基于神经网络的钢琴击弦机故障排除方法研究_陈莎莎.pdf

收稿日期:2022-07-05基金项目:新时代高校美育背景下的原创经典文化品牌培育推广机制研究(2020FKT67)作者简介:陈莎莎(1988-),女,湖南娄底人,硕士研究生,讲师。基于神经网络的钢琴击弦机故障排除方法研究陈莎莎(陕西铁路工程职业技术学院,陕西 渭南 714099)摘 要:针对传统钢琴击弦机故障诊断方法准确率低,导致机械故障排除效果不佳的问题,提出基于改进果蝇算法优化 BP 神经网络的故障诊断方法。基于果蝇算法 FOA 加入混沌映射、动态搜索半径策略和优化气味浓度判定公式,得到改进的 UFOA 算法;然后利用 UFOA 算法优化 BP 神经网络,并构建基于 UFOA-BP 的击弦机故障诊断模型;最后获取钢琴击弦机械故障数据,并通过小波包分解法进行故障数据特征提取。将本模型应用到数据集中进行实验发现,相较于未优化的 BP 神经网络,提出的 UFOA-BP 模型的故障预测误差绝对值仅为 1.01 和 0.61,通过 UFOA 算法提升了 BP 神经网络的预测精度。且在单弦和多弦故障诊断中,对比于其他诊断模型,本模型的故障诊断准确率分别提升了 7.75%、10.08%和 7.19%、9.05%。由此说明,通过本模型可提升钢琴击弦机故障诊断率和排除效果。关键词:钢琴击弦机;故障排除;果蝇算法;BP 神经网络;小波包分解法 中图分类号:TP392 文献标识码:A DOI 编码:10.14016/ki.1001-9227.2023.01.266Study on troubleshooting of Piano StrMachine based on Neural NetworkCHEN Shasha(Shaanxi Railway Engineering Vocational and Technical College,Weinan Shaanxi 714099,China)Abstract:In view of the low accuracy of the fault diagnosis method of the traditional piano and string strike machine,the fault diagnosis method of optimizing the BP neural network is proposed.FOA algorithm based on F O A,dynamic search radi-us strategy and odor concentration determination formula,get improved UFOA algorithm,optimize B F O A neural network by UFOA algorithm and build UFOA-BP,obtain the mechanical fault data,and extract the fault data by the wavelet packet de-composition method.Application of this model to the dataset,we found that the absolute value of the UFOA-BP model is only 1.01 and 0.61,which improves the prediction accuracy of BP neural network through the UFOA algorithm.Moreover,in the single-string and multi-string fault diagnosis,the fault diagnosis accuracy of this model is improved by 7.75%,10.08%,and 7.19%and 9.05%,respectively.This model shows that the troubleshooting rate and troubleshooting effect of the piano string strike machine can be improved.Key words:piano machine;troubleshooting;fly algorithm;BP neural network;wavelet packet decomposition0 引言随着人们精神文化需求的不断增长,人们对钢琴、吉他和小提琴等乐器的应用越来越多。其中,钢琴整体结构极为复杂,长时间弹奏以及不定期维护,可能使得钢琴硬件老化,如钢琴键盘击弦机械可能出现各种程度的磨损和变形。若不及时进行检修和维护,极易影响钢琴的正常使用和运行,并导致电钢琴的使用寿命减少从而造成终生损坏。因此,需定期对钢琴键盘击弦机进行检测,及时找出击弦机械可能存在的问题和故障,给予专业性的维护,从而提升钢琴使用寿命。然而,传统的钢琴击弦机械故障诊断方法多采用人工诊断方式,诊断准确率低,诊断时间过长,故障排除效率不高。针对此问题,黄魁等提出了基于灰色理论和神经网络相结合,构建相应的组合模型。通过神经网络进行故障特征提取,灰色理论方法进行故障特征分类,由此该实现机械故障预测1;周慧彬等针对配电网架空线的故障识别和分类,提出了基于深度学习算法,利用 RNN 神经网络提取架空线深层信息,并利用多模态分解方法进行获取数据变换处理,通过此方法提升了故障数据精度,为故障识别和分类提供了有效数据2;丁承君等以钢琴齿轮箱为研究对象,提出了基于参数优化 VMD 方法,对齿轮箱运行状态进行故障特征提取,并将提取信息作为神经网络输入值,以实现故障分类识别3。然而,以上学者的研究虽然取得了一定的研究成果,但存在故障识别敏感度和精度低的问题,在机械特征提取方面还有待进一步提升。基于此,为解决以上问题,提出基于 BP 神经网络,加入改进果蝇算法进行神经网络优化,通过该方法提升机械特征提取和网络模型精度,从而实现钢琴键盘662基于神经网络的钢琴击弦机故障排除方法研究 陈莎莎击弦机械故障的准确识别和分类。为钢琴机械故障诊断和排除提供新的研究方向和数据参考,具有一定的实际意义。1 BP 神经网络及优化1.1 BP 神经网络 BP 神经网络为人工神经网络中的经典网络,也是一种有监督的学习算法。其中,BP 神经网络具备超强的非线性映射能力,其可在数据预测方面取得较高的预测精度。因此,该网络在数据故障预测和分类识别领域均取得较好的应用效果。BP 神经网络主要由输入层、隐含层和输出层三个部分组成。该网络主要通过反向传播误差方式进行参数训练和学习,并采用梯度下降优化算法对网络权重损失进行调节,从而减少输出值与实际值误差4。BP 神经网络的工作流程如图 1 所示。图 1 BP 神经网络流程由图 1 可知,BP 神经网络工作流程主要分为以下几步:获取原始数据后,对该数据进行归一化处理和权重初始化;然后在输入层中输入训练样本,并求出隐层各个神经元的输入输出;之后计算出输出层和隐层的误差值,根据标准值对输出层、隐层权值进行修正5;最后判断样本数据是否完成训练。若是,则可结束计算;反之则重新回到以上步骤进行计算,直至计算误差满足网络设置精度。通过以上分析可知,BP 神经网络的初始权值和阈值均为随机产生,修正方式为梯度下降。这种运行机制使得该网络的初始权值稳定性较差,算法收敛时间过程,计算精度降低。为解决此问题,提出通过改进果蝇算法 UFOA 对 BP 神经网络进行初始权值和阈值优化,从而提升该网络的预测精度,增强网络的稳定性。1.2 BP 神经网络的优化1.2.1 FOA 算法原理果蝇 优 化 算 法(Fruit Fly Optimization Algorithm,FOA)是根据果蝇觅食行提取得到一种智能型优化算法。其基本原理为通过群体协作、信息共享机制实现最优求解。此算法结构简单、操作方便,在神经网络优化等领域均取得较好的应用效果8。FOA 算法主要通过果蝇种群嗅觉进行搜索,从而搜索到目标距离最近的个体,利用果蝇视觉找到最佳果蝇,确定其位置坐标,并向该坐标前进,直至最大迭代次数和目标精度满足最佳要求,即刻结束计算6。FOA 算法主要分为以下步骤:(1)对果蝇群体位置进行初始化设置。将果群规模和最大迭代数分别设置为 sizepop 和为 Maxgen;果蝇随机运动方向和位置分别设置为 X_axis 和 Y_axis。(2)赋值果蝇个体觅食方向和距离,生成初始种群:Xi=X_axis+RandomValueYi=Y_axis+RandomValue(1)式(1)中,RandomValue 表示搜索距离和方向。(3)分别计算出果蝇个体与原点间距离 Dist 和味道浓度判断值 Si7。其中,Si的大小为距离的倒数:Disti=Xi+Yi(2)Si=1/Disti(3)(4)将计算出的 Si代入味道浓度判断函数 Fitness中进行判断,由此得到果蝇个体的味道浓度 Smelli:Smelli=function(Si)(4)(5)找出果蝇种群中味道浓度最低的值:bestSmell bestindex=min(Smelli)(5)(6)记录并保留最优味道浓度判定值 bestSmell,存储器坐标 X,Y,确保果群通过视觉搜索向该位置飞去:Smellbest=bestSmellX_axis=X(bestindex)Y_axis=Y(bestindex)(6)(7)重复进行步骤(2)(5),将得到的味道浓度值与上一代最佳味道浓度值进行对比,判断该值是否优于上一代浓度值;并判断当前迭代数是否小于最大迭代数Maxgen,若小于,则回到步骤(6)重新进行计算;反之则结束算法8。由以上步骤可知,FOA 算法存在果蝇种群位置盲目初始化、收敛速度和收敛精度降低,易陷入局部最优等问题,以上问题使得该算法无法实现负值区域搜索,算法全局搜索能力降低。1.2.2 UFOA 算法为提升 FOA 算法全局搜索能力,提升收敛速度和精度,实现全局最优,将基于 FOA 算法进行改进。具体改进方法如下:(1)引入 Logistic 混沌映射762自动化与仪器仪表2023 年第 1 期(总第 279 期)为决绝 FOA 算法果蝇种群随机初始化分布不均的问题,提出在 FOA 算法基础上加入 Logistic 混沌映射,通过该映射生成果蝇群体的初始位置,从而提升搜索群体多样性、均匀性和算法稳定性。Logistic 混沌映射具体公式为;x n+1()=x n()1-x n()()x n()0,1(7)式(1)中,n 表示迭代次数;表示控制参数;取值为 4时,Logistic 为混沌状态。混沌变量 Cxi的变化公式可表示为:Cx n+1()i=4Cx n()i1-Cx n()i()i=1,2,N(8)式(8)中,Cx n()i表示第 i 个混沌变量在第 n 步混沌变换后的带下;利用公式(8)可获得第 i+1 次变换后的混沌变量 Cx n+1()i,之后结合公式(9)、(10)与变量 Cxi0,1反复进行混沌映射9。Cxi=xi-aminamax-amin(9)xi=Cxi amax-amin()+amin(10)上式中,xi表示混沌映射前的第 i 个原始数据,且 xiamin,amax,xi表示 xi映射之后取得的值。(2)引入动态搜索半径策略 为提升 FOA 算法收敛速度和收敛精度,将在 FOA 算法中加入动态搜索半径策略,通过该策略对搜索半径自适应进行动态调节。动态搜索半径生成方法可表示为:r=rmaxelogrminrmax()iterMiter(11)式(11)中,rmax和 rmin分别为最大和最小搜索半径、iter和 Miter 分别表示为当前迭代次数和最大迭代次数10。通过该策略可有效解决固定半径不足的问题,在前期增加搜索半径,增强算法全局搜索。随着迭代次数增加,搜索半径不断减小,