基于遺傳算法的推進電機的預測模型

呂 青

（武漢船舶職業(yè)技術學院機械工程學院，湖北武漢 430050）

狀態(tài)評估技術是船舶監(jiān)控技術的共性技術，它能提高船舶監(jiān)控系統(tǒng)的性能，對船舶電力推進系統(tǒng)進行狀態(tài)評估的研究在國際上也是一個新的概念。以人工神經(jīng)網(wǎng)絡作為推進電機的狀態(tài)評估方法，通過仿真建立狀態(tài)評估模型，是這一課題目前的研究方向。而預測性是狀態(tài)評估系統(tǒng)的重要性質，如何建立一個精確有效、可行的預測模型，是做好狀態(tài)評估系統(tǒng)的關鍵。

1 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡算法流程

BP神經(jīng)網(wǎng)絡是目前應用最為廣泛的神經(jīng)網(wǎng)絡，它一般包含輸入層、隱含層和輸出層，該算法是以多層感知器為基礎的，因而人們通常把多層感知器稱為BP神經(jīng)網(wǎng)絡。應用遺傳算法優(yōu)化該神經(jīng)網(wǎng)絡，可以對結構、權值和閾值矩陣進行優(yōu)化，遺傳算法的個體編碼就分為兩個部分，第一部分是對網(wǎng)絡結構的優(yōu)化，第二部分是對權值、閾值矩陣的的優(yōu)化，但是因為網(wǎng)絡結構的改變會使權值、閾值的數(shù)目發(fā)生變化，這樣操作以后會使得每次學習的個體長度不同，個體間就沒有辦法進行交叉，也就沒有實際的訓練意義。鑒于以上原因，本文僅采用常規(guī)的對權值、閾值矩陣進行優(yōu)化，而不對網(wǎng)絡結構進行優(yōu)化。

對BP 神經(jīng)網(wǎng)絡進行優(yōu)化有以下幾個步驟：首先是BP神經(jīng)網(wǎng)絡結構的確定，即確定其各層神經(jīng)元的個數(shù)，優(yōu)化權值和閾值。開始時系統(tǒng)會預先給出初始的權值和閾值，若是單純的訓練往往不能達到最優(yōu)，所以要用其他方法對其進行優(yōu)化。然后是BP 神經(jīng)網(wǎng)絡訓練及預測仿真實現(xiàn)，建立了網(wǎng)絡之后，就要通過輸入輸出數(shù)據(jù)，對網(wǎng)絡進行訓練，這和前面的優(yōu)化是同步的，訓練結束了，就通過輸入預測樣本得到預測數(shù)據(jù)，并把得到的預測數(shù)據(jù)與真實數(shù)據(jù)作比較，若在誤差范圍內(nèi)，則證明模型可靠。其中，BP神經(jīng)網(wǎng)絡的拓撲結構是根據(jù)樣本輸入輸出參數(shù)個數(shù)確定的，這樣就可以確定遺傳算法優(yōu)化參數(shù)的個性，即各神經(jīng)元間彼此聯(lián)系的個數(shù)，從而確定種群個體的編碼長度。其算法流程如圖1所示。

圖1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡算法流程圖

2 預測模型建模

2.1 神經(jīng)網(wǎng)絡算法的實現(xiàn)

（1）確定訓練樣本，表1為推進電機變壓器的某一相電壓、電流、繞組溫度的實測數(shù)據(jù)。數(shù)據(jù)是每秒采集一次，共采集到16 組數(shù)據(jù)。如表1，前10組數(shù)據(jù)作為訓練樣本，后6組數(shù)據(jù)用來測試預測模型的精確程度。

表1 推進變壓器的實測參數(shù)

（2）創(chuàng)建網(wǎng)絡，對于BP網(wǎng)絡結構的確定有兩點需要注意，首先是對于大多數(shù)問題，三層網(wǎng)絡足以解決，另外就是隱含層神經(jīng)元的個數(shù)m 的計算：m=2×n+1，其中n為輸入層神經(jīng)元個數(shù)，這是用一般求隱含神經(jīng)元數(shù)目的方法。

這里，n=3，所以m=7。BP 神經(jīng)網(wǎng)絡的結構是3-7-1結構，即輸入層、隱含層和輸出層分別有3個、7個和1個神經(jīng)元。所以共有8×7+7×1=63個權值。7+1=8個閾值。所以遺傳算法優(yōu)化參數(shù)的個數(shù)為63+8=71個。

（3）網(wǎng)絡訓練與測試，網(wǎng)絡訓練是一個不斷調(diào)整權值和閾值的過程，訓練的目的就是使得網(wǎng)絡的輸出誤差越來越小，這時會得到最佳的網(wǎng)絡權值和閾值。網(wǎng)絡訓練完之后，對網(wǎng)絡進行仿真測試，所使用的是sim 函數(shù)，也是通過這個函數(shù)仿真出來參數(shù)的預測值。下面給出本次預測得到的預測值［467.5328 654.9285 27.8543；468.8529 648.3243 29.2439；468.4936 652.8793 31.3681］。這 與 真 實 值［467.2 893.3 28.6；468.5 896.3 28.4；468.4 898.5 29.4］之間的比較可以從圖2、圖3、圖4看出。

圖2 預測輸出與期望輸出的比較

圖3 BP網(wǎng)絡預測誤差

圖4 神經(jīng)網(wǎng)絡預測誤差百分比

在以上各圖中，點1、4、7為電壓參數(shù)，點2、5、8為電流參數(shù)，點3、6、9 為繞組溫度參數(shù)。從上面三張圖可以看出，所預測的三個參數(shù)中電壓和繞組溫度的預測值與真實值相差不大，電流預測值與真實值差異較大。這是由于樣本數(shù)據(jù)很少，所以為了達到一定數(shù)目的訓練樣本，不得不壓縮輸入矩陣的長度，使得僅是用前三個時間點的數(shù)據(jù)去預測下一個時間點的數(shù)據(jù)，而數(shù)據(jù)中的電流存在較大突變，如此少的數(shù)據(jù)，網(wǎng)絡很難模擬出真實的內(nèi)部變化趨勢，所以對于不穩(wěn)定的參數(shù)，預測就不理想。所以在實際的應用中應盡可能多的采集數(shù)據(jù)，使訓練樣本增多，這樣不僅可以使輸入矩陣的長度增加以更好地逼近設備真實運行趨勢，使預測精度增加，也可以通過設置訓練輸出矩陣，增加更晚時間的輸出，使預測模型可以預測下幾個時間點的數(shù)據(jù)。

2.2 遺傳算法實現(xiàn)

利用遺傳算法對BP 神經(jīng)網(wǎng)絡進行優(yōu)化，使得優(yōu)化后的模型輸出的預測數(shù)據(jù)比較好地吻合實際數(shù)據(jù)。其優(yōu)化過程的具體步驟如下：

（1）對種群進行初始化，一般都是使用實數(shù)編碼對個體進行編碼，每個個體都是一組實數(shù)串，有四個組成部分，這四個部分包括兩組權值和兩組閾值，他們分別來處三層神經(jīng)網(wǎng)絡的各個層。

（2）確定適應度函數(shù)，計算公式如下：

式中F即為輸出誤差絕對值之和，K 為系數(shù)。

（3）選擇操作，選擇操作的方法很多，應根據(jù)具體情況具體選擇。常用的有輪盤賭法和錦標賽法，這里采用的是輪盤賭法。

（4）交叉操作，在這里使用的是實數(shù)交叉法。

（5）變異操作，變異以一定概率產(chǎn)生變異基因，在這里用隨機方法產(chǎn)生變異基因。

經(jīng)遺傳算法的BP 神經(jīng)網(wǎng)絡，從第二代開始其平均適應度就與最佳適應度值相接近，這說明優(yōu)化效果是比較理想的。

這里可以得出的結論是，本文所建立的用遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡，所建立的預測模型可以很好的預測變壓器的未來狀態(tài)參數(shù)，使誤差達到很小，這說明所建立的預測模型是真實可靠的。

3 推進電機指標參數(shù)的預測

（1）確定訓練樣本，這里用到的推進電機的訓練樣本如表2所示。有電機的8個參數(shù)的6組數(shù)據(jù)，是從電機正常模式下仿真出來的數(shù)據(jù)中抽取的比較典型的數(shù)據(jù)樣本，并非按時間序列排列。對正常模式下的6組數(shù)據(jù)進行預測，這6組數(shù)據(jù)是按照時間序列排列的，并將得到的預測數(shù)據(jù)用于后面的狀態(tài)評估，驗證其是否為正常模式。對樣本的處理是有三組訓練樣本集和一組測試集，并將用測試集所得到的預測數(shù)據(jù)作為后面評估的預測樣本。

表2 推進電機的訓練樣本

（2）創(chuàng)建網(wǎng)絡，其為設計的三層BP 網(wǎng)絡，各層神經(jīng)元數(shù)目分別為：3、7、1。

（3）網(wǎng)絡訓練與預測，根據(jù)以上說明用正常模式的六組數(shù)據(jù)得到的訓練樣本對模型進行訓練，用測試樣本對下一時刻的參數(shù)進行預測，并得到預測 數(shù) 據(jù)［586.0 593.0 585.0 562.0 224.0 31298.0 38.00.916］。從得到的預測數(shù)據(jù)可以看出，本次預測所得參數(shù)數(shù)據(jù)均在設備正常運行參數(shù)范圍之內(nèi)，即預測的下一時刻設備狀況也在正常模式下。

4 結 語

建立了基于遺傳算法的預測模型，運用推進變壓器的實際運行參數(shù)，對預測模型進行仿真，驗證了基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測方法的可行性和優(yōu)越性。

1 高海波.船舶電力推進系統(tǒng)的建模與仿真［D］.武漢：武漢理工大學，2008

2 余建新.船舶電力系統(tǒng)狀態(tài)評估方法研究［J］.船舶工程，2008，30（6）：39—41

3 吳莉琳.變壓器狀態(tài)評估與信息管理系統(tǒng)的研究［D］.北京：華北電力大學，2004

4 蔣宗禮.人工神經(jīng)網(wǎng)絡導論［M］.北京：高等教育出版社，2001

5 田景文，高美娟.人工神經(jīng)網(wǎng)絡算法研究及應用［M］.北京：北京理工大學出版社，2006