基于遗传算法的推进电机的预测模型

2014-01-03吕青

武汉船舶职业技术学院学报 2014年5期

吕青

（武汉船舶职业技术学院机械工程学院，湖北武汉 430050）

状态评估技术是船舶监控技术的共性技术，它能提高船舶监控系统的性能，对船舶电力推进系统进行状态评估的研究在国际上也是一个新的概念。以人工神经网络作为推进电机的状态评估方法，通过仿真建立状态评估模型，是这一课题目前的研究方向。而预测性是状态评估系统的重要性质，如何建立一个精确有效、可行的预测模型，是做好状态评估系统的关键。

1 遗传算法优化BP 神经网络算法流程

BP神经网络是目前应用最为广泛的神经网络，它一般包含输入层、隐含层和输出层，该算法是以多层感知器为基础的，因而人们通常把多层感知器称为BP神经网络。应用遗传算法优化该神经网络，可以对结构、权值和阈值矩阵进行优化，遗传算法的个体编码就分为两个部分，第一部分是对网络结构的优化，第二部分是对权值、阈值矩阵的的优化，但是因为网络结构的改变会使权值、阈值的数目发生变化，这样操作以后会使得每次学习的个体长度不同，个体间就没有办法进行交叉，也就没有实际的训练意义。鉴于以上原因，本文仅采用常规的对权值、阈值矩阵进行优化，而不对网络结构进行优化。

对BP 神经网络进行优化有以下几个步骤：首先是BP神经网络结构的确定，即确定其各层神经元的个数，优化权值和阈值。开始时系统会预先给出初始的权值和阈值，若是单纯的训练往往不能达到最优，所以要用其他方法对其进行优化。然后是BP 神经网络训练及预测仿真实现，建立了网络之后，就要通过输入输出数据，对网络进行训练，这和前面的优化是同步的，训练结束了，就通过输入预测样本得到预测数据，并把得到的预测数据与真实数据作比较，若在误差范围内，则证明模型可靠。其中，BP神经网络的拓扑结构是根据样本输入输出参数个数确定的，这样就可以确定遗传算法优化参数的个性，即各神经元间彼此联系的个数，从而确定种群个体的编码长度。其算法流程如图1所示。

图1 遗传算法优化BP神经网络算法流程图

2 预测模型建模

2.1 神经网络算法的实现

（1）确定训练样本，表1为推进电机变压器的某一相电压、电流、绕组温度的实测数据。数据是每秒采集一次，共采集到16 组数据。如表1，前10组数据作为训练样本，后6组数据用来测试预测模型的精确程度。

表1 推进变压器的实测参数

（2）创建网络，对于BP网络结构的确定有两点需要注意，首先是对于大多数问题，三层网络足以解决，另外就是隐含层神经元的个数m 的计算：m=2×n+1，其中n为输入层神经元个数，这是用一般求隐含神经元数目的方法。

这里，n=3，所以m=7。BP 神经网络的结构是3-7-1结构，即输入层、隐含层和输出层分别有3个、7个和1个神经元。所以共有8×7+7×1=63个权值。7+1=8个阈值。所以遗传算法优化参数的个数为63+8=71个。

（3）网络训练与测试，网络训练是一个不断调整权值和阈值的过程，训练的目的就是使得网络的输出误差越来越小，这时会得到最佳的网络权值和阈值。网络训练完之后，对网络进行仿真测试，所使用的是sim 函数，也是通过这个函数仿真出来参数的预测值。下面给出本次预测得到的预测值［467.5328 654.9285 27.8543；468.8529 648.3243 29.2439；468.4936 652.8793 31.3681］。这与真实值［467.2 893.3 28.6；468.5 896.3 28.4；468.4 898.5 29.4］之间的比较可以从图2、图3、图4看出。

图2 预测输出与期望输出的比较

图3 BP网络预测误差

图4 神经网络预测误差百分比

在以上各图中，点1、4、7为电压参数，点2、5、8为电流参数，点3、6、9 为绕组温度参数。从上面三张图可以看出，所预测的三个参数中电压和绕组温度的预测值与真实值相差不大，电流预测值与真实值差异较大。这是由于样本数据很少，所以为了达到一定数目的训练样本，不得不压缩输入矩阵的长度，使得仅是用前三个时间点的数据去预测下一个时间点的数据，而数据中的电流存在较大突变，如此少的数据，网络很难模拟出真实的内部变化趋势，所以对于不稳定的参数，预测就不理想。所以在实际的应用中应尽可能多的采集数据，使训练样本增多，这样不仅可以使输入矩阵的长度增加以更好地逼近设备真实运行趋势，使预测精度增加，也可以通过设置训练输出矩阵，增加更晚时间的输出，使预测模型可以预测下几个时间点的数据。

2.2 遗传算法实现

利用遗传算法对BP 神经网络进行优化，使得优化后的模型输出的预测数据比较好地吻合实际数据。其优化过程的具体步骤如下：

（1）对种群进行初始化，一般都是使用实数编码对个体进行编码，每个个体都是一组实数串，有四个组成部分，这四个部分包括两组权值和两组阈值，他们分别来处三层神经网络的各个层。

（2）确定适应度函数，计算公式如下：

式中F即为输出误差绝对值之和，K 为系数。

（3）选择操作，选择操作的方法很多，应根据具体情况具体选择。常用的有轮盘赌法和锦标赛法，这里采用的是轮盘赌法。

（4）交叉操作，在这里使用的是实数交叉法。

（5）变异操作，变异以一定概率产生变异基因，在这里用随机方法产生变异基因。

经遗传算法的BP 神经网络，从第二代开始其平均适应度就与最佳适应度值相接近，这说明优化效果是比较理想的。

这里可以得出的结论是，本文所建立的用遗传算法优化的BP 神经网络，所建立的预测模型可以很好的预测变压器的未来状态参数，使误差达到很小，这说明所建立的预测模型是真实可靠的。

3 推进电机指标参数的预测

（1）确定训练样本，这里用到的推进电机的训练样本如表2所示。有电机的8个参数的6组数据，是从电机正常模式下仿真出来的数据中抽取的比较典型的数据样本，并非按时间序列排列。对正常模式下的6组数据进行预测，这6组数据是按照时间序列排列的，并将得到的预测数据用于后面的状态评估，验证其是否为正常模式。对样本的处理是有三组训练样本集和一组测试集，并将用测试集所得到的预测数据作为后面评估的预测样本。

表2 推进电机的训练样本

（2）创建网络，其为设计的三层BP 网络，各层神经元数目分别为：3、7、1。

（3）网络训练与预测，根据以上说明用正常模式的六组数据得到的训练样本对模型进行训练，用测试样本对下一时刻的参数进行预测，并得到预测数据［586.0 593.0 585.0 562.0 224.0 31298.0 38.00.916］。从得到的预测数据可以看出，本次预测所得参数数据均在设备正常运行参数范围之内，即预测的下一时刻设备状况也在正常模式下。