基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

方烜，杨帆，梁家豪，林永宏，陈思远，郑思光

(1.中国南方电网超高压输电公司广州局，广州 510405；2.三峡大学电气与新能源学院，宜昌 443002)

近年来随着智能电网技术的快速发展，无人检测技术也得到了进一步的发展与普及，电力系统中的传统人工巡检作业方式正逐渐被智能巡检机器人作业所替代[1]。成为保障超高压、特高压等骨架电网的重要技术手段[2-4]，然而，当智能巡检机器人在输电线路和变电站中进行巡检作业时，复杂的电磁环境往往会对巡检工作造成强烈的干扰，严重时甚至会导致事故发生，损坏智能巡检机器人和电力设备[5]。因此准确、快速地诊断智能巡检机器人电磁兼容故障是十分有必要的。

目前对智能巡检机器人电磁兼容故障的研究主要着眼于对智能巡检机器人系统电磁兼容能力测试与抗电磁干扰设计方面，文献[6]根据智能巡检机器人中存在的辐射干扰和传导干扰的共性特征，提出了一种具有实际可操作的智能巡检机器人电磁兼容测试法。文献[7]从电磁拓扑理论出发,结合电磁兼容分析的需求,提出了一种电磁干扰统一模型,采用多端口网络来统一描述干扰源、传播途径和敏感设备,给出了构造方法,并分析了其特性和应用能力，进行了系统级电磁兼容分析软件开发方面的探索,阐述了软件的设计思想、软件结构和实现方法。文献[8]在分析智能巡检机器人系统中造成电磁干扰的因素和电磁干扰的传递方式的基础上,对智能巡检机器人系统的系统模型和软件功能分别进行研究设计，研究了光通信技术对系统电磁兼容性能的影响。而这些研究一般通过仿真、实验测试研究可能导致智能巡检机器人电磁兼容故障的原因，然后在故障事前全方位、大冗余地提高抗电磁干扰能力，缺乏对智能巡检机器人巡检过程中实时故障原因诊断的关注。文献[9]提出了大荷载无人机和机器人的输电线协调检测新方法，此方法利用无人机、机器人等联结件，起到了节省机器人在上下线过程中耗费大量人力、物力的有点，并在一定程度上提高了作业的可靠性和安全性。

完成智能巡检机器人电磁兼容故障诊断，需要理清智能巡检机器人电磁兼容故障征兆和故障原因之间复杂的非线性关系。传统BP神经网络由于随机地进行权值初始化，易陷入全局最优；而且已训练好的样本会受到新加入的样本的干扰，收敛速度减慢，诊断准确率偏低。针对以上问题，现以导致电力巡检智能巡检机器人电磁兼容故障的原因为底事件构建故障树模型，分析得到导致了故障发生的最小割集，并从最小割集中提取故障原因向量。将智能巡检机器人机载传感器采集到的表征数据进行归一化处理得到故障征兆向量。故障征兆向量作为神经网络的输入，故障原因向量作为神经网络的输出，对智能巡检机器人电磁兼容故障进行诊断。针对智能巡检机器人机载传感器采集信息种类少的问题，将在故障诊断领域应用广泛的神经网络引入电磁兼容故障诊断领域，并将改进灰狼算法(improved grey wolf optimizer，IGWO)[10]引入BP神经网络的优化研究中，利用优化后的神经网络模型诊断智能巡检机器人电磁兼容故障。

1 智能巡检机器人电磁兼容故障诊断模型

1.1 诊断流程

诊断流程如图1所示，建立故障树分析智能巡检机器人电磁兼容故障原因，从故障原因最小割集中提取故障原因向量；将智能巡检机器人机载传感器采集到的表征数据进行归一化处理得到故障征兆向量。故障征兆向量和故障原因向量构成训练样本和测试样本，训练样本用于训练神经网络，测试样本用于测试训练完成后的神经网络诊断准确率。如果准确率不高于r(设定r=80%)，则重设神经网络的参数后再次训练神经网络；如果准确率高于r，则认为诊断模型可靠，能够有效完成待诊断数据的诊断工作。

图1 故障诊断流程Fig.1 Flow charts of fault diagnosis

1.2 故障原因分析

文献[11]指出目前智能巡检机器人主要被利用于巡检输电线路或变电站，变电站内的串联补偿装置设置的火花间隙因为危险过电压发生而被击穿时,电流会经由阀型电阻流入大地。火花间隙被击穿时即成为极强的电磁干扰源。而输电线路和变电站内通电的设备或线路可能因为闸刀开而产生电流的瞬间变化，导致周边复杂恶劣的电磁环境进而干扰智能巡检机器人的正常运行。

在针对智能巡检机器人系统本身的电磁兼容故障研究中，一般通过故障树分析寻找导致故障发生的原因。文献[12]在故障树分析法的基础上，提出了一种以干扰源、耦合途径、敏感设备为核心的通用电磁兼容故障树模型。但故障树建模的底事件被确定为各个敏感设备，而非导致电磁兼容故障的原因事件。文献[13]针对变电站的特殊环境要求,设计了巡检机器人的避障监测系统。文献[14]按照空间辐射场耦合进入智能巡检机器人内部的两种方式——通过天线耦合进入的前门耦合与通过孔缝耦合进入后门耦合,对机载设备复杂电磁环境下的抗干扰性能进行了仿真分析。

根据对以上相关文献的研究并结合智能巡检机器人进行电力巡检的实际电磁环境[15]，表1列出了可能导致电力巡检智能巡检机器人电磁兼容问题的基本事件。

表1 故障树基本事件Table 1 The basic events of fault tree

改进以往的将易受干扰敏感设备作为底事件的故障树构建方法，提出以导致电磁兼容故障的原因为底事件，并根据故障模式间的逻辑关系，建立了智能巡检机器人系统电磁兼容故障树模型，如图2所示。

图2 智能巡检机器人系统电磁兼容故障树Fig.2 Fault tree structure of the electromagnetic compatibility of unmanned aerial vehicle

1.3 最小割集求解

最小割集是导致故障树顶事件发生的最少和最必要的基本事件组合，采取下行法[12]求解最小割集。由于故障树中的逻辑“与”门仅增多割集的阶数，逻辑“或”门仅增多割集的数量，所以可以顺次把故障树结构中下一级事件去转换上一级事件，处理“与”门是横向并列输入事件，处理“或”门则竖向串列输入事件。

采用如表2所示的下行法求解故障树的最小割集，得到智能巡检机器人系统电磁兼容故障树的最小割集为X1、X2、X3、X4、X5、X6、X7、X8、X9。

表2 下行法求解最小割集Table 2 The fusel method to obtain minimal cut sets

1.4 样本提取

如表3所示，将地面站与智能巡检机器人系统通讯延迟时间、智能巡检机器人电池温度，电机输出电流有效值、电机输出电压有效值这4个由传感器采集到的数据作为智能巡检机器人电磁兼容故障的征兆数据。

表3 故障征兆Table 3 Fault symptom characteristics

对故障征兆数据进行归一化处理，为了消除不同维度的数据之间数量级的差异以致造成较大的诊断误差，要把全部数据都归一化为[0,1]的数。利用MATLAB中的mapminmax命令通过最大最小法进行归一化处理，函数形式如式(1)所示。

y=(x-xmin)/(xmax-xmin)

(1)

式(1)中：y为归一化之后的数据；x为归一化之前的数据；xmin为数据序列中的最小值；xmax为序列中的最大数。

从故障树最小割集中提取出便于实时维修的故障原因Xi(i=1,2,6,7,9)并分别编号为1、2、3、4、5，如表4所示。

表4 故障原因序号对照Table 4 Failure causes corresponding number

2 IGWO优化BP神经网络

2.1 BP神经网络

目前对故障诊断方法的研究中，一般采用专家系统方法[16]、贝叶斯方法[17]、支持向量机方法[18]、神经网络方法[19]等。

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，其结构(图3)是目前应用最广泛的神经网络模型之一。

图3 BP神经网络结构Fig.3 Structure of BP neural network

BP神经网络具有不需要事前描述映射关系的数学方程就可以学习并存储大数量级输入-输出模式映射关系的能力。传统BP神经网络由于随机地进行权值初始化，易陷入全局最优；而且已训练好的样本会受到新加入的样本的干扰，收敛速度减慢，诊断准确率偏低[19]。遗传算法可用以优化BP神经网络，主要因为以下特点：①难以陷入局部极小;②迭代寻优中计算量小;③不依靠梯度信息进行搜索。

2.2 改进灰狼算法(IGWO)

灰狼算法[10]由Mirjalili于2014年提出，是一种新的元启发式算法。改进灰狼算法主要改进了传统灰狼算法中的收敛因子和位置更新公式，进而可以使BP神经网络的权值与阈值得到优化。

2.2.1 社会等级划分

灰狼个体按照社会关系严格划分为4个等级：α、β、δ、ω，每只狼个体代表种群中的一个候选解，前三组是适应度最好的灰狼。

2.2.2 包围行为

设D为灰狼个体和猎物之间的距离，则灰狼的包围公式可由式(2)、式(3)表示为

D=|CXP(t)-X(t)|

(2)

X(t+1)=XP(t)-AD

(3)

式中：Xp(t)为猎物位置向量；X(t)为灰狼个体位置向量；t为迭代次数；A和C为系数向量，计算公式表示为

A=2a(r1-1)

(4)

C=2r2

(5)

式中：r1、r2为标量在[0,1]的随机向量；a为收敛因子，基于Sigmo编号函数为

(6)

式(6)中：amax为收敛因子最大值；tmax为最大迭代次数，与种群规模相关。

2.2.3 捕猎行为

灰狼由α、β、δ带领，逐渐靠近猎物，基于惯性权重，α、β、δ的位置更新公式为

(7)

(8)

式中：φ为惯性权重，可由式(9)计算，即

(9)

式(9)中：φmax一般取0.9；φmin一般取0.4。在本次迭代周期中，灰狼的最终位置为

X(t+1)=(X1+X2+X3)/3

(10)

灰狼通过式(7)～式(10)不断调整捕猎方向和与猎物的距离，在多次迭代后，头狼α所在的位置和适应度即为最优解。

改进灰狼算法对传统灰狼算法中变异步骤的改进可以提高算法的收敛速度，并大大改善了传统灰狼算法的寻优能力。

2.3 基于IGWO-BP的算法

将BP神经网络隐藏层到输出层的权值矩阵W映射成为灰狼的位置向量W=[w11,w12,…,w1M,w21，…，wIM]。

首先将灰狼个体的位置在定义域内随机产生，适应度定义为如式(11)的人工神经网络的均方误差(mean squared error，MSE)，利用灰狼算法的迭代计算出最优权值。

(11)

图4 IGWO-BP算法流程图Fig.4 IGWO-BP algorithm flow

3 仿真与分析

图5为中国南方电网超高压输电公司广州局型号DA-100-A智能巡检机器人，搜集其在工作中的63个电磁兼容故障样本，建立故障特征矩阵S=[S1,S2,S3,S4]和故障原因矩阵X=[X1,X2,X6,X7,X9]，使用其中的40个样本训练网络，其余23个样本作为测试样本,测试样本如表5所示。

表5 测试样本Table 5 Test samples

图5 DA-100-A巡检机器人Fig.5 DA-100-A inspection robot

利用1.4节中提到的归一化方法，对这些样本进行归一化处理，处理后的测试样本如表6所示。

表6 归一化处理后的测试样本Table 6 Normalized test samples

基于这些样本，对GWO-BP算法、IGWO-BP算法和一般BP算法的学习情况进行仿真以比较性能。

调用MATLAB软件中的神经网络工具箱和遗传算法工具箱来创建3种神经网络并进行训练与仿真。其中，BP网络的权值以及阈值由随机函数初始化生成，而IGWO-BP网络、GWO-BP网络的权值及阈值由经过最优个体初始化。遗传算法参数设定：种群规模40，交叉概率0.6，变异概率0.1。BP神经网络参数设定：网络为4输入5输出，隐层节点数经测试为6时具有最佳效果，训练要求精度为10-5，学习率为0.1。

图6表示不经过优化的BP神经网络、GWO-BP神经网络以及IGWO-BP神经网络误的误差曲线比较结果，可以看出，3种网络模型分别经过118、30、12次训练学习后到设定目标。IGWO-BP网络收敛所需的迭代次数是3种网络模型中最少的；相较于GWO-BP神经网络，MGWO-BP网络更有效地改善了BP网络易陷入局部极小和收敛速度慢的缺陷。

图6 神经网络训练图Fig.6 Neural network training diagram

BP神经网络诊断结果相较于期望诊断结果出现4个误差，诊断准确率为82.61%；GWO-BP神经网络只出现了3个诊断错误，诊断准确率达到86.96%；IGWO-BP神经网络只出现了1个诊断错误，诊断准确率达到95.65%。

4 结论

为有效诊断智能巡检机器人电磁兼容故障，以导致智能巡检机器人电磁兼容故障的原因为底事件构建故障树模型，分析得到了导致故障发生的最小割集，并从最小割集中提取故障原因向量。将智能巡检机器人机载传感器采集到的表征数据进行归一化处理得到故障征兆向量。针对智能巡检机器人机载传感器采集信息种类少的问题，将在故障诊断领域应用广泛的神经网络引入电磁兼容故障诊断领域，并将IGWO引入BP神经网络的优化研究中，利用优化后的神经网络模型诊断智能巡检机器人电磁兼容故障。

通过仿真验证，IGWO-BP神经网络故障诊断模型相比于GWO-BP神经网络和一般BP神经网络，网络收敛速度更快,泛化能力更强,故障诊断准确率更高。