基于遺傳神經網絡的水電機組故障診斷模型

趙永標 ，張其林，康長青

(襄樊學院 數學與計算機科學學院，湖北 襄樊 441053)

基于遺傳神經網絡的水電機組故障診斷模型

趙永標 ，張其林，康長青

(襄樊學院 數學與計算機科學學院，湖北 襄樊 441053)

將遺傳神經網絡引入水電機組的故障診斷中，建立基于遺傳神經網絡的水電機組故障診斷模型，通過Matlab的相關工具箱進行仿真. 結果表明遺傳神經網絡診斷的正確性高于BP網絡.

故障診斷；神經網絡；遺傳算法；水電機組

人工神經網絡以其高度的并行處理能力，自組織及自學習和較強的聯想記憶能力，在故障診斷中顯示了強大的生命力，其中尤以BP網絡應用最為廣泛，但BP算法是一種基于誤差梯度下降的學習法，該方法容易陷入局部最小點，影響網絡的精度.

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的方式尋求到問題的最優解[1].遺傳神經網絡將遺傳算法用于權值的學習，在一定程度上克服了 BP算法易陷入局部最小的缺點. 本文將遺傳神經網絡應用到水電機組的故障診斷中，取得了良好的效果.

1 遺傳神經網絡概述

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

將遺傳算法應用于網絡結構的優化或權值的學習，這種神經網絡被稱為遺傳神經網絡. 本文所涉及的遺傳神經網絡僅將遺傳算法用于權值的學習. 設有一BP網絡，用遺傳算法學習網絡權值的步驟如下：

(1)確定網絡的結構參數，包括網絡層數，各層神經元的個數以及神經元傳輸函數.

(2)選取合適的編碼方案將網絡權值進行編碼.

(3)確定適應度函數，一般選網絡的均方誤差(MSE)或平方和誤差(SSE)的倒數作為適應度函數.

(4)用遺傳算法進行訓練，訓練結束后解碼得到網絡的權值.

圖1 遺傳算法流程圖

2 基于遺傳神經網絡的水電機組故障診斷模型

2.1 樣本數據

水電機組的故障復雜，但大多以振動的形式表現出來，文獻[2-3]總結了水電機組的振動故障的頻率特征，文獻[4]在文獻[2-3]的基礎上，對貴州索風營水電廠機組監測系統的實測振動數據進行分析得到水電機組的典型故障樣本數據，如下表所示：≧ 3f、50Hz或100Hz ；c6~c9分別為振動與轉速關系、振動與負荷的關系、振動與流量的關系. (2)故障類型：1~5分別表示選轉子不對中、動靜碰摩、轉子質量不平衡、尾水管偏心渦帶、磁極不均勻五類故障.

表1 水電機組典型故障樣本[4]

2.2 模型設計

選取三層BP網絡，輸入和輸出層神經元個數分別為9和5，隱層神經元個數的確定參考如下經驗公式：，其中R，S2分別為輸入和輸出層神經元個數，a為[1,10]上的常數，經過反復嘗試，a取 7比較合適，故隱層神經元個數為 10. 隱層神經元和輸出層神經元分別采用雙曲 S型函數和S型函數；選取實數編碼方案，每個個體包含S個基因. 其中，R、S1、、S2分別為輸入層，隱層和輸出層神經元個數；適應度函數選取網絡的均方誤差(MSE)的倒數，即 f( k )=1/M SE( k )，其中MSE( k)為個體的均方誤差.

其中：(1)征兆數據：c1~c6分別為振動信號頻譜中的6個頻率特征量，即0.18~0.2f、1/6~1/2f、1f、2f、

2.3 模型實現

使用Matlab的遺傳算法工具箱(GAOT)實現遺傳算法對網絡權值的訓練，關鍵代碼如下：

為了便于比較，使用Matlab的神經網絡工具箱(NNET)實現對應的BP診斷模型，關鍵代碼如下：

訓練結束后，使用表2中的測試樣本，對以上兩個診斷模型進行測試，測試結果如表3所示.

表2 故障測試樣本[4]

運用閾值判別條件：設置閾值為0.5，如果輸出小于0.5，則解釋為這種故障沒有發生，反之則解釋為該故障發生[4]. 從表3可以看出，顯然兩者的診斷結果都是3號故障(轉子質量不平衡)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小于閾值. 因此，診斷為轉子質量不平衡故障，與文獻[4]相符. 但相比BP網絡，遺傳神經網絡的診斷正確性有所提高.

3 結論

遺傳神經網絡能克服傳統 BP網絡易陷入局部最小的缺點，網絡精度更高. 本文將遺傳神經網絡引入水電機組的故障診斷中. 仿真結果表明，其診斷正確性高于BP網絡，雖然如此，其訓練速度不及BP網絡，這是下一步的研究方向.

[1] 王 鶴, 周東祥, 宋委遠, 等.基于遺傳神經網絡的混合氣體識別研究[J].華中科技大學學報: 自然科學版, 2007, 35(9): 118-120.

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

[3] 沈 東, 褚福濤, 陳 思. 水輪發電機組振動故障診斷與識別[J].水動力學研究與進展, 2000, 15(1): 129-133.

[4] 粱武科, 趙道利, 馬 薇, 等. 基于粗糙集-RBF神經網絡的水電機組故障診斷[J]. 儀器儀表學報, 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(1980— ), 男, 湖北洪湖人, 襄樊學院數學與計算機科學學院講師.

饒 超)