表1 阀类故障类型的向量表示

2 多联机阀类故障诊断模型

多联机阀类故障诊断模型利用遗传算法对原始故障特征集进行优化选择，结合BP神经网络建模。

2.1 BP神经网络算法

BP神经网络由于其函数信号正向传递，误差信号反向传播的特点，在神经网络中最重要、应用最多。如图2所示，BP神经网络由输入层、隐含层、输出层组成，通过不断调整权值、阀值达到期望输出。数据经输入层节点进入神经网络模型，通过传递函数传递到隐含层，隐含层可以是单层或者多层，隐含层将变换处理过的数据通过传递函数传递到输出层进

行下一步处理。当实际输出与期望输出不符时，误差信号将反向传播，误差通过输出层，按误差梯度下降的方式逐层修正各层权值、阈值，函数信号的正向传递和误差信号的反向传播将反复进行直到满足期望输出。利用神经网络进行故障建模时，神经网络的参数如传递函数、训练函数、学习率以及隐含层节点数等直接影响故障分类的精度。

图2 BP神经网络结构

2.2 基于遗传算法的故障特征选择

故障诊断是针对诊断对象的故障模式进行分类和识别，或者根据专家经验等方法推断出故障所在部位和严重程度的过程，由于一种故障往往会伴随着多种故障特征，多种故障也可能引起同一故障特征，故障特征和故障类别的对应关系不清晰。因此，人们往往提出大量原始特征进行故障识别，降低了故障诊断效率，严重时会影响故障诊断正确率。遗传算法采用自选择、交叉遗传和变异等遗传过程寻找最优的故障特征集，如图3所示，具体步骤如下:

1)随机初始化一定数量的特征集:随机生成一定数量的二进制向量作为父代，每个向量代表一个随机特征集，即原始特征集的一个子集，整个二进制编码的长度为原始特征集中的特征数，1表示该特征存在，0表示特征不存在。

2)选择一定数量的父代进行交叉和变异:利用适应度函数评估种群的个体，按适应度值进行锦标赛选择，被选择的父代按一定的比例进行两点交叉和单点变异，生成子代。

图3 遗传算法特征选择的流程

3)采用精英保留策略优化子代:变异操作之后比较当前最优个体与历史最优个体，并将最优个体直接复制替换最差个体，得到子代新种群。

4)找到满足条件的特征集:当遗传代数达到设定值，或者最佳适应度值基本不变时，继续迭代结果无明显改善，结束计算，否则回到2继续计算。用于评估种群个体好坏的适应度函数Ffirness为:

式中:σ_valve为多联机阀类故障诊断的正确率。与神经网络相结合时，σ_valve为利用神经网络进行故障分类的预测准确率。

优化特征变量是将某一特征是否参与建模为研究对象，每个特征变量只有存在和不存在两种可能，为典型的离散型变量，遗传过程针对二进制编码后的向量进行操作。本文的遗传代数设为100，群体规模为40，交叉概率为0. 7，变异概率为0. 017.