粗糙集—遺傳算法在水輪發電機組故障診斷中的應用

郭威

【摘 要】針對水輪機組狀態監測在運行過程中產生的大量數據，采用粗糙集—遺傳算法的方法進行判斷分類，進一步的分析數據中判別機組的運行狀態，分析故障產生的原因，找到故障發生的部位的。實例分析表明，粗糙集—遺傳算法的方法進行水輪機組的故障診斷，在原有的水輪機組故障信息進行屬性約簡，可以獲得較好的診斷。該方法可以在水輪機組故障診斷中得到應用。

【關鍵詞】粗糙集；遺傳算法；水輪機發電組故障診斷

中圖分類號： TP18；TP393.08 文獻標識碼： A 文章編號： 2095-2457（2018）35-0144-003

DOI：10.19694/j.cnki.issn2095-2457.2018.35.061

0 引言

隨著水電事業的蓬勃發展，越來越多的大、中型水輪發電機組不斷的投產運行，其在電力行業中所占比重也在不斷的增加。而水輪發電機組的正常運行對電力系統的安全與穩定密切相關，所以對水輪發電機組的狀態監測至關重要。對水輪發電機組的狀態監測主要包括水輪機組的振動、擺度、壓力脈動等。如何快速、準確的在水輪發電機組中的大量數據中找到有效的信息、發現隱含的規律、判斷故障類型、找到故障發生部位，具有重要的意義。粗糙集和遺傳算法在約簡信息、發現隱藏規律方面有著其獨特的優勢，可以引入到水輪發電機組故障診斷中。

1 粗糙集-遺傳算法

1.1 粗糙集簡介

粗糙集（Rough Sets），是Pawlak在1982年提出的一種定量分析處理不確定、不一致、不完整信息和知識的數學工具[1]。假若把粗糙集，簡化為一個簡單的知識表達系統（信息表），可以把其定義為：U。利用等價關系的數據處理方法，得到了一個準確、嚴格的數學劃分方法。U=（A，B，V，F），其中A代表信息表中的所有對象的集合、B代表屬性集合。其中B由條件屬性C與決策屬性D組成且C∩D=？準、C∪D=B。其中C可以由自己定義多個條件屬性的集合即C=C1∪C2∪C3......、C1∩C2∩C3......=？準。V代表屬性值的集合，V= V ，Vr代表屬性r？哿R的范圍。F是一個信息函數，指定A中每一個對象的屬性值。粗糙集理論中用邊界的方法表示模糊的概念，即上、下近似。假設 B與U等價，則上近似B*（x）：所有與集合A相交且非空等價類的并集，是那些可能屬于對象X的最小的組合，。下近似B*（x）根據現有的知識判斷屬于X對象的最大組合， 。其粗糙度可以用α表示：

1.2 知識約減

粗糙集中的知識約減主要指，在不影響知識庫分類的前提條件下，刪除掉無關的條件屬性。通過約減將復雜的決策表約減掉冗余的屬相得到最小的條件屬性決策表。知識約減通常包含以下3個步驟[2]：

1）簡化條件數性：從決策表中消去某些列。

2）消去重復的行：在條件屬性最最簡的決策表中消除完全相同的決策對象。

3）消去屬性的冗余值：對上述處理后的約減可以進一步的進行消去，近似到最小約減。

雖然約減后的決策表是不完整的決策表但是不影響其在原有知識能力的基礎上進行分類。

2.3 遺傳算法

遺傳算法通常包括：1）編碼方法；2）適應度函數其保存策略則為最優保存策略。編碼方法：由于遺傳算法不能直接處理空間數據，故通過編碼將其表示成遺傳空間的基因形串結構。適應度函數：評價個體的優劣程度，適應度越大個體越好，反之適應度越小怎個體越差。因此，遺傳算法也要有適應度為非負數。

本文將粗糙集預處理結果，用遺傳算法進行最終分析。遺傳算法采用二進制的編碼形式，那么每位二進制編碼則對應一個條件屬性，比如某一個對象取值是1，則表示選擇其對應的條件屬性。選擇適應度函數：

（1）中：x為當前的染色體也就是指二進制位串；L為染色體長度也就是指待約減的條件屬性集合的長度，Ln為x中1的個數；K（x）為條件屬性對決策屬性的支持的程度。

3 粗糙集—遺傳算法在水輪機組故障診斷中的應用

基于粗糙集—遺傳算法在水輪機組故障診斷中的應用過程，如圖1所示。首先將樣本數據如表1所示訓練的樣本數據，訓練抗原集中的1、2、3、4、5、6、7、8、9表示振動信號在低倍頻：（0.4～0.5）X、1倍頻：1X、2倍頻：2X、3倍頻：3X，中的的分量，以及在高倍頻：>3X，在整個信號能量中占的的比重。經過粗糙集的劃分、整合得到表2未經離散化的樣本數據的粗糙集劃分。其中，表2，中a、b、c、d等代表條件屬性，決策屬性列中的1代表渦帶偏心、2代表不平衡、3代表不對中。將訓練的樣本數據利用離散化方法進行離散化，然后根據需要，采用屬性約簡的方法刪除重復的信息，獲得判斷決策表及識別擬合圖。

選取PC=0.7，Pm=0.01，Max_Gen=100，可以得到最優解。經過約減不必要列元素g、h、j后可得到表3.約減后的決策表，可知在渦帶偏心的主要集中a、b兩列，不平衡主要集中在c、d兩列，不對中主要集中在e、f兩列，其中*代表可約減的元素。由圖1粗糙集—遺傳算法的擬合圖可知在30-110左右時擬合效果最好，能夠準確的區分不同故障類型。

4 結論

粗糙集可以處理不確定、不完整的信息，被應用于數據挖掘、智能控制等領域。而遺傳算法具有優秀的全局尋優能力。基于上述兩種算法的優點。本文通過粗糙集—遺傳算法的方法進行水輪機組的故障診斷，在原有的水輪機組故障信息進行屬性約簡，但是保持了與原有決策表相同的分類能力。該方法可以在水輪機組故障診斷中得到應用。

【參考文獻】

[1]Pawlak Z.Rough set.International Journal of Computer and Information Sciences.1982.11（5）：341-356.

[2]HOLLAND J H.Adaptation in natural and artificial systems：an introductory analysis with applications to biology，control，and artificial intelligence[M].2nd ed.Cambridge：MIT Press，1992.

李啟章.水輪發電機組的振動監測和故障診斷系統[J].貴州水力發電，2000，14（3）：50-53.

[4]梁武科，羅興锜，張彥寧，等.水力發電機組振動故障診斷系統中的信號預處理[J].水力發電學報，2003，（3）：114-120.

[5]王榮榮，梁武科，趙道利.基于粗糙集和遺傳算法的水輪發電機組故障診斷方法[J].中國農村水利水電，2007，04.

[6]王學恩，韓崇昭，韓德強等.粗糙集研究綜述[J].控制工程，2013，01.

[7]王國胤，姚一豫，于洪.粗糙集理論及應用研究綜述[J].計算機學報，2009，32（7）：1229-1246.