对BAS-BP模型优化，对HMCVT换段液压系统故障数据识别有何优势?

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 ?—●

为了提高液压机械无级变速器(HMCVT)换段液压系统的平稳性和安全性，设计了一种应对换段液压故障的诊断方法?

利用自主研发的液压机械无级变速器试验平台，获得5种油路故障状态模式数据集。

通过数据预处理及随机抽取的方法，得到120组单一故样本集，和21组组合故障样本集，基于天须搜索算法(BAS)和BP神经网络。

对处理后的120组单一故障样本建立了故障诊断模型对标准BP神经网络模型和优化型BP神经网络模型进行试验测试和比对研究?

与常规优化算法相比较BAS-BP方法所需训练时间短、收敛速度快算法运行速率提升。

●—? BAS-BP故障模式识别算法 ?—●

BP神经网络主要由输入层、输出层和隐含层构成，如图1所示?

通过反向传播算法变更网络的权值和阀值在不需要表达映射关系的数学方程式前提下就能获取输入和输出的映射关系。

当输入层的各神经元接收到样本数据后，隐含层以及输入层中的权值和选取的激活函数就会自行启动并开始演算分析。

然后得到对应神经元的输出值，最后将这个数值和期望结果进行比对，就可能会得到2种结果：

达到了设定的精度要求，则结束进程，成功输出，未达到设定的精度要求，就需要利用误差反向传播，再次变更之前的权值和闯值，不断减少输出值和期望结果之间的误差，直到符合精度标准。

天牛须搜索(BAS)算法是模仿天牛寻找食物过程的新型智能仿生算法，在多目标函数优化方面表现优异。

一般情况下天牛依照捕获到的气味强弱来寻找食物，天牛的长触须捕捉到的气味强度决定了天牛去向，左边触须捕获的气味强度更强则天牛就会向左前进，否则就会向右前进?

与遗传算法、粒子群算法相似，BAS算法即使没有具体形式的函数表达式以及相关梯度信息，也能自动完成择优过程，并与其寻优速度相比其他算法有明显提升?

采用质点模型来描述天牛，天牛须简化模型如图2所示在对天牛须简化模型时，进行了如下假设假设1：将天牛肢体作为质心，天牛触须简化为质心两端。

假设2：天牛的步距与触须间隔的比率是固定的常数，其中设定左右须间隔远的天牛步伐大左右须间隔近的天牛步伐小假设3?

要建立整个从n维到m维的函数对应关系，只需要具备1个隐含层的3层BP神经网络?

BP神经网络算法本质上就是一种单点搜索算法，其主要是通过误差函数梯度下降的方式来实现，因而在全局搜索优化方面弊端较多?

天牛须搜索算法的原理通俗易懂，兼有所需调整参数少、不依赖梯度信息、操作简易、高效等特点?

天牛须搜索算法改进神经网络的方式，就是利用天牛须搜索算法优异的整体搜寻能力，优化神经网络初始权值和闽值，同时基于BP算法不断调整神经网络起始设定的权值以及值，最终得到优化的神经网络，其具体流程如图4所示?

为验证该神经网络的实际效果，需要采集HMCVT换段液压系统的运行数据，试验数据来源于自主研发的液压机械无级变速器试验台如图5所示?

液压机无级变速器一共有5个工作段位包含1个液压起步段及4个液压机械段，在额定转速下，拖拉机的速度能够在4~50kmh实现连续无级变化HMCVT试验台的测试原理见图6?

HMCVT中的液压油路可以调控变速器输出转速大小及传动比，其中关键部分是湿式离合器及其油路系统。

HMCVT中的4个湿式离合器用于液压机械工作段，1个用于纯液压工作段上，其油路控制的原理图如图7所示?

依据上述原理搭建了HMCVT换段液压系统试验装置，如图8所示?

换段液压油路系统中，集成阀板上安装了5个电磁阀，用于切换湿式离合器压力油的连通和分离，完成换段过程。

电机起到推动油泵进行送油的作用，溢流阀用于调控离合器中油道油压。

●—? BAS-BP神经网络模型性能试验 ?—●

对于一个3层的BP神经网络，输人层、隐含层与输出层的神经元数决定了其结构?

由于是以换段液压系统的流量和压力的故障信号为特征向量，对应的换段液压系统的工作状态为输出特征，因此选定输入层神经元数为6，输出层神经元数为1?

由此在算法迭代停止时得到的适应度最小函数值所对应的位置即为最佳解?

建立的BAS-BP神经网络框架包括输入层、隐含层及输出层各1个，其中输入层、隐含层、输出层的节点数分别为6、101，隐含层激活函数使用正切函数。

输出层激活函数使用线性函数，BAS算法搜索空间区域的维度则为81?

以120组单一故障类型样本，及21组组合故障类型样本为总研究样本，在120组单一故障类型样本中选出80组样本作为训练集，40组作为测试集，由于是随机选择，所以会产生不一样的试验结果?

但这种选取方式，可以有效排除样本偶然性，有利干样本数据较少的试验得出更合理的结论?

计算所得的相对误差越小代表模型的性能越优，图9和图10分别示BP神经网络BAS-BP神经网络模型在训练集上的拟合结果和在测试集上的分类结果。

从图可见，BAS-BP神经模型拥有更好的拟合性与分类效果，由图11可见BAS-BP模型大致需要进化代数达到37能得到最佳解收敛速率快?

为了测试BAS-BP神经网络模型是否较其他智能优化算法模型在HMCVT换段液压故障诊断方面的优越性。

选择PSO-BP神经网络模型，从分类正确率分类准确率相对误差均值以及迭代过程中，CPU运行时间4个维度对模型的性能进行对比?

从表1可以看出，BAS-BP模型的训练集与测试集的分类正确率，与准确率均强于PSO-BP模型。

对于误差精确度，虽然PSO-BP模型与BAS-BP模型差距较小，但BAS-BP模型的训练速率更快?

因此，从全局的分类效果与收敛速率上分析，BAS-BP模型性能更好这也说明BAS-BP模型在HMCVT换段液压系统故障诊方面更适用?

为考察多种故障并发时BAS-BP模型的实用性，针对试验获得的21组油道堵塞与密封圈破损的组合故障(T3XT4)样本集。

分别使用BP、BAS-BP与PSO-BP模型进行直接判别，分类情况如表2所示。

从表2可以看出，BAS-BP模型将21组T3XT4组合故障样本分别归类到T2(4.76%)T3(23.81%和T4(71.43%)3种故障模式之中。

且算法归类到T3与T4故障模式的占比达95.24%，BP与PSO-BP则将T3XT4的组合故障归类到T4与T5故障模式中，者均倾向于归类到T4故障模式。

分别为BP(66.67%)和PSO-BP(52.38%)，原因是组合故障T3XT4与其中T4故障模式较为类似，但经验稀缺(没有对组合故障样本数据深入了解)。

因此，仍有将其误判为二者以外其他故障模式的可能性，该结论显示当多故障同时发生的情况下，BAS-BP方法可以在没有训练的情况下对组合故障进行有效的诊断识别?

●—? 结论 ?—●

采用天牛须搜索算法进行完善，并从分类结果和收敛速率等方面，与传统的BP神经网络模型和粒子群算法优化的BP神经网络模型进行了对比分析，获得如下结论：

对于液压机械无级变速器换段液压系统的故障诊断，采用模拟故障类型以及传感器反馈的主油路流量和支油路压力数据的方法是有效的?

天牛须搜索算法对于初始权值和值的优化，明显强于一般情况下的BP神经网络补足了BP算法受限于局部最优的短板问题，且迭代速度快于粒子群优化算法，速率提升85.76%?

提出的BAS-BP方法可以高效分析识别液压机械无级变速器换段液压系统的典型单一故障工况，观察对比试验获得的40组试验数据，算法对5种故障模式的分率均可达到100%。

且在120组任意样本的测试中，算法对5种典型单一故障模式的分辨率分别为100%、100%、97%、100%、100%，体现出较高的稳定性，与PSO-BP方法相比，分类效果更好?

建立的基于BAS-BP的神经网络模型，可以在不接受训练的情况下，对组合故障进行有效分辨，以T3XT4的组合故障识别为例，其识别准确率高达95.24%?

---END---