2.3 多联机阀类故障诊断复合模型

多联机的阀类故障诊断复合模型的执行流程如图4所示。首先，输入数据按比例随机划分为训练集和测试集，均进行数据归一化处理。然后，采用遗传算法针对训练集进行故障特征的选取和神经网络模型的训练，得到最优特征子集。同时对神经网络的参数如传递函数、训练函数、神经网络隐含层节点数等进行优化选择。最后，利用测试集对训练好的的神经网络模型进行测试，得到诊断结果。

2.4 多联机阀类故障诊断复合模型评价准则

采用混淆矩阵比较真实故障分类和模型预测结果。模型的整体诊断率和各故障检测率分别为:

式中: σ_model为模型整体诊断正确率; σ_ⅰ为各故障检测率; C_ⅰ为第ⅰ个故障预测正确的个数; N为测试集的样本数; N_ⅰ为测试集中第ⅰ个故障的样本。

3 多联机阀类诊断性能结果分析

将实验稳态后的数据选取16478个样本，并随机选取3 /4的数据划分为训练集，1 /4的数据划分为测试集。

3.1 BP神经网络参数优化选择

为了消除量纲的影响，将基于BP神经网络的多联机故障诊断模型的输入数据进行归一化，由于归一化的数据范围均在[-1,1]之间，故采用tansig正切s型传递函数。神经网络的输入层节点数设为故障特征个数，隐含层节点数、学习率等参数采用经验和试错法进行优化。

BP神经网络用于模式分类的常用训练函数为:'trainrp'，'traingdx'，'trainscg'，'trainoss'，'trainbr'，'trainlm'。针对多联机阀类故障分类模型，采用建立不同训练函数进行建模，图5所示为不同的训练函数对故障诊断效率和正确率的影响。可以看出，这些训练函数相较于传统的梯度下降训练函数’traingd'，检测时间从250_s降到60_s以内(检测时间与电脑配置有关，为Intel ( R ) Pentium ( R ) CPU  B940  ( 2. 00GHz) 2. 00 GB内存)，故障诊断正确率从70%提高到80%以上，训练函数的选择不同能显著提高故障诊断正确率及效率。其中’trainrp’和’trainbr’训练函数的检测时间均较少，检测正确率较高，达到95%,但trainbr'(贝叶斯正则化算法)内存需求较大，故采用’trainrp’训练函数进行BP神经网络建模。

3.2 采用原始特征集建立基于参数优化后的BP神经网络的故障诊断结果    

将41个原始特征数据输入参数优化后的BP神经网络建模，得到的混淆矩阵如表2所示。

由式(2)可得，采用原始特征建立的BP神经网络的故障诊断正确率为:[741 + 463 + 585 + 1031+1038) /4 119] x 100%=96. 09 %。

图5 不同训练函数对故障诊断效率和正确率的影响

表2 基于原始特征集建模得的阀类故障混淆矩阵

由映射定理分析可知，一个单层隐含层的BP神经网络能够以期望的精度逼近任意非线性函数，因而单层隐含层的BP神经网络故障诊断模型能够对多联机进行阀类故障诊断。

采用原始特征建立的BP神经网络故障诊断正确率为96.09 %。由表2可知，电子膨胀阀故障的检测结果相对较差，其中，A1故障中有87个样本错误预测为A3故障，A2故障中有12个样本错误预测为A1故障，A3故障中有62个样本错误预测为A1故障。