叶永伟，高波

(浙江工业大学特种装备制造与先进加工技术教育部/浙江省重点实验室，浙江杭州 310014)

基于改进BP算法的烘房系统智能预警

叶永伟，高波

(浙江工业大学特种装备制造与先进加工技术教育部/浙江省重点实验室，浙江杭州 310014)

针对汽车涂装线中烘房系统能耗大、参数组合复杂、耦合性强等特点造成的控制困难、精度低等问题，提出了基于改进BP算法的智能预警方法，建立了对应的神经网络模型，通过对烘房实例的仿真分析，证实了该方法具有正确率高以及控制容易等优点。

涂装线;智能预警;改进BP算法;烘房燃烧系统

随着现代化大生产的不断发展，科学技术的不断进步，作为企业主要生产工具的机电设备正朝着大型、精密、高速和连续运转以及结构复杂的光、机、电、液、仪和计算机一体化等方向发展，这使得生产系统的规模越来越大，功能越来越多，结构越来越复杂，性能指标也越来越高，工作强度越来越大，相互之间的作用和耦合越来越强，从而导致了大型复杂机电设备发生故障的可能性增大，出现方式更加复杂化［1］。在汽车涂装线中，烘房是耗能比例最大的一个环节，同时也是最为关键的环节，是事故频发的一个环节。据统计，一条普通的汽车生产线，单是烘房消耗的电量就达到了整条涂装线的13%左右，事故的频发率更是高达35%［2］。因此，如何提高烘房的预警效率是企业急需解决的问题。传统的预警方法存在着滞后性、片面性、准确率低等缺陷。为了克服这些缺点，将诊断水平提高到一个新的台阶，在传统BP算法的基础上，提出改进BP算法的诊断方法。在分析了该算法的原理，给出算法的计算步骤之后，结合实例分析、诊断，结果表明该方法具有收敛速度快、诊断正确率高的特点。

1 BP算法

1.1 BP算法原理

BP神经网络是一种多层前馈神经网络。一般采用3层BP神经网络模型，它由输入层、隐含层和输出层构成［3－4］。其模型结构如图1所示。

图1 BP神经网络结构

网络可变参数是由层间神经元的连接权值和神经元的阈值所组成的。BP算法是多层前馈神经网络使用频率最高的训练算法，它的网络可变参数的调整公式为:

式中:η为学习步长;∂E(t)/∂wij为第t次迭代可变参数对网络误差的一阶偏导;Δw为第t次迭代可变参数的调整量;t为迭代次数［5］。

BP神经网络训练学习的过程包括内部前向计算和误差反向传播两个过程。在前向计算的过程中，输入信息从输入层输入，经隐含层计算，最终到达输出层输出，然后输出值与期望值进行比较得到误差。若误差不满足性能指标，则根据误差值从网络的最后一层开始反向更新网络的各层权值，直到满足所设定的性能指标为止。

BP算法的本质其实是梯度下降法，而且它所要优化的目标函数又是非常复杂的，因此BP算法的收敛速度较慢。从数学角度上看，BP算法其实是一种局部搜索的优化方法，如果要求解复杂的非线性函数的全局极值，就很有可能陷入局部极值，导致训练失败。因此，需要对BP算法做出改进。

1.2 BP算法的改进

针对BP算法的不足，对其进行改进，具体步骤如下［6］:

a．设t为迭代次数，为网络可变参数调整量幅值;∂E(t)/∂wij为网络可变参数对误差的一阶偏导数，为网络可变参数的调整量。

b．计算可变参数调整量幅值。

式中:η+通常取1．2，η－通常取0.5。c．计算可变参数的调整量。

d．计算网络可变参数。

通过上述步骤可知:对BP算法的改进主要针对网络可变参数wij进行。传统BP算法的Δwij由∂E/∂wij与学习步长的乘积决定;改进后，仅由∂E/∂wij的符号和固定值Δij决定，与幅值无关。这样一来，当网络处在局部极小点或者误差曲面较平的区域时(即∂E/∂wij的幅值很小)，Δwij将不受影响仍保持较大的值，故网络更能跳出局部极小点而收敛于全局极小点。

2 模型的建立及智能预警

2.1 各层次神经元数目的确定

本文以某烘房燃烧加热系统为例，用改进BP算法对其进行建模分析，该系统示意图如图2所示。

由图2可知:在建立神经网络模型时，输入层的神经元个数为9个，分别是:加热温度TW、助燃风机轴瓦温度T1、助燃风机转速n1、燃油流量RF、调节阀压力PS1、燃油压力PS2、助燃风机压力PS3、电机电流A、电机功率P。这9个输入神经元也就是系统的在线监测参数。根据对该系统的分析，可知系统的故障有以下几种:调节阀阻塞Q1、输送管道堵塞Q2、燃气水分含量过多Q3、燃油压力不足Q4、原油含水Q5、电机转子故障Q6。因此，网络输出层的神经元个数确定为6个。由于单隐层前馈神经网络可以逼近任何连续函数［7］，所以本文使用单隐层网络。隐层节点数的确定可根据经验公式［8］来确定，m为隐层节点数，n和l分别为输入层和输出层的神经元个数，α为调节常数，取值在1～10之间。在本次实验中，取m=10。根据原理图，可建模型如图3所示。

图2 烘房燃烧加热系统示意图

2.2 模型的训练及智能预警

网络模型确立后，对其进行大量充分的训练，神经元激活函数全部取对数Sigmoid函数。具体的训练步骤如下:

步骤2，计算网络可变参数对网络误差的一阶偏导数∂E(t)/∂wij，并根据式(4)计算Λ;

步骤3，根据式(1)计算网络权值的调整量，同时根据式(2)、(3)对网络权值进行调整;

图3 烘房系统网络模型

步骤4，计算所有样本的误差平方和err，t=t+1，如果err＜g或t＞e，则训练结束，否则跳到步骤2。

网络参数设置如下:

目标误差:g=10－3;

最大循环次数:e=2 000;

最大权更新值Λmax=50.0。

设置好各参数后，使用MATLAB软件对其进行建模、训练，在模型达到预设的要求以后，运用到实际实验中去。本次实验测得有效数据38组，以下选取其中的5组样本进行智能预警演练，见表1。

表1 各监测点测得的数据

为了消除各数据量纲不同、变化范围不同带来的影响，需要事先对数据进行归一化处理。数据归一化采用的公式:

式中:x'为处理后的数据;x为源数据，xmin和xmax分别为源数据组中的最小值和最大值。

样本数据归一化处理后的数据，见表2。

表2 实验数据归一化后的数据

将表2中的样本数据分别输入已训练的改进BP算法，得到实际输出值，见表3。

表3中，6个输出节点分别对应上文论述的6种故障类型，1个样本数据对应6个输出，取值分别为0，1。其中0表示系统状态对应项处于正常，1则相反。例如样本2对应的6个输出中，只有节点4是1，说明系统该时刻可能出现燃油压力不足的问题，而样本4则反应出此时电机的转子可能存在故障，两种情况都要发出警报，提醒人们系统出现故障。

2.3 改进BP算法的智能预警效果评定

为了验证改进BP算法的性能，将它与传统的标准BP算法进行比较，在MATLAB上分别对两种算法进行模拟、仿真，同时用表2的数据进行分析、对比。传统BP算法的实验结果见表4。

表3 改进BP算法的故障诊断输出值

比较表3与表4可知:对于同一组样本，改进BP算法与传统BP算法的判别结果不尽相同。例如样本3，传统BP算法的诊断结果是系统处于正常状态，而改进后的BP算法则认为该时刻系统出现调节阀阻塞故障。同样对于样本2两种方法也出现了不同的结果。为了验证两种方法的正确性，我们将不同数据样本对应的系统实时状态调取出来，见表5。

表4 传统BP算法的故障诊断输出值

表5 各组样本对应的系统状态

将表3、表4与表5的对应项进行对比后发现，改进后的BP算法的诊断结果与样本2和样本3的实际情况更符合，可知相比于传统的BP算法，它具有更高的准确率。

下面对用MATLAB软件将两种算法建模后的训练次数进行分析，训练的实验结果如图4、图5所示。

图4 改进BP算法的训练过程

由实验结果可知:相比于传统的BP算法，用改进后的BP算法进行训练，网络的收敛速度更快，预算误差也非常小，因此具有更好的实时性，能更及时地反映出系统的当前状态。

图5 传统BP算法的训练过程

3 结论

本文通过对改进BP算法的建模、性能比较，理论分析及实验结果都表明在机电系统故障模式识别中，改进后的BP算法比标准BP算法具有更好的学习效率和泛化能力，并且具备较强的识别能力。改进后的BP算法在非线性故障模式识别领域里具有特殊的优越性，诊断精度高，速度较快，具有很好的应用前景。

［1］王炳成，任朝晖，闻邦椿.基于非线性多参数的旋转机械故障诊断方法［J］.机械工程学报，2012，48(5):1－8.

［2］林海，叶永伟，刘志浩，等.基于CFD的汽车车身烘房节能研究［J］.机械制造，2010(10):1－2.

［3］龙泉，刘永前，杨勇平.基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法［J］.太阳能学报，2012，33(1):1－2.

［4］谢延敏，王新宝，王智，等.基于灰色理论和GA－BP的拉延筋参数反求［J］.机械工程学报，2013，49(4):1－7.

［5］马修元，段钰锋，刘猛，等.基于PSO－BP神经网络的水焦浆管道压降预测［J］.中国电机工程学报，2012，32(5):1－7.

［6］韩璞，毛新静，周黎辉，等.基于RPROP算法的模糊系统优化［J］.仪器仪表学报，2006，27(6):1－2.

［7］冯立颖.改进的BP神经网络算法及其应用［J］.计算机仿真，2010，27(12):1－5.

［8］朱大奇，史慧.人工神经网络原理及应用［M］.北京:科学出版社，2006:42－43.

The Intelligent Early Warning Based on Improved BP Algorithm for Drying Room Combustion System

YE Yongwei，GAO Bo

(Zhejiang University of Technology，Zhejiang Hangzhou，310014，China)

The characteristics of the drying room for automobile body coating line are higher energy consumption，parametric complexity，strong coupling.It is difficult and low accurate for this drying system control.In order to solve these problems，it presents the improved BP algorithm.It establishes a corresponding neural network model.The simulation analysis of oven instance shows that the method has the advantages of higher correct rate and easy to be controlled.

Coating Line;Intelligent Warning;Improved BP Algorithm;Drying Room Combustion System

TH17

A

2095－509X(2013)10－0057－04

10.3969/j.issn.2095－509X.2013.10.014

2013－08－08

叶永伟(1964—)，男，浙江义乌人，浙江工业大学副教授，博士，主要研究方向为机电系统智能控制。