遗传算法是一种自适应优化搜索方法，基于生物系统中的达尔文自然选择和遗传学，是传统启发式方法的有前景的替代方案。GA使用一组称为“总体”的候选解决方案，并依据“适者生存”原则，通过选择、交叉和变异等操作进行迭代计算，最终获得最优解。此过程中，后代通过精英保留或多样性替换策略形成新的种群。进化持续多个世代，直到满足终止条件^[12]。图1展示了遗传算法的进化过程。

BPNN，也称为多层前馈网络，由输入层、输出层和隐藏层三部分组成^[13]。其结构如图2所示。通过误差反向传播，BPNN可以训练和存储复杂的映射关系，而无需明确的数学方程。数据进入输入层后，通过隐藏层和权重及激活函数计算出输出值。接着，计算实际输出与期望输出之间的误差，并进行反馈。如果误差超出预期，则需要调整输入数据。停止训练的条件是达到所需的准确性或最大迭代次数^[14]。

引入遗传算法优化BPNN可以很好地解决BP神经网络初始值选择范围大，求得的最佳解是局部小范围内的，存在一定的计算误差等问题，遗传算法优化BP神经网络的流程如图3所示。

通过选择合适的适应度函数，比较种群中个体染色体的适应值，保留或者淘汰相应的个体，如此多次循环迭代，找到最佳适应度值的个体，将其值赋于BPNN的初始权值和阈值。优化对象包括输入层到隐藏层的权重矩阵W1和隐藏层到输出层的权重矩阵W2，以及对应的偏置向量B1和B2。这些参数被统一编码为一个线性向量，通过遗传算法中的选择、交叉和变异操作进行优化，从而得到一个诊断性能更好的网络模型。

本实验平台由半导体制造工艺中常用的一组低温泵系统（包括G-M制冷机低温泵、氦压缩机）、传感器组件（包括振动传感器、振动采集仪、上位机）组成。用于测量振动信号的加速度计的位置也如图4所示。使用粘合胶将加速度计传感器牢固地固定在一级活塞环水平对应的低温泵外壳侧面，靠近一二级活塞关键部件，确保定位的一致性，以实现精确测量。当组件内部出现故障会发出特征性的振动，这些振动会传递到低温泵结构上，并且在附近的表面上最为明显。通过将传感器放置在此处，它可以清楚地捕获与故障相关的振动，从而提高信号保真度。根据对低温泵在不同运行状态下进行的测试与分析，本实验将振动传感器的采样频率设置为25600 Hz，以确保准确捕获系统的振动特性。在实验过程中，对一级活塞环在不同磨损程度下的低温泵振动信号进行了系统性采集。

在一二级推移活塞的热端装有活塞环密封，活塞环外圈为自润滑耐磨材料；内圈为涨圈，使塑料环紧贴到气缸壁上。一级活塞环的磨损会导致活塞与气缸之间的密封环密封性能下降，从而引发一系列不利后果。一级活塞环磨损导致的间隙增大使得冷头腔热端的高压气体通过密封环与气缸壁之间的缝隙漏入冷端。这样的泄漏现象直接导致了冷量损失，当冷量损失达到一定阈值时，将对制冷机的制冷效果造成显著的负面影响，这不仅表现为制冷效果的减弱引起的冷头的温度升高。同时，制冷效果的下降会迫使电机在高频率转速下持续运行，以尝试补偿冷量损失。这种过度运行不仅增加了电机的能耗，导致能源效率降低，还可能引起电机的过热和损坏，从而减少设备的使用寿命。

本故障模拟实验如图5所示，为了进一步评估不同磨损程度对低温泵性能的影响，通过车削加工和砂纸打磨的方法，近似复现了一级活塞环在真实工况下的不同程度磨损情况。具体而言，所加工的外径磨损量分别为0.4 mm、0.5 mm、0.6 mm、0.8 mm、1 mm和1.2 mm。

通过采集一级活塞环的不同磨损情况下的振动数据，根据在不同的磨损量下是否对制冷机的工作性能产生影响，可以将其区分成正常的低温泵和异常的低温泵。采用一二级冷头的温度和电机运转频率作为G-M制冷机低温泵的制冷性能好坏的表征。正常工作情况下，本实验所采用的低温泵的一二级冷头的温度，最终分别可以降温达到100 K左右、7 K左右，随后根据设定的程序低温泵进入控温阶段，此时的电机运转频率会从75 Hz降低到25 Hz。而异常的低温泵一二级冷头的温度会一直超过100 K，电机则一直以75 Hz运转频率工作，无法进行控温阶段。

根据实际测试的实验结果，如表1所示，当一级活塞环的外径磨损量达到0.8 mm时，显著影响了低温泵的制冷工作性能。具体而言，当外径磨损量为0.4 mm、0.5 mm和0.6 mm时，低温泵的工作状态正常，未观察到明显的性能下降。然而，当外径磨损量增至0.8 mm、1 mm和1.2 mm时，低温泵的工作状态异常，表现出不良的制冷效果。因此，针对不同磨损程度所采集的振动数据，分别将0.4 mm、0.5 mm、0.6 mm磨损量对应认定为正常泵数据，而将0.8 mm、1 mm、1.2 mm磨损量对应的数据视为异常泵数据。

图6中展示了正常泵信号中同一组数据的传感器所采集的整体振动信号波形，通过对原始信号进行切片处理。保证每组样本的采样点数包含完整的一个完整的故障波形，通过时频域特征提取，提取了时域的8种特征（分别为最大值、波形因子、峭度、裕度因子、峰值、平均值、脉冲因子、偏度），频域的3种特征（分别为重心频率、均方频率、频率方差）。

通过采用最小冗余最大相关特征筛选算法，根据特征的重要性排序（见表2），选择了排名靠前的特征作为后续分析特征。这些特征包括时域特征中的最大值、峭度和波形因子，以及频域特征中的重心频率。共收集了3000组正常低温泵数据和3000组异常低温泵数据，总计6000组数据。为了进行模型训练与验证，数据集按7:3的比例划分为训练集和测试集。

图7展示了遗传算法在优化BP神经网络参数过程中适应度值的变化趋势。在初期迭代阶段，适应度迅速下降，反映了算法有效地收敛至较优的解，显著提升了模型的准确性。通过迭代，适应度值趋于平稳，表明算法在权重和偏差参数的组合上已达到了接近全局最优的配置状态。最终适应度值达到约0.0174，模型在训练集上的误差得到了有效的减少。

图8展示了经过优化的BP神经网络在训练数据集上的分类效果，矩阵中的对角线元素表示模型成功分类的样本数，其中类别1的正确分类数为2056，对应准确率为97.9%；类别2的正确分类数为2063，对应准确率为98.2%。这些高准确率指标说明模型在捕获数据特征、准确区分类别上表现出色。非对角线元素表现为误分类的数量，类别1误分类为类别2的样本数为44，占类别1总样本的2.1%；而类别2误分类为类别1的样本数为37，占类别2总样本的1.8%。

图9以三维散点图形式展示了模型在训练集上的预测结果，其中红色圆形点代表真实类别，绿色三角形点代表预测类别。图中仅对预测错误的样本通过蓝色虚线进行连接，从而突出展示模型的预测偏差情况。可以观察到，大多数样本的预测值与真实值重合，这表明模型在训练集上的准确率相对较高，而蓝色连接线突显的少量错误预测。

图10，图11分别代表了在测试集样本中类型1（正常泵）和类型2（异常泵）在不同模型指标上的比较，对比了不同分类算法在五个重要评价指标（灵敏度、特异度、漏诊率、误诊率、准确率）上的性能，包括支持向量机（SVM）、极限学习机（ELM）、传统反向传播神经网络（BP）和基于遗传算法优化的BP神经网络（GA-BP）。实验结果表明，本文所提出的GA-BP模型准确率可达98.05%，相比于上述各经典算法分别提高了17.94%、3.33%、1.49%的故障识别准确率。显示出其在正确识别正类样本及整体分类上的强大能力。此外，其特异度也处于较高水平，表明对负类样本的识别能力有所加强。相比之下，传统方法如SVM和ELM在某些指标上表现欠佳，特别是漏诊率和误诊率较高。

本文针对G-M制冷机低温泵一级活塞环的磨损故障问题，提出了一种基于改进遗传算法与反向传播神经网络的故障诊断方法。首先，建立了振动数据采集实验平台，采集不同磨损程度下的振动信号；进一步提取信号的时频域特征量用于BPNN的输入；采用GA优化了BPNN的初始权重和阈值设置，最终实现了较高的分类准确率，可达98.05%。未来研究将探讨更多故障类型及损伤程度，为低温泵和真空装备的健康监测提供更有效的理论与应用参考。