量子遗传算法的改进及其在智能故障诊断中的应用

作     者：项灏 

作者单位：南京理工大学 

学位级别：博士

导师姓名：孙宇

授予年度：2013年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：智能故障诊断 神经网络 支持向量机 量子遗传算法 复杂系统 

摘      要：随着科学技术的进步和现代工业技术的迅猛发展，现代装备日趋呈现出大型化、复杂化的态势，其一处故障可能引起多处故障，以致不同故障模式之间产生藕合，从而导致对整个复杂系统的健康状态监测与诊断的难度加大。因此，对复杂机械系统进行健康状态监测与诊断引起了人们的普遍关注，从而形成了一个重要的课题。另一方面，故障诊断技术所涉及到的其它学科，例如:信息科学、系统科学、人工智能、计算机技术等，在飞速发展。这使得故障诊断技术随着时代的发展与这些前沿学科同步发展，从而推动了故障诊断技术这一门学科的发展。\n 目前，作为人工智能的重要分支，故障诊断专家系统、神经网络已得到人们的广泛关注，基于神经网络的智能故障诊断技术已经获得了广泛的应用;同时基于核函数的小样本统计学习理论在智能故障诊断领域中的应用正在蓬勃兴起。但是，这些方法都有它们自身的不足之处。\n 另一方面，计算机学科在飞速发速，尤其是智能计算领域。群体智能技术作为智能计算领域的一个重要方向，它是一种新的优化方法，是人工智能领域研究的一个新的热点，将其中的遗传优化算法应用于故障诊断领域中，从而丰富和发展了故障诊断学科，拓展了智能优化算法的应用领域。\n 量子计算是智能计算领域中的一个前沿分支。本文试图在智能计算领域中的前沿——量子计算方向上，针对遗传优化算法，进行局部创新并与常用的2大学习机（神经网络与支持向量机）相结合，并把它们运用到智能故障诊断中去。\n 本文的主要工作如下。\n (1)针对量子遗传算法的最新研究成果，实数双链编码目标梯度量子遗传算法，英文简称DoubleChainsQuantumGeneticAlgorithm(DCQGA)的特点，在分析了该算法的机理基础之上，将实数双链编码目标梯度量子遗传算法(DCQGA)与模拟退火算法(SimulatedAnnealingAlgorithm，SAA)相结合，从而提出了实数双链编码目标梯度量子遗传模拟退火算法，英文简称:DoubleChainsQuantumGeneticSimulatedAnnealingAlgorithm，英文缩写:DCQGSAA。\n (2)目前，人工神经网络在智能故障诊断中获得了广泛的应用。在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。虽然，多层BP神经网络可以应用于线性系统和非线性系统，对任意函数模拟逼近;但是，BP网络并不一定总能有解。问题的一个主要方面在于多层网络中非线性函数有多个局部最优解，寻优的过程与初始点的选取关系很大。为了解决这个问题，人们常将智能算法与BP神经网络相结合，用之优化BP网络的权值与阈值;但是，在神经网络权值与阈值的优化过程中，由于需要频繁编码与解码，计算量比较大。因此，人们试图寻找一种收敛速度快同时收敛精度比较高的智能算法来代替常用的智能算法。本文采用所提出的改进的量子遗传算法(DCQGSAA)，将其与BP神经网络相结合，用之改进网络的权值与阈值，从而达到在一定程度上改进BP网络的学习性能的目的，建立了基于“改进的量子遗传算法(DCQGSAA)+BP神经网络的混合智能故障诊断模型，并将此混合模型运用到某滚动轴承的故障诊断中，仿真结果表明所建立的混合故障诊断模型效果良好。\n (3)自组织特征映射神经网络(SelfOrganizingMaps，SOM)也称Kohonen网络。该网络是一个由全连接的神经元阵列组成的无教师、自组织、自学习的网络，它可以对外界未知环境进行学习，因而具有能较强的处理复杂非线性问题的能力。其泛化能力有效克服了容差因素对故障诊断精度的影响，因此SOM网络无需大量的学习样本，这正好弥补了BP网络在学习过程中需要大量训练样本的缺陷。\n 本文根据SOM网络与BP神经网络的优缺点，采用优势互补的原则，将2者相结合;并在本文所提出的改进的量子遗传算法(DCQGSAA)的基础之上，首次建立了基于“SOM+BP+改进的量子遗传算法(DCQGSAA)的混合智能故障诊断模型，试图解决神经网络的小样本学习问题;并将此混合模型首次运用到某内燃机燃油系统的故障诊断中。仿真结果表明所建立的混合故障诊断模型效果良好。\n (4)支持向量机(SupportVectorMachine，SVM)理论是由Vapnik等人提出的一种新的机器学习算法，该算法建立在统计学习理论中结构风险最小化原则基础之上，因此SVM具有较好的泛化能力。此外，支持向量机是一个凸二次优化问题，它能够保证找到问题的极值解，也就是全局最优解。这些特点使SVM获得了广泛的应用。\n 但是SVM的性能对它的关键参数极为敏感，同时它的性能与研究对象的数据分布也有极大的联系。针对此问题，本文采用所提出的改进的量子遗传算法(DCQGSAA)来优