趙永標(biāo) ，張其林，康長青

(襄樊學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，湖北 襄樊 441053)

基于遺傳神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷模型

趙永標(biāo) ，張其林，康長青

(襄樊學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，湖北 襄樊 441053)

將遺傳神經(jīng)網(wǎng)絡(luò)引入水電機(jī)組的故障診斷中，建立基于遺傳神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷模型，通過Matlab的相關(guān)工具箱進(jìn)行仿真. 結(jié)果表明遺傳神經(jīng)網(wǎng)絡(luò)診斷的正確性高于BP網(wǎng)絡(luò).

故障診斷；神經(jīng)網(wǎng)絡(luò)；遺傳算法；水電機(jī)組

人工神經(jīng)網(wǎng)絡(luò)以其高度的并行處理能力，自組織及自學(xué)習(xí)和較強(qiáng)的聯(lián)想記憶能力，在故障診斷中顯示了強(qiáng)大的生命力，其中尤以BP網(wǎng)絡(luò)應(yīng)用最為廣泛，但BP算法是一種基于誤差梯度下降的學(xué)習(xí)法，該方法容易陷入局部最小點(diǎn)，影響網(wǎng)絡(luò)的精度.

遺傳算法(GA)是一種高效全局性概率搜索算法，能從概率的意義上以隨機(jī)的方式尋求到問題的最優(yōu)解[1].遺傳神經(jīng)網(wǎng)絡(luò)將遺傳算法用于權(quán)值的學(xué)習(xí)，在一定程度上克服了 BP算法易陷入局部最小的缺點(diǎn). 本文將遺傳神經(jīng)網(wǎng)絡(luò)應(yīng)用到水電機(jī)組的故障診斷中，取得了良好的效果.

1 遺傳神經(jīng)網(wǎng)絡(luò)概述

遺傳算法(Genetic Algorithm)是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法. 它將“優(yōu)勝劣汰，適者生存”的生物進(jìn)化原理引入待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適應(yīng)值函數(shù)及一系列遺傳操作對(duì)各個(gè)體進(jìn)行篩選，從而使適應(yīng)值高的個(gè)體被保留下來，組成新的群體，新群體中各個(gè)體適應(yīng)度不斷提高，直至滿足一定的終止條件. 此時(shí)，群體中適應(yīng)值最高的個(gè)體即為待優(yōu)化參數(shù)的最優(yōu)解. 正是由于遺傳算法獨(dú)具的工作原理，使它能夠在復(fù)雜空間進(jìn)行全局優(yōu)化搜索，并且具有較強(qiáng)的魯棒性，其具體算法見圖1.

將遺傳算法應(yīng)用于網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化或權(quán)值的學(xué)習(xí)，這種神經(jīng)網(wǎng)絡(luò)被稱為遺傳神經(jīng)網(wǎng)絡(luò). 本文所涉及的遺傳神經(jīng)網(wǎng)絡(luò)僅將遺傳算法用于權(quán)值的學(xué)習(xí). 設(shè)有一BP網(wǎng)絡(luò)，用遺傳算法學(xué)習(xí)網(wǎng)絡(luò)權(quán)值的步驟如下：

(1)確定網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，包括網(wǎng)絡(luò)層數(shù)，各層神經(jīng)元的個(gè)數(shù)以及神經(jīng)元傳輸函數(shù).

(2)選取合適的編碼方案將網(wǎng)絡(luò)權(quán)值進(jìn)行編碼.

(3)確定適應(yīng)度函數(shù)，一般選網(wǎng)絡(luò)的均方誤差(MSE)或平方和誤差(SSE)的倒數(shù)作為適應(yīng)度函數(shù).

(4)用遺傳算法進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后解碼得到網(wǎng)絡(luò)的權(quán)值.

圖1 遺傳算法流程圖

2 基于遺傳神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷模型

2.1 樣本數(shù)據(jù)

水電機(jī)組的故障復(fù)雜，但大多以振動(dòng)的形式表現(xiàn)出來，文獻(xiàn)[2-3]總結(jié)了水電機(jī)組的振動(dòng)故障的頻率特征，文獻(xiàn)[4]在文獻(xiàn)[2-3]的基礎(chǔ)上，對(duì)貴州索風(fēng)營水電廠機(jī)組監(jiān)測(cè)系統(tǒng)的實(shí)測(cè)振動(dòng)數(shù)據(jù)進(jìn)行分析得到水電機(jī)組的典型故障樣本數(shù)據(jù)，如下表所示：≧ 3f、50Hz或100Hz ；c6~c9分別為振動(dòng)與轉(zhuǎn)速關(guān)系、振動(dòng)與負(fù)荷的關(guān)系、振動(dòng)與流量的關(guān)系. (2)故障類型：1~5分別表示選轉(zhuǎn)子不對(duì)中、動(dòng)靜碰摩、轉(zhuǎn)子質(zhì)量不平衡、尾水管偏心渦帶、磁極不均勻五類故障.

表1 水電機(jī)組典型故障樣本[4]

2.2 模型設(shè)計(jì)

選取三層BP網(wǎng)絡(luò)，輸入和輸出層神經(jīng)元個(gè)數(shù)分別為9和5，隱層神經(jīng)元個(gè)數(shù)的確定參考如下經(jīng)驗(yàn)公式：，其中R，S2分別為輸入和輸出層神經(jīng)元個(gè)數(shù)，a為[1,10]上的常數(shù)，經(jīng)過反復(fù)嘗試，a取 7比較合適，故隱層神經(jīng)元個(gè)數(shù)為 10. 隱層神經(jīng)元和輸出層神經(jīng)元分別采用雙曲 S型函數(shù)和S型函數(shù)；選取實(shí)數(shù)編碼方案，每個(gè)個(gè)體包含S個(gè)基因. 其中，R、S1、、S2分別為輸入層，隱層和輸出層神經(jīng)元個(gè)數(shù)；適應(yīng)度函數(shù)選取網(wǎng)絡(luò)的均方誤差(MSE)的倒數(shù)，即 f( k )=1/M SE( k )，其中MSE( k)為個(gè)體的均方誤差.

其中：(1)征兆數(shù)據(jù)：c1~c6分別為振動(dòng)信號(hào)頻譜中的6個(gè)頻率特征量，即0.18~0.2f、1/6~1/2f、1f、2f、

2.3 模型實(shí)現(xiàn)

使用Matlab的遺傳算法工具箱(GAOT)實(shí)現(xiàn)遺傳算法對(duì)網(wǎng)絡(luò)權(quán)值的訓(xùn)練，關(guān)鍵代碼如下：

為了便于比較，使用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱(NNET)實(shí)現(xiàn)對(duì)應(yīng)的BP診斷模型，關(guān)鍵代碼如下：

訓(xùn)練結(jié)束后，使用表2中的測(cè)試樣本，對(duì)以上兩個(gè)診斷模型進(jìn)行測(cè)試，測(cè)試結(jié)果如表3所示.

表2 故障測(cè)試樣本[4]

運(yùn)用閾值判別條件：設(shè)置閾值為0.5，如果輸出小于0.5，則解釋為這種故障沒有發(fā)生，反之則解釋為該故障發(fā)生[4]. 從表3可以看出，顯然兩者的診斷結(jié)果都是3號(hào)故障(轉(zhuǎn)子質(zhì)量不平衡)的輸出值都大于閾值，分別為0.9411和0.9696，其他幾種故障的輸出值都遠(yuǎn)小于閾值. 因此，診斷為轉(zhuǎn)子質(zhì)量不平衡故障，與文獻(xiàn)[4]相符. 但相比BP網(wǎng)絡(luò)，遺傳神經(jīng)網(wǎng)絡(luò)的診斷正確性有所提高.

3 結(jié)論

遺傳神經(jīng)網(wǎng)絡(luò)能克服傳統(tǒng) BP網(wǎng)絡(luò)易陷入局部最小的缺點(diǎn)，網(wǎng)絡(luò)精度更高. 本文將遺傳神經(jīng)網(wǎng)絡(luò)引入水電機(jī)組的故障診斷中. 仿真結(jié)果表明，其診斷正確性高于BP網(wǎng)絡(luò)，雖然如此，其訓(xùn)練速度不及BP網(wǎng)絡(luò)，這是下一步的研究方向.

[1] 王 鶴, 周東祥, 宋委遠(yuǎn), 等.基于遺傳神經(jīng)網(wǎng)絡(luò)的混合氣體識(shí)別研究[J].華中科技大學(xué)學(xué)報(bào): 自然科學(xué)版, 2007, 35(9): 118-120.

[2] 趙道利, 馬 薇, 梁武科, 等.水電機(jī)組振動(dòng)故障的信息融合診斷與仿真研究[J].中國電機(jī)工程學(xué)報(bào), 2005, 25(20): 137-142.

[3] 沈 東, 褚福濤, 陳 思. 水輪發(fā)電機(jī)組振動(dòng)故障診斷與識(shí)別[J].水動(dòng)力學(xué)研究與進(jìn)展, 2000, 15(1): 129-133.

[4] 粱武科, 趙道利, 馬 薇, 等. 基于粗糙集-RBF神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷[J]. 儀器儀表學(xué)報(bào), 2007, 28(10): 1806-1809.

Fault Diagnosis Model of Hydroelectric Units Based on Genetic Algorithm Neural Network

ZHAO Yong-biao, ZHANG Qi-lin, KANG Chang-qing
(School of Mathematical and Computer Sciences, Xiangfan University, Xiangfan 441053, China)

A fault diagnosis model of hydroelectric units based on genetic algorithm neural network is established by applying genetic algorithm neural network in the field of fault diagnosis. The simulation for the fault diagnosis model is implemented with corresponding toolboxes of Matlab. Results show the genetic algorithm neural network fault diagnosis model is better than BP neural network model in terms of precise.

Fault diagnosis; Neural network; Genetic algorithm; Hydroelectric units

TPl83

A

1009-2854(2010)08-0013-03

2010-07-24

趙永標(biāo)(1980— ), 男, 湖北洪湖人, 襄樊學(xué)院數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院講師.

饒 超)