楊鳴，施偉鋒

(上海海事大學(xué) 物流工程學(xué)院， 上海 201306)

0 引 言

船舶的電氣化與信息化憑借其先進(jìn)性和高效能性將成為船舶發(fā)展的必然趨勢，“全電船”將成為未來船舶動力系統(tǒng)發(fā)展的重要方向.[1]它將船舶發(fā)電機(jī)組與大功率推進(jìn)電機(jī)作為動力裝置的核心系統(tǒng)，形成以發(fā)電機(jī)組-配電與變換-大功率推進(jìn)電機(jī)的電力推進(jìn)船舶電力系統(tǒng)，取代內(nèi)燃機(jī)作為船舶主動力系統(tǒng),為船舶主動力系統(tǒng)提供電能，確保船舶性能的可靠性和穩(wěn)定性.但另一方面，大型船舶電力系統(tǒng)的高階強(qiáng)耦合非線性、惡劣海況及船舶機(jī)艙作業(yè)的惡劣環(huán)境等會引起船舶發(fā)電機(jī)組參數(shù)發(fā)生變化，使系統(tǒng)出現(xiàn)故障的可能性急劇增加.若能及時發(fā)現(xiàn)船舶發(fā)電系統(tǒng)的早期故障并采取措施，就會避免船舶機(jī)損事故和海難事故的發(fā)生，將人員傷亡、經(jīng)濟(jì)損失及社會不良影響降到最低.

1 船舶發(fā)電機(jī)常見故障及診斷方法

1.1 船舶發(fā)電機(jī)常見故障

船舶發(fā)電機(jī)發(fā)生故障的類型包括機(jī)械故障和電氣故障，故障的發(fā)生同時也受到船舶機(jī)艙環(huán)境的影響.在出現(xiàn)故障之前，通常會伴有機(jī)械、電磁、聲學(xué)、電氣以及絕緣系統(tǒng)變化的征兆.從機(jī)械角度看，船舶運(yùn)行時不可避免的晃動、電機(jī)周期的間歇性運(yùn)行都會引起繞組松動、軸承磨損等；從電氣角度看，電壓不平衡或電機(jī)繞組電位分布不均勻等都可能導(dǎo)致絕緣層損壞；從環(huán)境角度看，高溫和污垢將直接或間接造成電機(jī)過熱，這是加速絕緣層老化、降低絕緣性能的重要原因.

通常船舶發(fā)電機(jī)的故障有定子鐵芯故障、定子繞組故障、轉(zhuǎn)子繞組故障、軸承故障、氣隙偏心故障等.(1)定子鐵芯故障.經(jīng)過長時間的運(yùn)行，如果電機(jī)自身振動較為強(qiáng)烈，通常會導(dǎo)致電機(jī)定子鐵芯片間絕緣損壞.當(dāng)軸承遭到損壞時，很可能導(dǎo)致轉(zhuǎn)子與定子之間發(fā)生摩擦而損壞定子鐵芯.(2)定子繞組故障.老化、過熱、潮濕、振動、磨損等原因會導(dǎo)致電機(jī)絕緣能力下降，從而出現(xiàn)繞組匝間短路或接地等.(3)轉(zhuǎn)子繞組故障.電機(jī)的頻繁起動或過載運(yùn)行致使轉(zhuǎn)子承受較大的應(yīng)力.如果長期承受應(yīng)力，會導(dǎo)致轉(zhuǎn)子導(dǎo)條和端環(huán)產(chǎn)生疲勞，逐漸發(fā)生斷裂和開焊，引起轉(zhuǎn)子故障.(4)軸承故障.軸承用于前后兩端支撐電機(jī)，軸承內(nèi)圈和轉(zhuǎn)子高速運(yùn)轉(zhuǎn)，承受較大的載荷，易發(fā)生故障.(5)氣隙偏心故障.當(dāng)存在氣隙時，氣隙磁導(dǎo)沿圓周方向出現(xiàn)不均勻，從而產(chǎn)生繞組的諧波分量，同時產(chǎn)生不同于正常運(yùn)行時的電磁力波，作用于電機(jī)的轉(zhuǎn)子和定子.

1.2 船舶發(fā)電機(jī)故障診斷方法

船舶發(fā)電機(jī)故障診斷方法主要來源于陸上電力系統(tǒng)的故障診斷方法.結(jié)合陸上故障診斷的方法，船舶發(fā)電機(jī)故障診斷主要采取基于數(shù)學(xué)模型法、直接測量法、專家診斷法、故障樹分析法和人工神經(jīng)網(wǎng)絡(luò)法等的診斷方法.祝福[2]基于數(shù)學(xué)模型法,通過分析故障機(jī)理提出診斷匝間短路故障的方法；陳佳等[3]采用改進(jìn)型故障樹分析法對引起船舶電力系統(tǒng)故障的各因素進(jìn)行綜合評價；呂傳文[4]采用蟻群優(yōu)化算法同時結(jié)合人工神經(jīng)網(wǎng)絡(luò)法對船舶發(fā)電機(jī)故障進(jìn)行診斷和評價；李少遠(yuǎn)等[5]將數(shù)據(jù)融合技術(shù)應(yīng)用于船舶電站故障診斷系統(tǒng)中，取得良好的效果.

本文將多種群遺傳算法與反向傳播(Back-Propagation, BP)神經(jīng)網(wǎng)絡(luò)算法相結(jié)合應(yīng)用于船舶發(fā)電機(jī)的故障診斷，通過遺傳算法(Genetic Algorithm, GA)改善BP網(wǎng)絡(luò)收斂速度慢、易產(chǎn)生局部最小值的缺點，再通過多種群遺傳算法改善GA的搜索和尋優(yōu)效果并抑制其早熟收斂問題的發(fā)生[6-7]，以期在該領(lǐng)域取得有效的應(yīng)用.

2 多種群遺傳神經(jīng)網(wǎng)絡(luò)

多種群遺傳神經(jīng)網(wǎng)絡(luò)算法是將多種群遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種綜合性算法.該算法采用多種群遺傳算法，一方面對神經(jīng)網(wǎng)絡(luò)中初始權(quán)值和閾值的選取進(jìn)行優(yōu)化，有效改善神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢、不能保證收斂到全局最小值的缺點；另一方面多種群遺傳算法對標(biāo)準(zhǔn)遺傳算法(Standard Genetic Algorithm, SGA)進(jìn)行優(yōu)化，有效解決GA早熟收斂的問題.因此，多種群遺傳神經(jīng)網(wǎng)絡(luò)算法具備GA和神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點，并能改善GA和神經(jīng)網(wǎng)絡(luò)的主要缺點.

GA是建立在自然選擇原理和遺傳機(jī)制上的迭代式自適應(yīng)概率性的搜索方法，它模擬自然界生物進(jìn)化的規(guī)律，實現(xiàn)對目標(biāo)的優(yōu)化[8-9],具有良好的魯棒性、廣泛的適應(yīng)性[10]以及快速的全局收斂性，能實現(xiàn)大概率最優(yōu)和全局最優(yōu)解.主要的遺傳操作包括編碼、適應(yīng)度評估、選擇、交叉和變異.SGA流程詳見圖1.編碼一般采用二進(jìn)制編碼，除此之外還有浮點數(shù)編碼方法、格雷碼、符號編碼方法、多參數(shù)編碼方法等.適應(yīng)度計算用于進(jìn)行個體優(yōu)劣程度的檢驗.然而GA的早熟收斂現(xiàn)象是不容忽視的問題，主要體現(xiàn)在出現(xiàn)超長個體時出現(xiàn)的群體停止不前、交叉概率與變異概率取值不合理、群體規(guī)模較小等方面.

針對GA存在的問題，引入多種群遺傳算法代替SGA.其優(yōu)點體現(xiàn)在：引入多個種群時進(jìn)行優(yōu)化搜索，實現(xiàn)不同的搜索目的；通過移民算子實現(xiàn)多種群協(xié)同進(jìn)化，從而得到最優(yōu)解；實現(xiàn)的主要操作包括移民算子選擇、適應(yīng)度計算、選擇函數(shù)、交叉算子和人工選擇算子.交叉概率和變異概率決定多種群算法的全局搜索和局部搜索能力.采用不同的控制參數(shù)對多個種群協(xié)同進(jìn)化，能兼顧算法的全局搜索和局部搜索.多種群遺傳算法流程詳見圖2.

圖1 SGA流程

圖2 多種群遺傳算法流程

BP神經(jīng)網(wǎng)絡(luò)算法是以誤差梯度下降作為收斂條件的學(xué)習(xí)算法[11]，具有完好的并行處理能力、自學(xué)習(xí)能力和聯(lián)想記憶能力，在故障診斷和預(yù)測方面得到廣泛應(yīng)用,然而其易陷入局部極小值的缺點制約該算法的效果[12].

將多種群遺傳算法與BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，利用多種群遺傳算法的優(yōu)點優(yōu)化BP網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值的學(xué)習(xí)，使之達(dá)到理想效果.

2 多種群遺傳神經(jīng)網(wǎng)絡(luò)的設(shè)計

多種群遺傳BP神經(jīng)網(wǎng)絡(luò)主要包括BP網(wǎng)絡(luò)結(jié)構(gòu)確定、利用多種群遺傳算法優(yōu)化權(quán)值和閾值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測.其中BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)根據(jù)樣本的輸入/輸出參數(shù)的個數(shù)確定，以此確定GA要優(yōu)化的參數(shù)個數(shù)，從而確定種群個體的編碼長度.

2.1 網(wǎng)絡(luò)創(chuàng)建及種群初始化編碼

一般三層網(wǎng)絡(luò)可以較好地解決模式識別問題.

s1=2i1+1

式中：s1為隱含層神經(jīng)網(wǎng)絡(luò)個數(shù)；i1為輸入層神經(jīng)元個數(shù).設(shè)輸出參數(shù)為o1，則權(quán)值數(shù)量為q1=i1s1+s1o1，閾值數(shù)量為z1=o1+s1，所以多種群遺傳算法要優(yōu)化的參數(shù)個數(shù)為c1=q1+z1.隨機(jī)產(chǎn)生m個初始化種群

W=(w1,w2,…,wm)T

式中：m的取值取決于閾值和權(quán)值的個數(shù).

2.2 適應(yīng)度計算

將經(jīng)初始化的權(quán)值和閾值代入BP神經(jīng)網(wǎng)絡(luò)，先使用樣本訓(xùn)練網(wǎng)絡(luò)，再使用測試樣本測試網(wǎng)絡(luò)，得到測試誤差e=∑|osc-osj|.其中，osc為輸入測試樣本的網(wǎng)絡(luò)輸出值，osj為網(wǎng)絡(luò)實際輸出值.適應(yīng)度計算函數(shù)為

f=1/e

2.3 選擇

采用轉(zhuǎn)輪法進(jìn)行選擇操作.利用每個個體適應(yīng)度函數(shù)值的概率決定其后代遺傳的可能性.下一代被選取的概率

2.4 交叉

交叉操作是GA中最重要的操作,通過交叉操作可以得到新一代個體.新個體組合父輩個體的特性.交叉體現(xiàn)信息交換的思想.[13]以交叉概率Pc進(jìn)行算術(shù)交叉，以確定選擇的個體位置.

式中：c為0～1之間的隨機(jī)數(shù).

2.5 變異

變異是對于隨機(jī)選擇的個體以一定的概率隨機(jī)改變串結(jié)構(gòu)數(shù)據(jù)中的某個串的值的行為.以變異概率Pm進(jìn)行變異操作.

式中：xmax為染色體的最大值；xmin為染色體的最小值；g為當(dāng)前進(jìn)化代數(shù)；Gmax為最大進(jìn)化代數(shù).

2.6 多種群遺傳算法

為有效克服GA中的早熟現(xiàn)象，采用多種群遺傳算法使整個進(jìn)化過程隨著種群規(guī)模的變化而變化.此方法能有效提高GA的全局收斂能力[6],算法流程如下：

(1)設(shè)i=0,隨機(jī)產(chǎn)生初始種群P(0)，種群規(guī)模為N.

(2)判斷種群是否符合條件,若符合則輸出最優(yōu)個體的目標(biāo)函數(shù)及最優(yōu)解,否則轉(zhuǎn)向(3).

(3)進(jìn)行選擇、交叉、變異操作，產(chǎn)生中間種群P′(i),其規(guī)模與P(i)相同.

(4)判斷當(dāng)前種群是否符合擴(kuò)大種群規(guī)模的要求，符合則隨機(jī)引入P′(i)，擴(kuò)大其種群規(guī)模直至滿足設(shè)定要求,得到下一代種群P(k+1)，返回(2)；否則，轉(zhuǎn)向(5).

(5)淘汰不良個體，縮小P′(i)的種群規(guī)模,得到P(k+1)，返回(2).

2.7 融合

采用多種群遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，再通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí),這樣不但能克服BP網(wǎng)絡(luò)容易陷入局部極小值的缺點，也能充分利用神經(jīng)網(wǎng)絡(luò)的非線性逼近能力[14]，實現(xiàn)優(yōu)勢互補(bǔ)，避免各自的缺陷，得到更好的結(jié)果.多種群遺傳神經(jīng)網(wǎng)絡(luò)的算法流程見圖3.

圖3 多種群遺傳神經(jīng)網(wǎng)絡(luò)流程

3 船舶發(fā)電機(jī)故障診斷實例

以船舶發(fā)電機(jī)故障為研究對象，通過多種群遺傳神經(jīng)網(wǎng)絡(luò)方法進(jìn)行故障診斷.輸入5個故障特征樣本級，即分別為正常、定子故障、轉(zhuǎn)子故障、軸承故障、氣隙偏心故障等5個狀態(tài)的振動信號頻譜圖的特征頻段[15]，將相關(guān)信號進(jìn)行歸一化處理，作為網(wǎng)絡(luò)的輸入.

在不同的工況下運(yùn)轉(zhuǎn)時，采集5種典型狀態(tài)下的船舶發(fā)電機(jī)組同步發(fā)電機(jī)的90組樣本數(shù)據(jù)，各類狀態(tài)下樣本分別為18組.經(jīng)過歸一化處理后，取其中的85組作為網(wǎng)絡(luò)的訓(xùn)練樣本，5組作為測試樣本.樣本有5個輸入?yún)?shù)，5個輸出參數(shù)(Yi,i=1,2,…,5).在此多種群神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5-11-5，即輸入層有5個節(jié)點，隱含層有11個節(jié)點，輸出層有5個節(jié)點，共有110(=5×11+11×5)個權(quán)值，16(=11+5)個閾值,因此優(yōu)化參數(shù)的個數(shù)為126(=110+16).在神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig(),輸出層神經(jīng)元的傳遞函數(shù)采用S型對數(shù)函數(shù)logsig().

通過對數(shù)據(jù)的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)診斷樣本的實際輸出見表1，其測試樣本的仿真誤差為0.060 428.通過多種群遺傳神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為1 000，訓(xùn)練目標(biāo)為0.01，學(xué)習(xí)速率為0.01，種群數(shù)目定為10，代溝設(shè)為0.9,對測試樣本的診斷結(jié)果見表2，其測試樣本的仿真誤差最優(yōu)結(jié)果為0.001 197 4.

表1 神經(jīng)網(wǎng)絡(luò)診斷樣本實際輸出

表2 多種群遺傳神經(jīng)網(wǎng)絡(luò)診斷樣本實際輸出

從仿真得到的結(jié)論以及仿真誤差看，基于多種群遺傳神經(jīng)網(wǎng)絡(luò)得出的診斷結(jié)果更逼近期望輸出結(jié)果，故障點的輸出結(jié)果更接近1，其他點的輸出值更趨于0.從仿真誤差看，多種群遺傳神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)比神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)相對較少，而且前者產(chǎn)生的仿真誤差遠(yuǎn)小于后者，表明多種群遺傳神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度高，相對收斂速度快，符合診斷的要求.多種群遺傳神經(jīng)網(wǎng)絡(luò)仿真誤差、仿真最優(yōu)誤差及網(wǎng)絡(luò)進(jìn)化過程見圖4～6.從圖4和5可以看出，經(jīng)過參數(shù)調(diào)節(jié)后，最終得出的是最佳值的結(jié)果，因此在圖中訓(xùn)練值和最佳值是重合的.

圖4 多種群遺傳神經(jīng)網(wǎng)絡(luò)仿真誤差

4 結(jié) 論

本文采用多種群遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值用于船舶發(fā)電機(jī)的故障診斷.經(jīng)過對比發(fā)現(xiàn)，該方法可以提高診斷精度，克服BP神經(jīng)網(wǎng)絡(luò)容易產(chǎn)生局部收斂的缺點,對于提高船舶發(fā)電機(jī)的故障診斷效果有較大的參考價值.

圖5 多種群遺傳神經(jīng)網(wǎng)絡(luò)仿真最優(yōu)誤差

圖6 多種群遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)化過程

參考文獻(xiàn)：

[1] 馬偉明. 艦船動力發(fā)展的方向——綜合電力系統(tǒng)[J]. 海軍工程大學(xué)學(xué)報, 2002, 14(6): 5-8.

[2] 祝福. 大型船舶發(fā)電機(jī)短路故障分析與診斷方法探討[J]. 電機(jī)技術(shù), 2005(2): 56-58.

[3] 陳佳, 王建華, 張冰, 等. 船舶電站故障診斷中的數(shù)據(jù)融合算法[J]. 電力自動化設(shè)備, 2006, 26(3): 28-31.

[4] 呂傳文. 基于蟻群神經(jīng)網(wǎng)絡(luò)船舶發(fā)電機(jī)故障診斷[J]. 科學(xué)技術(shù)與工程, 2010, 10(22): 5595-5598.

[5] 李少遠(yuǎn), 李檸. 復(fù)雜系統(tǒng)的模糊預(yù)測控制及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2003: 15-17.

[6] 李軍華. 基于知識和多種群進(jìn)化的遺傳算法研究[D]. 南京: 南京航空航天大學(xué), 2009.

[7] 李純蓮, 王希誠, 趙金城, 等. 一種基于信息熵的多種群遺傳算法[J]. 大連理工大學(xué)學(xué)報, 2004, 44(4): 589-593.

[8] 楊智民, 王旭, 莊顯義. 遺傳算法在自動控制領(lǐng)域中的應(yīng)用綜述[J]. 信息與控制, 2000, 29(4): 329-339.

[9] 彭志剛, 張紀(jì)會, 徐心和. 基于遺傳算法的知識獲取及其在故障診斷中的應(yīng)用研究[J].信息與控制,1999, 28(5): 391-395.

[10] 秦偉娜. 基于多種群的遺傳算法研究[D]. 山東: 山東師范大學(xué), 2009.

[11] 朱武亭, 劉以建. BP網(wǎng)絡(luò)應(yīng)用中的問題及其解決[J]. 上海海事大學(xué)學(xué)報， 2005, 26(2): 64-66.

[12] 朱建元. 基于BP神經(jīng)網(wǎng)絡(luò)與時間序列分析的柴油機(jī)故障診斷[J]. 上海海事大學(xué)學(xué)報, 2006, 27(4): 22-27.

[13] 白治江, 劉廣鐘. 遞歸式多目標(biāo)遺傳算法[J]. 上海海事大學(xué)學(xué)報, 2007, 28(2): 62-67.

[14] 王梅冬. 基于遺傳-神經(jīng)網(wǎng)絡(luò)的電機(jī)故障網(wǎng)絡(luò)化在線診斷研究[D]. 天津: 天津理工大學(xué), 2006.

[15] 牛洪瑜. 基于神經(jīng)網(wǎng)絡(luò)的船舶柴油發(fā)電機(jī)組的故障診斷[D]. 蘭州: 蘭州理工大學(xué), 2007.