基于仿生智能优化RBF神经网络的故障诊断①

敖培等

摘 要：从锅炉水循环系统当前工艺参数中辨别和判断故障，可以使控制人员更全面地判断当前生产状态和预测未来情况，从而及时采取有效应对措施。该文提出一种基于仿生智能优化的RBF神经网络用于水循环系统故障的诊断。即针对构造RBF神经网络时隐相关参数难以确定的问题，该文提出采用混合蛙跳聚类算法确定隐层节点数，采用混合粒子群算法确定c和σ，使用最小二乘法（LMS）计算ω。通过实例验证，采用该文方法可以准确的诊断锅炉水循环系统的故障。

关键词：混合蛙跳 算法 混合粒子群算法 故障诊断

中图分类号：TM715 文献标识码：A 文章编号：1674-098X（2015）03（b）-0046-01

RBF神经网络是一种三层前向型网络，通常包括输入层、隐含层和输出层，能实现输入层到隐含层的非线性映射和隐含层到输出层的线性映射。可以在基函数的作用下，对靠近基函数中央范围的输入信号产生影响。针对在确定一个RBF神经网络时，隐层节点数、数据中心c、宽度σ和隐层到输出层的连接权值向量ω难以确定的问题，该文提出一种基于仿生智能优化的RBF神经网络用于水循环系统故障的诊断，并将该文算法应用在锅炉水循环系统故障诊断中取得了很好的效果。

1 基于SFLA聚类算法的RBF隐层节点确定

该文采用混合蛙跳（Shuffled frog-leaping algorithm，SFLA）[1]聚类算法确定隐层节点数，算法步骤如下：

（1）种群的初始化。给定模因组数目m、模因组中青蛙的最大进化次数M、聚类数目k，对于第i只青蛙Frog（i），先将每个样本随机指派为某一类作为最初的聚类划分，并计算各类的聚类中心作为青蛙i的位置编码Frog（i）·location[]，计算青蛙的适应度值Frog（i）·fitness，反复进行，生成N只青蛙。

（2）将N只青蛙按适应度值降序排列并按照分组算子将N只青蛙分给m个模因组。

（3）每个模因组中的位置最差青蛙执行局部位置更新算子。

（4）各个模因组中的所有青蛙重新混合，组成数量为N只青蛙的总群体。

（5）對新的青蛙群体，更新种群中最好位置的青蛙Fg。

（6）判断终止条件是否满足，如果满足，结束迭代，聚类数即为隐层节点数；否则转向（2）继续执行。

2 基于混合粒子群算法优化RBF神经网络

该文采用混合粒子群算法确定RBF神经网络c和σ，使用最小二乘法（LMS）计算ω。具体算法步骤如下：

（1）初始化粒子群，随机产生所有粒子的位置和速度，初始化适应度值、粒子的最优位置和整个粒子群的最优位置。

（2）根据当前粒子的位置（网络的c和σ），并采用LMS得到连接权值，并计算出粒子对所有训练样本的适应度值。

（3）将当前粒子适应值与该粒子所经历过的最优位置的适应值进行比较，如较好，则将其作为当前的最优位置；将当前粒子适应值与整个粒子群所经历过的最优位置的适应值进行比较，如较好，则将其作为当前整个粒子群的最优位置。

（4）采用个体最优交叉操作把个体和个体最优粒子进行交叉得到新粒子。

（5）采用群体最优交叉操作把个体和群体最优粒子进行交叉得到新粒子。

（6）采用粒子变异操作将粒子自身变异得到新粒子。

（7）如果没有满足终止条件，则返回（2）；否则，退出算法，得到最优解，即网络的c和σ值。

3 基于仿生智能优化RBF神经网络的故障诊断

水循环系统是锅炉系统中的一个控制单元，用于对锅炉的用水供给和冷却[2]。水循环系统故障类型主要有泵体堵塞、机械故障和管道堵塞三种。采集与故障相关的参数包括进口压力、出口压力、出流量、轴承温度和电机电流。每种故障分别取5组数据构成样本训练集，取2组数据构成测试集。采用该文第2节和第3节方法确定RBF神经网络结构，并用优化后的神经网络对水循环系统故障进行诊断。初始青蛙数目为60，模因组数为4，最大迭代次数为2；粒子群规模为100，最大迭代次数为100。RBF神经网络输出及故障诊断结果如表1所示。从表1中可以看出，采用本文方法可以准确的诊断水循环系统的故障。

4 结语

该文提出一种基于仿生智能优化的RBF神经网络用于水循环系统故障的诊断，即采用混合蛙跳聚类算法确定隐层节点数，采用混合粒子群算法确定c和σ，使用最小二乘法（LMS）计算ω。通过将本文算法在锅炉水循环系统故障诊断中的应用实验表明，该文算法能够准群的辨识和判断故障。

参考文献

[1] 杨淑莹，张桦.群体智能与仿生计算——Matlab技术实现[M].电子工业出版社，2014.

[2] 朱凯，王正林编著.精通MATLAB神经网络[M].电子工业出版社，2010.