張琪，吳亞鋒，徐建

（1.中國華陰兵器試驗(yàn)中心 環(huán)境模擬室，陜西 華陰 714200；2.西北工業(yè)大學(xué) 動力與能源學(xué)院，西安 710072）

裝備通用質(zhì)量特性及壽命評估

基于遺傳神經(jīng)網(wǎng)絡(luò)的除濕機(jī)故障診斷與壽命預(yù)測

張琪1，吳亞鋒2，徐建1

（1.中國華陰兵器試驗(yàn)中心 環(huán)境模擬室，陜西 華陰 714200；2.西北工業(yè)大學(xué) 動力與能源學(xué)院，西安 710072）

目的 識別除濕機(jī)的性能狀態(tài)和預(yù)測吸附劑的剩余壽命。方法 針對除濕機(jī)故障過程緩變的特點(diǎn)，提出一種基于數(shù)據(jù)驅(qū)動的遺傳神經(jīng)網(wǎng)絡(luò)模型。首先，為解決設(shè)備失效程度劃分模糊的問題，由 5個熱力參數(shù)組成反映吸附劑劣化程度的特征向量，關(guān)聯(lián)分析得到除濕機(jī)的 5類故障模式。其次，利用遺傳神經(jīng)網(wǎng)絡(luò)建立狀態(tài)參數(shù)和故障模式的映射關(guān)系。最后，對表征設(shè)備吸附能力的主參數(shù)進(jìn)行外推預(yù)測。結(jié)果 訓(xùn)練好的診斷網(wǎng)絡(luò)可準(zhǔn)確地識別出設(shè)備的劣化程度及其演變過程，預(yù)測網(wǎng)絡(luò)的預(yù)測精度非常高。結(jié)論 該方法可有效地實(shí)現(xiàn)對除濕機(jī)的故障診斷與預(yù)測。。

遺傳算法；神經(jīng)網(wǎng)絡(luò)；除濕機(jī)；露點(diǎn)溫度

某低溫制冷系統(tǒng)采用空氣渦輪制冷，由于渦輪是高精密設(shè)備，且其進(jìn)氣溫度低至–40 ℃，為防止空氣攜帶的水蒸氣結(jié)冰于渦輪中造成事故的發(fā)生，在渦輪前端設(shè)置除濕機(jī)，利用其填料鋁膠和分子篩吸附除去空氣中的水分，使?jié)穸冉档偷桨踩秶鷥?nèi)，保證了渦輪的安全運(yùn)行。近幾年來，隨著使用時間的增加，除濕機(jī)頻繁出現(xiàn)故障。據(jù)統(tǒng)計(jì)，由于吸附效率低下導(dǎo)致的制冷系統(tǒng)停機(jī)、再生過程加熱絲燒毀等故障20余次，對試驗(yàn)進(jìn)程造成了很大的影響。因此，建立故障診斷與預(yù)測系統(tǒng)，加強(qiáng)設(shè)備的監(jiān)測和預(yù)知性維修勢在必行[1]。

實(shí)際問題都是非線性和時變的，很難建立精確的數(shù)學(xué)模型描述其失效機(jī)理。目前，基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法對解決“黑箱”問題上優(yōu)勢突出，例如，一個三層神經(jīng)網(wǎng)絡(luò)可以模擬任意非線性對象的輸入輸出關(guān)系。

文中以除濕機(jī)為研究對象，利用收集到的狀態(tài)數(shù)據(jù)得出故障生長模型，將吸附劑失效這類典型故障進(jìn)行故障程度的關(guān)聯(lián)劃分，并結(jié)合出口氣體露點(diǎn)溫度的變化趨勢作出綜合評價，通過遺傳神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對除濕機(jī)狀態(tài)的識別和露點(diǎn)溫度的趨勢預(yù)測。

1 遺傳算法組合BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)和遺傳算法這兩種智能仿生算法都是模擬生物結(jié)構(gòu)去表達(dá)輸入輸出之間隱性關(guān)系的。雖然神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、可調(diào)整參數(shù)多、訓(xùn)練算法多、可操作性好的特點(diǎn)[2]，但其自身也存在缺陷。由于搜索求解算法是沿梯度下降的，導(dǎo)致網(wǎng)絡(luò)存在收斂速度慢的缺點(diǎn)，難以保證復(fù)雜網(wǎng)絡(luò)的全局優(yōu)化而易導(dǎo)致陷入局部極小值。這都是由于隨機(jī)選取網(wǎng)絡(luò)初始權(quán)值和閾值的影響，所以要對初始值進(jìn)行優(yōu)化選擇。遺傳算法具有極佳的全局搜索能力和高度的魯棒性，故采用遺傳算法對神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的原理是把網(wǎng)絡(luò)的初始權(quán)值和閾值作為染色體，建立種群，利用生物遺傳特性（復(fù)制、交叉、變異）逐代進(jìn)行選擇，高收斂精度與速度保證了搜索到全局范圍內(nèi)的最優(yōu)解[3]。這個最優(yōu)解就是最佳的網(wǎng)絡(luò)結(jié)構(gòu)，比用經(jīng)驗(yàn)和試驗(yàn)判斷更能使網(wǎng)絡(luò)參數(shù)合理化，它的交叉因子和變異因子在網(wǎng)絡(luò)陷入局部極值時能很好地跳出來，提高網(wǎng)絡(luò)的學(xué)習(xí)精度和穩(wěn)定性[4]。遺傳BP神經(jīng)網(wǎng)絡(luò)（以下簡稱GABP）算法的流程如圖1所示。

該組合算法由三部分組成：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、權(quán)值與閾值的遺傳優(yōu)化、網(wǎng)絡(luò)訓(xùn)練及仿真。根據(jù)樣本輸入和輸出參數(shù)的個數(shù)來確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，進(jìn)而得出遺傳算法待優(yōu)化參數(shù)的數(shù)目，也就能計(jì)算出種群中個體的編碼長度，染色體長度s=R×s1+s1×s2+s1+s2（R，s1，s2分別為輸入層，中間隱含層和輸出層的神經(jīng)元個數(shù)），并編碼成二進(jìn)制形式。交叉概率和變異概率這兩個關(guān)鍵的遺傳參數(shù)是根據(jù)適應(yīng)度的大小進(jìn)行選擇的。訓(xùn)練網(wǎng)絡(luò)的第一步需要初始化參數(shù)，隨機(jī)獲取一組網(wǎng)絡(luò)連接的權(quán)值和閾值，遺傳算法按照其染色體的復(fù)制、交叉、變異原則調(diào)整網(wǎng)絡(luò)的連接權(quán)值和閾值，計(jì)算出BP網(wǎng)絡(luò)輸出與測試目標(biāo)的均方誤差E，見式（1）：。

圖1 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法流程

式中：Ok為輸出層輸出；Tk為輸出層目標(biāo)值。進(jìn)而得到遺傳進(jìn)化的適應(yīng)度fitness=1/E，向著適應(yīng)度增大（即網(wǎng)絡(luò)輸出誤差最?。┑姆较蛟谶M(jìn)化代中搜尋最優(yōu)個體，即使網(wǎng)絡(luò)均方誤差最小的權(quán)值和閾值。將全部樣本按步驟讓網(wǎng)絡(luò)學(xué)習(xí)一遍后，訓(xùn)練結(jié)束的條件是全部樣本的輸出誤差均小于設(shè)定誤差精度。如果未達(dá)到，網(wǎng)絡(luò)將繼續(xù)學(xué)習(xí)，以相同的條件判定是否結(jié)束，將最終得到最優(yōu)的權(quán)值與閾值輸入網(wǎng)絡(luò)進(jìn)行識別或預(yù)測。

對設(shè)備狀態(tài)進(jìn)行模式識別，首先就要選擇與設(shè)備本身相關(guān)的各監(jiān)測參數(shù)，各監(jiān)測參數(shù)是以一定時間間隔采集的實(shí)時數(shù)據(jù)。選擇以表征進(jìn)入除濕機(jī)氣體工況的制冷氣體入口露點(diǎn)、流量、壓力、溫度和除濕機(jī)出口露點(diǎn)溫度等5個參數(shù)為特征參數(shù)。由這些熱力參數(shù)組成的參數(shù)集作為識別網(wǎng)絡(luò)的輸入，故障模式的類型作為網(wǎng)絡(luò)的輸出[5]。

2 除濕機(jī)故障模式的劃分

2.1 吸附劑失效程度的區(qū)間設(shè)定

除濕機(jī)吸附劑吸附失效屬于緩變故障，從未發(fā)生到嚴(yán)重故障的生長過程可細(xì)分為不同嚴(yán)重程度的狀態(tài)[6]。鑒于盡可能精確評估低溫除濕機(jī)的狀態(tài)，采用4個故障程度評價指數(shù)，故障等級序列號為k（k=1，2，3，4），分別表示“報廢”、“待修”、“堪用”、“良好”四級。對于出口露點(diǎn)溫度，–50 ℃是低溫控制系統(tǒng)報警設(shè)定值，而–40 ℃是渦輪膨脹機(jī)進(jìn)口溫度下限值（即露點(diǎn)溫度高于該值則會結(jié)冰）。由于兩臺除濕機(jī)并聯(lián)工作，以兩路出口氣體的總氣流作為除濕機(jī)的輸出，因此擴(kuò)大單臺設(shè)備工作允差范圍，延拓了出口氣體露點(diǎn)溫度最差方向的下限至–20 ℃，增設(shè)“特差”級。

為了驗(yàn)證數(shù)據(jù)對故障描述的準(zhǔn)確性和全面性，對2015年7月20日夏季某次低溫試驗(yàn)系統(tǒng)–40 ℃保溫期間，每隔6 s采集1次1號除濕機(jī)露點(diǎn)溫度的典型數(shù)據(jù)，全程記錄了露點(diǎn)溫度超高變化的過程。記錄數(shù)據(jù)見表1。

表1 吸附劑失效故障參數(shù)（節(jié)選）

2.2 故障狀態(tài)的關(guān)聯(lián)分析

根據(jù)待檢模式與參考模式之間的接近程度，進(jìn)行狀態(tài)劃分。根據(jù)設(shè)備各特征參數(shù)之間的內(nèi)部聯(lián)系與發(fā)展態(tài)勢的相似程度來衡量參數(shù)之間的關(guān)聯(lián)程度[7]。具體應(yīng)用過程如下.

1）表 1中故障數(shù)據(jù)的前兩組表示正常狀態(tài)，將這兩組數(shù)據(jù)作為參考模式向量，其他數(shù)據(jù)作為待檢模式向量，由這兩組參考模式向量構(gòu)成參考模式矩陣。

式中：X1為第1個參考模式向量。每種標(biāo)準(zhǔn)參考模式特征向量中包含5個元素，即表1中所列的設(shè)備故障診斷的特征參數(shù)。

2）待檢模式各向量構(gòu)成待檢模式矩陣：

式中：Yj為第j個待檢模式向量。

3）關(guān)聯(lián)系數(shù)計(jì)算。待檢模式向量和參考模式向量狀態(tài)之間的關(guān)聯(lián)程度定義為：

式中：ρ為分辨系數(shù)；ξij為待檢模式向量和參考模式向量之間的關(guān)聯(lián)系數(shù)。

ρ越小，參數(shù)之間分辨力越大，一般ρ取值在[0，1]區(qū)間內(nèi)。不同的ρ值實(shí)際意義不大，只影響ξj(k)的相對排列順序，作為衡量參數(shù)間密切程度相對大小的指標(biāo)。一般取0.5。

4）關(guān)聯(lián)度計(jì)算

Yj(k)對X1(k)的關(guān)聯(lián)度的定義是不同點(diǎn)關(guān)聯(lián)系數(shù)的平均值，即：

如用第三組數(shù)據(jù)與第一組數(shù)據(jù)求關(guān)聯(lián)度：ξ(1)=0.6697，ξ(2)=0.3903，ξ(3)=0.7425，ξ(4)=0.6682，ξ(5)=1，r=0.6941。

在MATLAB中編寫上述方法的相關(guān)程序，將全部數(shù)據(jù)序列進(jìn)行與參考模式序列的關(guān)聯(lián)度計(jì)算,得到吸附劑失效程度的關(guān)聯(lián)度。

通過比較每個待檢模式序列對參考模式序列的關(guān)聯(lián)程度大小，按其大小順序排列起來組成關(guān)聯(lián)序。它直接反映了各個待檢模式向量對同一參考序列的“主次”或“優(yōu)劣”關(guān)系[8]。從而依照從大到小的排列順序，相當(dāng)于把待檢模式向量劃歸典型模式的可能性大小依次排列，見表2。

表2 除濕機(jī)吸附劑失效程度的關(guān)聯(lián)度劃分

2.3 除濕機(jī)故障模式分類

由表 2中顯示的設(shè)備狀態(tài)數(shù)據(jù)對應(yīng)的故障狀態(tài)關(guān)聯(lián)度結(jié)合操作人員人工經(jīng)驗(yàn)，確定各指標(biāo)對故障等級的區(qū)間劃分[9]，見表3。

表3 故障等級評價指標(biāo)

3 除濕機(jī)故障診斷網(wǎng)絡(luò)

除濕機(jī)診斷網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)由吸附劑吸附能力的優(yōu)劣程度確定[10]，即良好、堪用、待修、報廢和特差等，輸出層節(jié)點(diǎn)數(shù)就選為5。按照表3的每類標(biāo)準(zhǔn)故障指標(biāo)將表 1中的樣本分類作為相應(yīng)診斷子網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)結(jié)構(gòu)為 5-8-5。隱含層和輸出層神經(jīng)元傳遞函數(shù)均采用S型函數(shù)[11]，分別為 S型正切函數(shù)tansig和S型對數(shù)函數(shù)logsig，網(wǎng)絡(luò)訓(xùn)練函數(shù)取trainlm學(xué)習(xí)算法。訓(xùn)練目標(biāo)0.01，自學(xué)習(xí)率0.08，訓(xùn)練次數(shù) 5000次。遺傳算法染色體長度為 243，種群大小和遺傳代數(shù)分別設(shè)定為 50和 100。首先訓(xùn)練網(wǎng)絡(luò)，為了驗(yàn)證診斷網(wǎng)絡(luò)的準(zhǔn)確性和普適性，分別將1號除濕機(jī)和 2號除濕機(jī)冬季和夏季的狀態(tài)數(shù)據(jù)作為測試數(shù)據(jù)，將這四類故障測試樣本作進(jìn)一步的測試。網(wǎng)絡(luò)識別結(jié)果見表4。

表4 對不同故障樣本的識別結(jié)果

從測試中得知，待修和報廢這兩類故障的隸屬度非常接近，互相識別錯誤的情況較多，無法識別是哪類故障。夏季空氣濕度較大，引起吸附劑負(fù)荷重，除濕效果較差；冬季空氣干燥，吸附劑狀態(tài)相對較優(yōu)。

對單臺設(shè)備這樣連續(xù)測量與識別能夠看出失效演變的過程[12]。以夏季大濕度極端條件為例，如連續(xù)測量1號除濕機(jī)某次試驗(yàn)的狀態(tài)數(shù)據(jù)，樣本1至樣本4是按時間發(fā)展先后排列的待測樣本，診斷子網(wǎng)絡(luò)對此系列的失效程度識別結(jié)果見表5。

表5 對1號除濕機(jī)夏季某次試驗(yàn)測量的故障識別結(jié)果

用柱狀圖直觀表現(xiàn)此次測量的 1號除濕機(jī)吸附劑失效趨勢情況，如圖2所示。

圖2 1號除濕機(jī)吸附劑失效變化趨勢

從圖 2中可以看出，網(wǎng)絡(luò)診斷的結(jié)果是吸附劑狀態(tài)由堪用到待修轉(zhuǎn)變，與除濕機(jī)出口露點(diǎn)溫度劃分區(qū)間的變化趨勢相匹配，網(wǎng)絡(luò)分類結(jié)果與實(shí)際過程一致，說明此診斷網(wǎng)絡(luò)分類精度高。

4 露點(diǎn)溫度變化趨勢預(yù)測

狀態(tài)預(yù)測是狀態(tài)監(jiān)控研究領(lǐng)域中的一個重要課題，準(zhǔn)確的故障預(yù)報可以幫助操作人員及時采取有效措施，減少經(jīng)濟(jì)損失和維修時間成本[13]?？紤]到除濕機(jī)出口氣體露點(diǎn)溫度監(jiān)測的意義重大，有必要對露點(diǎn)溫度進(jìn)行預(yù)測，從而準(zhǔn)確掌握吸附劑除濕能力，一旦發(fā)現(xiàn)故障前兆，就可以做到在故障發(fā)生前合理處置安全隱患。采用新陳代謝模型，即隨著時間的推移，將新數(shù)據(jù)補(bǔ)充到數(shù)據(jù)序列最后，去掉歷史數(shù)據(jù)序列的第一個數(shù)據(jù)，從而使數(shù)據(jù)序列長度保持不變，依次進(jìn)行類推[14]。從預(yù)測的角度看，隨著時間的推移，舊數(shù)據(jù)的信息意義逐步降低，在不斷去掉歷史信息（老數(shù)據(jù)），補(bǔ)充新信息（新數(shù)據(jù)）的同時，數(shù)據(jù)序列不斷被修正，這樣就可以對低溫環(huán)境試驗(yàn)設(shè)備除濕機(jī)出口露點(diǎn)溫度進(jìn)行動態(tài)預(yù)測，并能提高預(yù)測精度。

4.1 數(shù)據(jù)采集

以上已對吸附劑正常工作劃分了區(qū)間，露點(diǎn)溫度在–73～–50 ℃之間是設(shè)備正常工作范圍。如果超出–50 ℃的報警值，操作人員務(wù)必立刻進(jìn)行停機(jī)維修，更換吸附劑填料或者進(jìn)行徹底的干燥再生過程。采集了表1中的1號除濕機(jī)夏季工作過程中吸附劑失效過程的數(shù)據(jù)，用于遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并對 2015年 8月13日的一次試驗(yàn)中降溫段和保溫段的數(shù)據(jù)進(jìn)行了測試。

4.2 網(wǎng)絡(luò)訓(xùn)練與測試

首先，建立網(wǎng)絡(luò)預(yù)測模型。將露點(diǎn)溫度數(shù)據(jù)列的前4個數(shù)作為網(wǎng)絡(luò)輸入，對應(yīng)第5個數(shù)作為網(wǎng)絡(luò)輸出，然后加入第 5個數(shù)并去掉第一個數(shù)作為下一次的輸入，輸出第 6個數(shù)，依次類似外推。訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)4-9-1。再次，設(shè)定網(wǎng)絡(luò)訓(xùn)練目標(biāo)為1e-04，自學(xué)習(xí)率為 0.08，學(xué)習(xí)步數(shù)為 5000，遺傳算子的參數(shù)設(shè)定同上節(jié)診斷網(wǎng)絡(luò)的情況。

將訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行存儲，W1，W2分別是輸入層與隱含層、隱含層與輸出層之間的連接權(quán)值，B1，B2分別是隱含層和輸出層的閾值，權(quán)值系數(shù)和閾值為：

B1=0.4298

用訓(xùn)練好的網(wǎng)絡(luò)對測試數(shù)據(jù)進(jìn)行預(yù)測，結(jié)果如圖3所示。

圖3 保溫段除濕機(jī)露點(diǎn)溫度測試值與真實(shí)值對比

圖 3顯示的是露點(diǎn)溫度預(yù)測值和真實(shí)值的對比情況，可以看出，預(yù)測值非常接近于真實(shí)值，誤差很小。訓(xùn)練好的GABP網(wǎng)絡(luò)對除濕機(jī)出口氣體露點(diǎn)溫度的預(yù)測非常精確，可以作為除濕機(jī)吸附性能的預(yù)報工具。

接下來利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行外推預(yù)測?？紤]到露點(diǎn)溫度–50 ℃的報警閾值，增設(shè)提前量至–55 ℃，對良好狀態(tài)演變到堪用狀態(tài)的數(shù)據(jù)進(jìn)行后 200步智能外推[15]，給出報警值出現(xiàn)的時間，以供操作人員視情查找故障原因，及早維護(hù)，以防止故障的發(fā)生。外推預(yù)測的結(jié)果如圖4和圖5所示。

圖4 降溫段不同時刻對應(yīng)的露點(diǎn)溫度值

圖5 保溫段不同時刻對應(yīng)的露點(diǎn)溫度值

從圖4和圖5可以看出，不同的工作狀態(tài)下，當(dāng)除濕機(jī)工作到某個時刻，故障對應(yīng)的露點(diǎn)溫度達(dá)到報警閾值，此時完成吸附劑失效趨勢預(yù)測，認(rèn)為在該點(diǎn)制冷壓縮空氣中的水分含量過高，達(dá)到了引發(fā)故障的狀態(tài)。露點(diǎn)測量儀的采樣間隔是1 s。對照圖中結(jié)果表明，在降溫段，除濕機(jī)運(yùn)行大約再運(yùn)行 1′50″（時間=時序數(shù)/采樣頻率）發(fā)生故障，即除濕機(jī)出口露點(diǎn)溫度將在第1570個時刻高于–50 ℃，吸附劑進(jìn)入報廢狀態(tài)，這個預(yù)測結(jié)果與實(shí)際的第2162個時刻點(diǎn)基本吻合；在保溫段，除濕機(jī)運(yùn)行大約再經(jīng)過 2′37″，即在第587個時刻點(diǎn)發(fā)生故障，與實(shí)際的第646個時刻點(diǎn)高度一致。由此可以看出，該網(wǎng)絡(luò)的預(yù)測與實(shí)際情況比較吻合，預(yù)測的露點(diǎn)溫度值完全落在劃分的故障程度區(qū)域內(nèi)。通過對除濕機(jī)出口氣體露點(diǎn)的實(shí)時預(yù)測，就可以準(zhǔn)確地定位吸附劑失效程度，也就可以計(jì)算出什么時間會達(dá)到報廢的程度，繼而實(shí)現(xiàn)設(shè)備的預(yù)知性維修。

5 結(jié)語

目前，大部分的故障診斷系統(tǒng)只能識別到故障類型這一階段，不能確定故障的具體程度，且缺少對設(shè)備狀態(tài)的預(yù)測功能。針對這些問題，提出了遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對低溫試驗(yàn)系統(tǒng)關(guān)鍵設(shè)備除濕機(jī)的吸附劑失效程度進(jìn)行了診斷研究，并應(yīng)用網(wǎng)絡(luò)模型對除濕機(jī)出口氣體溫度這一主要特征參數(shù)進(jìn)行了仿真預(yù)測，診斷和預(yù)測效果比較理想。主要研究成果如下。

1）對除濕機(jī)評估體系失效程度進(jìn)行區(qū)間劃分，將其作為神經(jīng)網(wǎng)絡(luò)的輸出模式進(jìn)行訓(xùn)練。通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試，識別結(jié)果不僅能夠準(zhǔn)確反映出故障程度，而且可以清晰地表明故障演變的過程。

2）將遺傳神經(jīng)網(wǎng)絡(luò)應(yīng)用于除濕機(jī)出口氣體露點(diǎn)溫度的預(yù)測，結(jié)合吸附劑失效程度各區(qū)間閾值，能夠準(zhǔn)確掌握吸附劑的工作能力，為低溫環(huán)境模擬試驗(yàn)的正常運(yùn)行、制定維修策略及開展設(shè)備維護(hù)維修具有重要意義。

[1] 曾聲奎, MICHAEL G P, 吳際. 故障預(yù)測與健康管理(PHM)技術(shù)的現(xiàn)狀與發(fā)展[J]. 航空學(xué)報, 2005, 26(5): 626—631.

[2] 秦衡峰. 基于神經(jīng)網(wǎng)絡(luò)的設(shè)備狀態(tài)預(yù)測方法研究及在風(fēng)機(jī)上的應(yīng)用[D]. 長沙: 中南大學(xué), 2004.

[3] 林香, 姜青山, 熊騰科. 一種基于遺傳BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型[J]. 計(jì)算機(jī)研究與發(fā)展, 2006, 43 (S1): 338—343.

[4] 張琪, 吳亞鋒, 李鋒. 基于遺傳神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障預(yù)測方法研究[J]. 計(jì)算機(jī)測量與控制, 2016(2): 11—15.

[5] PECK L K. A Hybrid of Back Propagation Neural Network and Genetic Algorithm for Optimization of Collagen Extraction from Malaysian Cultured Catfis[J]. Biotechnology and Bioprocess Engineering, 2013, 18: 257—265.

[6] NASSERI M, ASGHARI K. Optimized Scenario for Rainfall Forecasting Using Genetic Algorithm Coupled with Artificial Neural Network[J]. Expert Systems with Applications, 2008, 35: 1415—1421.

[7] SAMARASINGHE Sandhya.. 神經(jīng)網(wǎng)絡(luò)在應(yīng)用科學(xué)和工程中的應(yīng)用: 從基本原理到復(fù)雜的模式識別[M]. 史曉霞, 陳一民, 譯. 北京: 機(jī)械工業(yè)出版社, 2010: 55—62.

[8] 周開利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其 MATLAB仿真程序設(shè)計(jì)[M]. 北京: 清華大學(xué)出版社, 2005: 17—19.

[9] 李洪剛, 趙興鋒, 李剛, 等. 基于 CBR的新型防空導(dǎo)彈故障診斷專家系統(tǒng)研究[J]. 裝備環(huán)境工程, 2013, 10(4): 90—93.

[10] 何建新, 李繼紅, 方堃, 等.基于 Matlab編程實(shí)現(xiàn)Arrhenius模型壽命預(yù)測[J]. 裝備環(huán)境工程, 2013, 10(3): 87—90.

[11] 徐小力. 設(shè)備運(yùn)行狀態(tài)監(jiān)測與故障診斷的現(xiàn)代技術(shù)[C]//全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會議論文集.北京: 中國機(jī)械工程學(xué)會設(shè)備與維修工程分會, 2005.

[12] 陳建宏, 劉浪, 周智勇, 等. 基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J]. 中南大學(xué)學(xué)報, 2010, 41(5): 1967—1972.

[13] 蔣一然. 基于遺傳神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷技術(shù)研究[D]. 大連: 大連海事大學(xué), 2009.

[14] 秦興生, 胡覺亮, 丁佐華. 基于神經(jīng)網(wǎng)絡(luò)集成的軟件故障預(yù)測及實(shí)驗(yàn)分析[J]. 計(jì)算機(jī)工程與應(yīng)用, 2014, 50(14): 44—56.

[15] 李鋒, 湯寶平, 劉文藝. 遺傳算法優(yōu)化最小二乘支持向量機(jī)的故障診斷[J]. 重慶大學(xué)學(xué)報, 2010, 33(12): 14—20.

Fault Diagnosis and Life Prediction of Genetic Neural Network-based Dehumidifier

ZHANG Qi1,WU Ya-feng2,XU Jian1
(1.Department of Environment Simulation, Huayin Ordinance Test Centre, Huayin 714200, China; 2.School of Power and Energy, Northwestern Polytechnical University, Xi′an 710072, China)

Objective To identify performance state of dehumidifier and predict residual life of adsorbent. Methods A data driving-based genetic neural network model was proposed in view of the slow variable failure process of dehumidifier. Firstly, to solve the issue fuzzy division of equipment failure degree, 5 failure patterns of the dehumidifier were obtained with correlation analysis according to characteristic vectors formed by 5 thermodynamic parameters which reflect adsorbent degradation. Secondly, the mapping relationship between state parameters and failure patterns was established with genetic neural network. Finally, principal parameters reflecting adsorption capacity of equipment were predicted by extrapolation. Results The diagnosis network could determine deterioration degree and evolution process of equipment accurately. It possessed very high accuracy in network prediction. Conclusion This method can effectively finish fault diagnosis and prediction of dehumidifier.

genetic algorithm; neural network; dehumidifier; dew point temperature

10.7643/ issn.1672-9242.2017.01.018

TJ07；TP391.5

A

1672-9242(2017)01-0078-06

2016-06-16；

2016-07-13

張琪（1984—），女，咸陽人，碩士,工程師, 主要從事環(huán)境適應(yīng)性試驗(yàn)、設(shè)備故障診斷與壽命預(yù)測等方面的研究。

吳亞鋒（1966—），男，渭南人，博士生導(dǎo)師，從事現(xiàn)代信號處理方面的研究。