一個(gè)主要方面在于多層網(wǎng)絡(luò)中非線性函數(shù)有多個(gè)局部最優(yōu)解，尋優(yōu)的過程與初始點(diǎn)的選取關(guān)系很大。為了解決這個(gè)問題，人們常將智

6、能算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，用之優(yōu)化BP網(wǎng)絡(luò)的權(quán)值與閾值;但是，在神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值的優(yōu)化過程中，由于需要頻繁編碼與解碼，計(jì)算量比較大。因此，人們試圖尋找一種收斂速度快同時(shí)收斂精度比較高的智能算法來代替常用的智能算法。本文采用所提出的改進(jìn)的量子遺傳算法(DCQGSAA)，將其與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，用之改進(jìn)網(wǎng)絡(luò)的權(quán)值與閾值，從而達(dá)到在一定程度上改進(jìn)BP網(wǎng)絡(luò)的學(xué)習(xí)性能的目的，建立了基于“改進(jìn)的量子遺傳算法(DCQGSAA)+BP神經(jīng)網(wǎng)絡(luò)”的

7、混合智能故障診斷模型，并將此混合模型運(yùn)用到某滾動(dòng)軸承的故障診斷中，仿真結(jié)果表明所建立的混合故障診斷模型效果良好。
　　 (3)自組織特征映射神經(jīng)網(wǎng)絡(luò)(SelfOrganizingMaps，SOM)也稱Kohonen網(wǎng)絡(luò)。該網(wǎng)絡(luò)是一個(gè)由全連接的神經(jīng)元陣列組成的無教師、自組織、自學(xué)習(xí)的網(wǎng)絡(luò)，它可以對外界未知環(huán)境進(jìn)行學(xué)習(xí)，因而具有能較強(qiáng)的處理復(fù)雜非線性問題的能力。其泛化能力有效克服了容差因素對故障診斷精度的影響，因此SOM網(wǎng)絡(luò)無需大量

8、的學(xué)習(xí)樣本，這正好彌補(bǔ)了BP網(wǎng)絡(luò)在學(xué)習(xí)過程中需要大量訓(xùn)練樣本的缺陷。
　　 本文根據(jù)SOM網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，采用優(yōu)勢互補(bǔ)的原則，將2者相結(jié)合;并在本文所提出的改進(jìn)的量子遺傳算法(DCQGSAA)的基礎(chǔ)之上，首次建立了基于“SOM+BP+改進(jìn)的量子遺傳算法(DCQGSAA)”的混合智能故障診斷模型，試圖解決神經(jīng)網(wǎng)絡(luò)的小樣本學(xué)習(xí)問題;并將此混合模型首次運(yùn)用到某內(nèi)燃機(jī)燃油系統(tǒng)的故障診斷中。仿真結(jié)果表明所建立的混合故障診斷模型

9、效果良好。
　　 (4)支持向量機(jī)(SupportVectorMachine，SVM)理論是由Vapnik等人提出的一種新的機(jī)器學(xué)習(xí)算法，該算法建立在統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)之上，因此SVM具有較好的泛化能力。此外，支持向量機(jī)是一個(gè)凸二次優(yōu)化問題，它能夠保證找到問題的極值解，也就是全局最優(yōu)解。這些特點(diǎn)使SVM獲得了廣泛的應(yīng)用。
　　 但是SVM的性能對它的關(guān)鍵參數(shù)極為敏感，同時(shí)它的性能與研究對象的數(shù)據(jù)分布也有

10、極大的聯(lián)系。針對此問題，本文采用所提出的改進(jìn)的量子遺傳算法(DCQGSAA)來優(yōu)化LS-SVR中的關(guān)鍵參數(shù)，以達(dá)到提升LS-SVR學(xué)習(xí)性能的目的，從而建立了基于“改進(jìn)的量子遺傳算法（DCQGSAA）+LS-SVR”的混合非參數(shù)回歸模型;通過與現(xiàn)有的量子遺傳算法(DCQGA)進(jìn)行對比，說明本文所建立的混合非參數(shù)回歸模型的優(yōu)越性。
　　 (5)建立實(shí)時(shí)、準(zhǔn)確、可靠的液體火箭發(fā)動(dòng)機(jī)的故障預(yù)測模型，對于液體火箭發(fā)動(dòng)機(jī)健康監(jiān)控與故障診斷具

11、有十分重要的意義。針對液體火箭發(fā)動(dòng)機(jī)故障的特點(diǎn)，由于其推力與氧化劑流量、燃燒劑流量、燃燒室壓力等參數(shù)有密切的關(guān)聯(lián)，各參數(shù)與推力之間存在著高度的復(fù)雜性和非線性關(guān)系，其故障樣本具有小樣本、多維數(shù)的特征，本文首次將所建立的基于“量子遺傳算法(DCQGA)及其改進(jìn)(DCQGSAA)與LS-SVR”的混合非參數(shù)回歸預(yù)測模型用于液體火箭發(fā)動(dòng)機(jī)的故障狀態(tài)監(jiān)控中，從而解決了液體火箭發(fā)動(dòng)機(jī)的實(shí)時(shí)健康狀態(tài)的監(jiān)測問題。
　　 在巖土力學(xué)中，邊坡穩(wěn)定性

12、的評價(jià)問題是邊坡工程中的一個(gè)十分重要的研究領(lǐng)域。由于邊坡巖體的力學(xué)性質(zhì)表現(xiàn)出強(qiáng)烈的不確定性，這種不確定性包括隨機(jī)性、模糊性、灰色性以及未確定性。邊坡穩(wěn)定性與這些不確定性因素之間呈現(xiàn)出高度的非線性關(guān)系。本文首次將所建立的基于“量子遺傳算法(DCQGA)及其改進(jìn)(DCQGSAA)與LS-SVR”的混合非參數(shù)回歸預(yù)測模型用來預(yù)測巖土力學(xué)中的邊坡安全系數(shù)，從而有效地解決了邊坡穩(wěn)定性的評價(jià)問題。
　　 (6)本文首次將所提出的改進(jìn)的量子遺

13、傳算法(DCQGSAA)，運(yùn)用到復(fù)雜系統(tǒng)的智能故障診斷中去。針對復(fù)雜系統(tǒng)故障診斷的特點(diǎn)，從人類認(rèn)知的角度對復(fù)雜系統(tǒng)進(jìn)行結(jié)構(gòu)與功能分解，并在決策層面上采用信息融合技術(shù)，從而建立了復(fù)雜系統(tǒng)的智能故障診斷的一般框架。
　　 本文首次將所提出的“SOM+BP+改進(jìn)的量子遺傳算法(DCQGSAA)”的混合智能故障診斷路線，運(yùn)用到復(fù)雜系統(tǒng)的各個(gè)子網(wǎng)絡(luò);在復(fù)雜系統(tǒng)的多個(gè)征兆域上，建立了基于“SOM+BP+改進(jìn)的量子遺傳算法(DCQGSAA)”