基于遗传神经网络的水电机组故障诊断模型

赵永标 ，张其林，康长青

(襄樊学院 数学与计算机科学学院，湖北 襄樊 441053)

基于遗传神经网络的水电机组故障诊断模型

赵永标 ，张其林，康长青

(襄樊学院 数学与计算机科学学院，湖北 襄樊 441053)

将遗传神经网络引入水电机组的故障诊断中，建立基于遗传神经网络的水电机组故障诊断模型，通过Matlab的相关工具箱进行仿真. 结果表明遗传神经网络诊断的正确性高于BP网络.

故障诊断；神经网络；遗传算法；水电机组

人工神经网络以其高度的并行处理能力，自组织及自学习和较强的联想记忆能力，在故障诊断中显示了强大的生命力，其中尤以BP网络应用最为广泛，但BP算法是一种基于误差梯度下降的学习法，该方法容易陷入局部最小点，影响网络的精度.

遗传算法(GA)是一种高效全局性概率搜索算法，能从概率的意义上以随机的方式寻求到问题的最优解[1].遗传神经网络将遗传算法用于权值的学习，在一定程度上克服了 BP算法易陷入局部最小的缺点. 本文将遗传神经网络应用到水电机组的故障诊断中，取得了良好的效果.

1 遗传神经网络概述

遗传算法(Genetic Algorithm)是一种基于自然选择和基因遗传学原理的优化搜索方法. 它将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应值函数及一系列遗传操作对各个体进行筛选，从而使适应值高的个体被保留下来，组成新的群体，新群体中各个体适应度不断提高，直至满足一定的终止条件. 此时，群体中适应值最高的个体即为待优化参数的最优解. 正是由于遗传算法独具的工作原理，使它能够在复杂空间进行全局优化搜索，并且具有较强的鲁棒性，其具体算法见图1.

将遗传算法应用于网络结构的优化或权值的学习，这种神经网络被称为遗传神经网络. 本文所涉及的遗传神经网络仅将遗传算法用于权值的学习. 设有一BP网络，用遗传算法学习网络权值的步骤如下：

(1)确定网络的结构参数，包括网络层数，各层神经元的个数以及神经元传输函数.

(2)选取合适的编码方案将网络权值进行编码.

(3)确定适应度函数，一般选网络的均方误差(MSE)或平方和误差(SSE)的倒数作为适应度函数.

(4)用遗传算法进行训练，训练结束后解码得到网络的权值.

图1 遗传算法流程图

2 基于遗传神经网络的水电机组故障诊断模型

2.1 样本数据

水电机组的故障复杂，但大多以振动的形式表现出来，文献[2-3]总结了水电机组的振动故障的频率特征，文献[4]在文献[2-3]的基础上，对贵州索风营水电厂机组监测系统的实测振动数据进行分析得到水电机组的典型故障样本数据，如下表所示：≧ 3f、50Hz或100Hz ；c6~c9分别为振动与转速关系、振动与负荷的关系、振动与流量的关系. (2)故障类型：1~5分别表示选转子不对中、动静碰摩、转子质量不平衡、尾水管偏心涡带、磁极不均匀五类故障.

表1 水电机组典型故障样本[4]

2.2 模型设计

选取三层BP网络，输入和输出层神经元个数分别为9和5，隐层神经元个数的确定参考如下经验公式：，其中R，S2分别为输入和输出层神经元个数，a为[1,10]上的常数，经过反复尝试，a取 7比较合适，故隐层神经元个数为 10. 隐层神经元和输出层神经元分别采用双曲 S型函数和S型函数；选取实数编码方案，每个个体包含S个基因. 其中，R、S1、、S2分别为输入层，隐层和输出层神经元个数；适应度函数选取网络的均方误差(MSE)的倒数，即 f( k )=1/M SE( k )，其中MSE( k)为个体的均方误差.

其中：(1)征兆数据：c1~c6分别为振动信号频谱中的6个频率特征量，即0.18~0.2f、1/6~1/2f、1f、2f、

2.3 模型实现

使用Matlab的遗传算法工具箱(GAOT)实现遗传算法对网络权值的训练，关键代码如下：

为了便于比较，使用Matlab的神经网络工具箱(NNET)实现对应的BP诊断模型，关键代码如下：

训练结束后，使用表2中的测试样本，对以上两个诊断模型进行测试，测试结果如表3所示.

表2 故障测试样本[4]

运用阈值判别条件：设置阈值为0.5，如果输出小于0.5，则解释为这种故障没有发生，反之则解释为该故障发生[4]. 从表3可以看出，显然两者的诊断结果都是3号故障(转子质量不平衡)的输出值都大于阈值，分别为0.9411和0.9696，其他几种故障的输出值都远小于阈值. 因此，诊断为转子质量不平衡故障，与文献[4]相符. 但相比BP网络，遗传神经网络的诊断正确性有所提高.

3 结论

遗传神经网络能克服传统 BP网络易陷入局部最小的缺点，网络精度更高. 本文将遗传神经网络引入水电机组的故障诊断中. 仿真结果表明，其诊断正确性高于BP网络，虽然如此，其训练速度不及BP网络，这是下一步的研究方向.

[1] 王 鹤, 周东祥, 宋委远, 等.基于遗传神经网络的混合气体识别研究[J].华中科技大学学报: 自然科学版, 2007, 35(9): 118-120.

[2] 赵道利, 马 薇, 梁武科, 等.水电机组振动故障的信息融合诊断与仿真研究[J].中国电机工程学报, 2005, 25(20): 137-142.

[3] 沈 东, 褚福涛, 陈 思. 水轮发电机组振动故障诊断与识别[J].水动力学研究与进展, 2000, 15(1): 129-133.

[4] 粱武科, 赵道利, 马 薇, 等. 基于粗糙集-RBF神经网络的水电机组故障诊断[J]. 仪器仪表学报, 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

赵永标(1980— ), 男, 湖北洪湖人, 襄樊学院数学与计算机科学学院讲师.

饶 超)