基于改进BP网络的IVC故障模式识别.docVIP

基于改进BP网络的IVC故障模式识别 　　【摘要】文章利用遗传算法对标准BP算法进行改进，提出应用改进后的BP（误差逆传播）网络模型对IVC（独立通风笼盒）的故障进行模式识别。分别对标准BP网络和改进BP网络的进行仿真实验，结果表明，改进后的BP网络能有效地克服标准BP网络固有的缺陷。应用改进后的BP网络对IVC进行故障模式识别，识别结果具有正确率和收敛率高，且识别时间短的特点。 　　【关键词】独立通风笼盒；故障；模式识别；误差逆传播网络；遗传算法 　　IVC（Individually Ventilate Cages），又称为独立通风笼盒，是目前国际上普遍使用的实验动物饲养系统[1，2]。在我国，IVC被引入国内之前，通常采用独立屏障系统来饲养实验动物。但是，由于实验动物饲养要求的特殊性，其对饲养环境的高要求使得传统的独立屏障系统在实际使用过程中，需要饲养人员人为地做大量工作来保证其符合基本要求，不但耗费人力物力，效果也并不是太好。 　　国内的技术人员结合国内实际情况，对引进的产品进行了二次开发，改良了一部分的性能，使其适用于国内使用环境。开发的方向主要集中在两方面： 　　（1）故障报警模块的开发。特别是利用日益发展的3G网络实现远程报警和控制。 　　（2）针对通风系统的故障问题自动识别模块的开发。识别方法主要包括故障树、人工神经网络等。 　　本文主要介绍针对通风系统的故障问题的自动识别。 　　1.故障模式识别模型 　　IVC是一个密封的系统，虽然有较为完善的过滤系统，但空气中的微尘，动物自身携带的粉尘和国内主要使用的垫料、食物中的粉尘微粒等仍然容易引起通风系统的堵塞。一旦通风系统不能正常工作发生故障，密封笼盒内的气流速度、内外压差、噪音、相对湿度、温度、氨气浓度等参数指标就会发生改变，达不到实验动物饲养环境的要求，对医学实验结果的正确性也有影响。 　　IVC系统中，由于包含生物生理活动这样一个不确定因数，常规的故障树等故障诊断方法难以实现对其故障类型的准确判断。而神经网络作为一种自适应的模式识别技术，不需要预先给出有关模式的经验知识和判别函数，而是通过自身的学习机制自动形成所要求的决策区域。并且环境发生改变的时候，通过学习而得到的映射关系还可以自适应地进行调整。神经网络的这些特性，决定了它适合用于系统模型比较复杂，环境多变的场合。因此，对IVC的故障模式识别采用基于人工神经网络的识别方法更合适。 　　1.1 标准BP网络 　　误差逆传播网络（Error Back-Propagation network.，简称BP网络）是人工神经网络中，理论最成熟，运用最广泛的网络模型之一。 　　基于梯度下降的标准BP算法，最突出的优点是寻优具有精确性，且具有自学习能力，但同时存在易陷入局部极小、初始值对网络结果影响大和引起振荡效应等缺点。虽然近年来提出不少改进方法，一定程度上提高了BP网络在实际应用上的可行度与准确度，但是仍然无法解决BP网络所固有的易陷入局部的问题。 　　1.2 基于遗传算法的改进BP网络 　　遗传算法（Genetic Algorithm，简称GA）是一种基于自然选择和群体遗传机理的有哪些信誉好的足球投注网站算法[3]。它模拟生物在自然环境中的遗传和进化过程，形成的一种自适应全局优化概率有哪些信誉好的足球投注网站算法，不存在局部收敛问题[4，5]。由于遗传算法的寻优过程是随机的，带有一定的盲目性和概率性，所以遗传算法具有难以得到精确解的缺点。 　　可见，BP算法和遗传算法各有利弊，并且优缺点呈互补性，可以用遗传算法对BP模型进行改进，利用遗传算法的全局有哪些信誉好的足球投注网站能力，优化解空间，再发挥BP算法的局部有哪些信誉好的足球投注网站能力强的优势，找出最优解。本文提出应用基于遗传算法的改进BP算法来实现对IVC故障诊断，以满足IVC故障模式识别对实效和精度的高要求。 　　2.基于遗传算法的改进BP模型的IVC故障模式识别 　　2.1 模型的初步确定 　　网络的输出是IVC故障的四个类型，包括进风过滤网膜轻微堵塞、出风过滤网膜轻微堵塞、进风过滤网膜严重堵塞、出风过滤网膜严重堵塞4种。网络的输入是发生故障时被影响的参数，考虑到样本的相关性和冗余性，本系统选择氨气浓度、气流速度、内外压差、相对湿度四个量作为网络的输入。因此，对应的网络输入神经元个数为4个，输出神经元也为4个，隐含层神经元个数通过调试最终确定为7个。 　　2.2 模型参数的确定 　　选择适合的编码方式是遗传算法的关键。将参数编码成对应的子串，再将各子串首尾相联，构成染色体，每条染色体代表解空间的一个解。不同的编码方式对遗传算法的求解精度和收敛速度有一定的影响。本系统根据权重、阀值的特点，采用二进制编码方式。BP模型为4-7-4结构，包括56个权重，11个阀值，共67个参数，每个参数用8位二表示，