如何有效利用遺傳算法和神經網絡挖掘汽輪機組數據

摘 要：文章主要論述了建立在遺傳算法以及神經網絡之上的新型汽輪機組數據獲取方式進行了分析，首先對機組故障的歷史數據進行離散化處理，同時予以模糊處理；繼而向前構造出多層的神經網絡。然后將構造完畢的神經網絡通過教師示教的方式予以訓練，通過遺傳算法對圣經網絡進行優化，將神經網絡作為知識的本體，繼而對如何挖掘汽輪機組數據進行分析，主要的算法分為以下四個部分：計算效果度量矩陣；提取規則；計算規則權重；基于遺傳算法的規則修剪。從而實現了新型的汽輪機數據以及故障仿真分析系統，并且該系統的診斷可以達到84%的正確率。

關鍵詞：汽輪機；遺傳算法；神經網絡；數據；故障診斷

在對當前的故障進行診斷時，實際的診斷系統很多都開始應用專家系統診斷技術，并且該項技術在應用中取得了良好的效果。但是區別于傳統的專家系統，例如在原神經網絡中，符號信息的處理本身就具有不可避免的缺陷，因而會引發諸多問題。主要包括，在獲取知識的過程中會遇到無法突破的瓶頸，并且獲取的知識較為脆弱，同時系統推理過于單調等。從專家處獲得的知識以及表達無法準確的進行客觀表示以及定量，為了定性主觀的數據，可以通過挖掘算法，將數據從觀測結果中提取出來，這種故障診斷模式就是目前常用的專家診斷模式。但是實際數據集十分復雜龐大，并且呈現持續、非線性狀態，并伴隨噪音等因素的影響，所以在數據的挖掘中需要一個新型的理論方法對數據予以計算提取。

1 神經網絡以及遺傳算法

神經網絡主要指由神經元，即本元件相互之間進行有效的聯結以此形成的能夠并行處理信息并進行信息的非線性轉換的系統。神經網絡對于信息的處理主要是通過不斷的訓練神經網絡所致，人腦的神經網絡便是通過不斷的信息訓練從而完成記憶、辨識等活動，這便是信息的處理功能。而遺傳算法本身同問題沒有任何關系，其主要是評價每個算法產生的染色體，使得染色體能夠最大程度的進行繁殖。遺傳算法應用的主要模板為染色體相似性的解釋。

2 算法概述

2.1 基本描述

以遺傳算法和神經網絡作為基本計算方式，可以通過以下步驟進行數據的挖掘：第一，可以將示例數集進行劃分，分別標注為A和B，其中使得B中示例數遠遠大于A，對神經網絡采用A進行訓練；第二，待神經網絡訓練完畢后，將B提供給網絡，對B進行判別，并將結果代替示例輸出分量，從而形成新示例集B1；第三，若B1中存在的某一分量組合具有離散性，那么就將具有該組合的示例就屬于某分類，且概率為λ，且在規則if中將該分量組合作為規則的一部分，而在規則then中將分類結果作為其規則的一部分，建立起完整的規則，若組合中不存在離散輸入分量那么則直接執行第六步驟；第四，將上步中的分量組合予以固定，將其他變量隨機變化，形成新的示例，采用原網絡對新生成的示例進行判斷，若判別結果不能同要求相適應，那么上一步驟中的新規則被拒絕，執行上一步驟，否則便接受規則；第五，從B1中將滿足第三步驟的規則示例去除掉，若B1為空，則繼續執行第八步驟，反之則執行第三步驟；第六，若仍舊有連續分量需要繼續進行離散，則選擇連續輸入分量的效果最好的進行分散，執行第三步；第七，將連續分量進行離散處理后，在予以恢復，待全部復原為原始值后，降低的數值若小于預設值則繼續執行第三步；第八，對后件規則相同且具有連續優先級的予以合并；并結束計算。

2.2 實驗簡析

在汽輪機的故障分析系統中，采用遺傳算法且建立在神經網絡讓的低數據挖掘方式，可以對設備故障處理中抽取出相應的規則，并且該規則的抽取是從神經網絡中得來；將該方式抽取出的規則同原神經網絡和C4.5判定樹進行比較，通過比較結果可以看出，通過該方式抽取出的規則具有一定的效果。因此，通過該種算法對汽輪機組中所產生的故障進行分類，是有效的。該問題共包含了一百六十個示例，在該示例集中完成多層神經網絡的訓練過程，該網絡模型精度較高，其原因在于通過該種算法可以有效的對數據繼續擰泛化和降噪，從而使得數據的挖掘效果良好。

3 汽輪機組數據挖掘

汽輪機組數據挖掘及故障診斷系統所確定的汽輪機組狀態參數包括汽輪機組通流部分技術狀況主要狀態參數和汽輪發電機組軸系穩定性主要參數，其中，前者包括自動主汽門前壓力和溫度等23個參數；后者包括發電機有功功率等13個參數。汽輪機組數據挖掘及故障診斷系統的核心功能模塊是“基于遺傳算法的神經網絡優化”和“診斷規則提取”模塊。

3.1 基于遺傳算法的神經網絡優化

傳統的遺傳算法有一些不可避免的缺點，如：易陷入局部最優解，從而導致算法過早收斂，找不到全局最優解。為此引入免疫算子對傳統遺傳算法進行改造。免疫算子是通過免疫選擇來完成，免疫選擇對種群的個體進行濃度計算，按基于濃度的種群更新，通過適應度檢測，選擇優于父代的個體進入下一代群體。傳統遺傳算法的染色體是單層的，容易出現的缺點是：當染色體編碼較長時，染色體中短基因組的實際交叉、變異概率過小。所以，文中提出使用3層染色體結構。第1層是隱層結構基因組，表示前饋型神經網絡中隱層的數目；第2層是神經元基因組，表示某隱層下的神經元個數；第3層基因組采用十進制編碼，表示上層神經元的所有閥值、權值。算法將待求解問題對應為抗原，問題的解對應為抗體。算法首先接收一個抗原（對應特定問題），然后隨機產生一組初始抗體（對應初始候選解）；接著計算每一抗體的適應度，對抗體進行交叉和變異；再通過基于濃度的群體更新策略生成下代抗體群；直至滿足終止條件算法結束。其中，抗體濃度定義為群體中具有最大適應度或近似最大適應度的抗體個數。

3.2 診斷過程分析和實驗結果

針對汽輪機結構中，真空系統的相關數據收集分析以及對設備的故障診斷進行了仿真測試和結果的計算，并設置有一定規則。

如果主機凝汽器二流道出口循環水溫度高限報警，則凝汽器銅管結垢但非凝結水溶氧大（0.9）或凝結水溶氧大但非凝汽器銅管結垢（0.1）；如果主機凝汽器一流道入口循環水溫度高限報警，則凝汽器銅管結垢但非凝結水溶氧大（0.8）或凝結水溶氧大但非凝汽器銅管結垢（0.05）。其中，數字表示規則前提對結論的支持程度。又有事實：汽機真空系統主機凝汽器二流道出口循環水溫度高限報警（0.9）；汽機真空系統主機凝汽器一流道入口循環水溫度高限報警（0.4）。

4 結束語

文章中所論述的對汽輪機的故障診斷方式以及機組數據的挖掘的新方法是基于神經網絡以及相關遺傳算法的新型方式，其主要特點在于，首先同傳統的分析系統相比在獲取知識上基于神經網絡以及遺傳算法的新型數據挖掘以及故障診斷系統能夠很好的解決其難題和瓶頸，而同傳統的神經網絡方式相比，遺傳算法的引入能夠簡化神經網絡的結構，并對其結構性能進行優化；并且建立在該種故障診斷以及規則提取的方法之上，提出了新的剪裁算法，并獲得了及其良好的結果，并且建立在神經網絡的基礎上結合遺傳算法建立起了汽輪機組故障診斷以及數據挖掘的仿真系統。該種系統在置信度上給出較強的輸出，同時相對比其他系統具有更強的容錯性。

參考文獻

[1]吳 ，陳長明，史哲，等.遺傳算法及其改進研究[J].湖北廣播電視大學學報，2011.

[2]陳紅梅，朱若寒.遺傳算法研究現狀與應用[J].科技信息，2011.

[3]排新穎，馬善立.一種改進的遺傳算法及其應用[J].科學技術與工程，2011.