1 问题描述
近年，神经网络在故障诊断研究领域应用广泛，极大提高了故障诊断的效率和准确度。但由于神经网络参数具有人为选定的随机性，容易造成网络故障诊断性能不稳定。为解决这一问题，本文提出了一种基于改进麻雀搜索算法优化GRU神经网络相关参数的故障诊断方法，并应用于滑油系统故障诊断研究，取得了较好的诊断效果。
2 理论基础
2.1 门控循环单元
GRU神经网络就是由多个具有特殊结构的神经元依次连接组成的循环网络结构，并且由当前时刻的输入信息 和前一时刻的隐层单元信息 共同决定了当前时刻神经元的输出 ［8］。这个过程是通过引入“门”控机制，完成对数据信息的更新管理，即通过σ激活函数，将输入信号转换为0～1范围内的数值，从而控制当前状态从历史隐层状态中保留哪些信息以及从候选状态中接受哪些信息。
依据GRU两个逻辑门的工作原理，GRU神经元的信息更新过程如下：
（1）重置门
重置门决定了当前输入和历史状态信息结合的形式，掌握着前一时刻隐层单元状态信息 被忽略的程度。其计算过程为
重置后，上个神经元保留下的信息量为 。
通过重置门后，候选隐层状态 为
（2）更新门
更新门的作用是控制前一时刻信息对当前时刻信息的影响程度，确定要添加的新信息和遗忘的旧信息［9］。其计算过程为
最后将上一个神经元信息和当前神经元信息相结合，得到当前神经元隐层输出为
式中： 和 分别是 和 的权重矩阵； 是 的权重矩阵； 、 和 是偏置量。
2.2 改进的麻雀搜索算法
研究表明，麻雀种群在觅食过程中，根据麻雀的任务不同，可以分为探索者、跟随者、预警者3种角色［12］。探索者负责探寻食物源并为跟随者提供觅食引导；跟随者扮演着跟随和监视探索者并抢夺食物的角色；预警者负责发现危险并发出警报，提醒其他麻雀进入警戒状态并飞往其他安全区域。探索者和跟随者的身份不是固定不变的，根据获得食物的多少可以灵活切换。
对于算法在迭代后期容易落入局部最优解甚至难以跳出的问题，本文对最优麻雀采用随机游走策略进行调整，使得迭代后期算法在最优解附近的局部搜索能力提高，从而避免落入局部最优或很难跳出的情况出现。采用随机游走对最优麻雀位置调整，公式如式（5） 所示
式中： 表示优化后麻雀的位置； 表示最优麻雀当前位置； 和 为第 维变量随机游走的最小值和最大值； 和 为第 维变量在第 次迭代的最小值和最大值。
针对种群初始化时，由于随机性造成算法搜索范围变小、收敛速度变慢的问题，结合反向学习策略，对算法进行优化。如果初始化时个体就在最优值附近产生，那么所有的个体都会快速收敛；反之，算法的迭代收敛速度是无法预知的。将反向学习引入到种群的初始化过程中，提高了麻雀种群的多样性并扩大了算法的全局搜索性，使搜索的范围扩大。反向学习策略的关键在于如何生成反向种群，其产生过程如下：
假设在一维空间 上，存在着点 ，则 的反向点可以定义为 。扩展到 维空间，设 是空间中的一个点，其中 ，则其反向点为 ，其中 。根据上述过程产生反向种群。
本文中以最小化错误率作为算法的适应度函数，如公式（6） 所示
式中： 表示适应度函数； 为诊断结果； 为真实标签； 函数表示两者相同的个数； 为样本数。
3 BRWSSA算法优化GRU的实现过程
为提高GRU网络对于滑油系统的故障诊断准确率，采用改进的麻雀搜索算法对其隐含层节点个数进行寻优，构建基于BRWSSA-GRU的滑油系统故障故障诊断模型。采用BRWSSA算法优化GRU的流程如图2 所示。
算法具体实现步骤如下：
步骤1：对GRU网络结构和BRWSSA算法中麻雀种群个数、迭代次数、预警阈值、探索者和追随者比例等进行初始化。
步骤2：利用反向学习产生反向种群，并按照适应度值升序将所有麻雀个体进行排序，选择与初始种群数量相同的麻雀作为新的种群进入算法迭代。
步骤3：根据排序确定麻雀的身份，然后根据各角色位置更新策略对麻雀的位置进行更新。
步骤4：对本次迭代的最优麻雀，根据随机游走公式进行位置优化，增大麻雀的寻优范围，降低算法落入局部最优风险的概率。
步骤5：更新适应度值。BRWSSA-GRU模型以最小化错误率作为适应度函数，即式（6） ，返回BRWSSA算法。
步骤6：判断是否达成算法的终止条件，若未达到条件，则返回步骤3；若达到条件，则将最优隐含层节点个数输出。依据最优隐含层节点个数，构建最佳GRU神经网络诊断模型。
4 滑油系统故障诊断试验验证
为验证改进模型的有效性，利用相同的数据集对不同模型进行对比试验验证。试验采用的滑油系统数据集共包含3种不同模式，分别为正常工作T、滑油油气排气管堵塞F1和滑油放油开关故障F2。滑油系统数据集共包含11个监测参数，分别为滑油供油压力、滑油供油温度、滑油压差、中轴承腔回油温度、后轴承腔回油温度、后轴承腔腔压、滑油流量、高压转子转速、侧向过载表决值、地速表决信号和法向过载表决信号。
首先采用核独立成分分析方法对原始滑油系统数据进行处理，以降低原始数据中冗余信息对试验结果的影响。采用核独立成分分析方法提取有效信息之后的数据特征维度降为4维。然后，按照交叉验证的方式把提取后的数据分成900组训练集数据和150组测试集数据，并依此作为训练样本和测试样本。
构建BRWSSA-GRU故障诊断模型的过程如下：首先根据训练数据样本的结构，将神经网络的输入层和输出层神经元个数分别设置为4和1，隐含层神经元个数设置为X，并将训练样本数据作为输入数据来训练GRU网络。同时根据经验，对BRWSSA算法中相关参数进行初始化［15］，设置BRWSSA算法种群大小为10，其中探索者与跟随者的比例为7：3，设置种群最大迭代次数为20，预警阈值设置为0.6，BRWSSA算法对网络中隐含层神经元个数寻优的范围设置为［3，100］。
GRU模型初始化时，人为设置其隐含层神经元个数为8。SSA-GRU模型相关参数的初始化过程和BRWSSA-GRU模型相同。由SSA算法对GRU进行迭代寻优，得到GRU最佳隐含层神经元个数为6，据此确定SSA-GRU模型结构。由BRWSSA算法对GRU进行迭代寻优，得到GRU的最佳隐含层节点个数为12，据此确定BRWSSA-GRU模型结构。采用以上训练数据对这3种故障诊断模型进行训练，可得到GRU、SSA-GRU和BRWSSA-GRU3种故障诊断模型。对以上3种故障诊断模型采用相同的150组测试集数据进行验证，GRU模型、SSA-GRU模型、BRWSSA-GRU模型故障诊断结果如图3 所示。
对比这3个模型的故障诊断结果可知，GRU故障诊断模型对于正常工作和故障模式F1的诊断效果很好，但对于故障模式F2的诊断效果很差，有超过10个样本被错误地诊断为故障模式F1。从图3 b、3 c可以看出，经过算法优化网络结构后的GRU故障诊断模型诊断错误的样本数明显减少，没有出现大范围诊断错误的现象。经过BRWSSA算法优化之后，模型诊断错误的样本数更少，说明寻优之后网络结构更优，同SSA算法寻优的最优结果相比，BRWSSA算法跳出了局部最优，也说明了算法改进的有效性。各诊断模型诊断准确率如表1 所示。
表1 不同模型对测试数据集的诊断准确率 |
| 故障诊断模型 | 故障诊断准确率/% |
|---|---|
| GRU | 84 |
| SSA-GRU | 91.3 |
| BRWSSA-GRU | 94 |
由表1 可以看出，BRWSSA-GRU故障诊断模型诊断准确率为94%，GRU模型、SSA-GRU模型诊断准确率分别为84%、91.3%。验证了本文所提出改进方法的有效性和优越性，针对GRU故障诊断模型识别滑油放油开关故障能力弱这一问题，具有明显的提升。
5 结论
本文提出的BRWSSA-GRU故障诊断模型，解决了人为选定参数造成神经网络诊断性能不稳定的问题。通过结合反向学习和随机游走策略，解决了麻雀搜索算法随机初始化造成寻优范围缩小和算法容易陷入局部最优的问题，使得算法的寻优能力得到提升，并应用到优化GRU故障诊断模型隐含层节点个数上，提升了飞机滑油系统故障诊断准确率。研究结果表明，本文提出的BRWSSA-GRU故障诊断模型可以很好地解决飞机发动机滑油系统故障诊断问题，具有很好的工程应用前景。