基于遺傳算法優(yōu)化的風(fēng)機(jī)故障診斷

姜 攀

(北京鐵路電氣化學(xué)校,北京 102202)

基于遺傳算法優(yōu)化的風(fēng)機(jī)故障診斷

姜 攀

(北京鐵路電氣化學(xué)校,北京 102202)

對(duì)風(fēng)能這一可再生能源的開(kāi)發(fā)和利用時(shí)當(dāng)今世界能源研究發(fā)展的熱點(diǎn)。故障檢測(cè)與診斷技術(shù)對(duì)于確保風(fēng)力發(fā)電機(jī)組安全可靠運(yùn)行至關(guān)重要,本文用遺傳算法改進(jìn)了神經(jīng)網(wǎng)絡(luò)在故障診斷方面的缺陷,對(duì)改進(jìn)算法和診斷原理在理論上進(jìn)行了較為深入的分析和研究,具有理論研究意義和工程實(shí)用價(jià)值。

神經(jīng)網(wǎng)絡(luò) 故障診斷 遺傳算法

1 神經(jīng)網(wǎng)絡(luò)用于故障診斷的流程及優(yōu)勢(shì)

故障診斷問(wèn)題本質(zhì)上是分類和識(shí)別問(wèn)題的一種模式，即從特征空間映射到該故障的空間。最常見(jiàn)的神經(jīng)網(wǎng)絡(luò)BP算法是將學(xué)習(xí)輸入輸出的映射問(wèn)題轉(zhuǎn)變?yōu)橐粋€(gè)非線性優(yōu)化問(wèn)題，使用優(yōu)化中最普遍的梯度下降算法，用迭代運(yùn)算修正網(wǎng)絡(luò)權(quán)重，實(shí)現(xiàn)網(wǎng)絡(luò)輸出與期望輸出間的均方誤差最小化。BP算法由前向計(jì)算過(guò)程的誤差反向傳播過(guò)程組成。在前向計(jì)算過(guò)程中，輸入信息從輸入層經(jīng)隱層逐層處理，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望的輸出，則轉(zhuǎn)向反向傳播，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各層的權(quán)重，使得誤差信號(hào)最小。

2 神經(jīng)網(wǎng)絡(luò)在風(fēng)機(jī)控制系統(tǒng)故障診斷的仿真

(1)建立神經(jīng)網(wǎng)絡(luò)模型。通過(guò)對(duì)雙饋發(fā)電機(jī)在定子電流傳感器和轉(zhuǎn)子電流傳感器進(jìn)行分析，本文選取了風(fēng)機(jī)控制系統(tǒng)輸入量反饋電流傳感器出現(xiàn)故障時(shí)對(duì)應(yīng)輸出量發(fā)生的變化，利用網(wǎng)絡(luò)訓(xùn)練達(dá)到要求的精度后對(duì)傳感器進(jìn)行故障診斷。本文我們將模擬六種風(fēng)電機(jī)組控制系統(tǒng)故障的類型，也就是定子、轉(zhuǎn)子電流反饋傳感器故障，電源電壓不平衡故障，電源反饋通訊中斷故障，速度傳感器偏置，不斷增益輸出故障。

本文在研究控制系統(tǒng)的多個(gè)輸入輸出量在故障時(shí)值的變化的基礎(chǔ)上，總結(jié)出六個(gè)與控制系統(tǒng)定子和轉(zhuǎn)子反饋電流傳感器發(fā)生故障時(shí)緊密相關(guān)的特征向量即udr、uqr、ids、iqs、idr、iqr，分別代表轉(zhuǎn)子d軸電壓、轉(zhuǎn)子q軸電壓、定子d軸電流、定子q軸電流、轉(zhuǎn)子d軸電流、轉(zhuǎn)子q軸電流，并用這六個(gè)特征向量作為神經(jīng)網(wǎng)絡(luò)故障診斷的輸入，以定子d軸電流反饋傳感器，定子q軸電流反饋傳感器、轉(zhuǎn)子d軸電流反饋傳感器的偏差故障和恒增益故障為輸出建立了18-21-6的網(wǎng)絡(luò)來(lái)進(jìn)行故障診斷。

圖1 梯度算法BP網(wǎng)絡(luò)訓(xùn)練仿真誤差曲線

圖2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練陷入局部極小

(2)采用彈性梯度法的BP網(wǎng)絡(luò)訓(xùn)練仿真。我們?cè)O(shè)置的仿真時(shí)間為20s來(lái)收集故障數(shù)據(jù)，當(dāng)系統(tǒng)達(dá)到穩(wěn)定，即從12秒到20秒。人為地使控制系統(tǒng)發(fā)生故障，我們分別在12.73s、14.74s，16.75s，18.76s收集風(fēng)機(jī)電壓傳感器故障時(shí)的數(shù)值。我們可以看到，當(dāng)網(wǎng)絡(luò)收斂到429步時(shí)滿足網(wǎng)絡(luò)精度0.01的要求，且曲線平滑，收斂效果好。仿真結(jié)果如圖1。

當(dāng)我們模擬第四類故障時(shí)，網(wǎng)絡(luò)的輸出如下所示：

而預(yù)期的輸出值為：E=[000100]，顯然診斷網(wǎng)絡(luò)輸出的結(jié)果表示第四故障類型在誤差允許范圍內(nèi)非常接近于理想值。

(3)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程出現(xiàn)的問(wèn)題。在實(shí)際訓(xùn)練過(guò)程中發(fā)現(xiàn)無(wú)論怎樣改變隱層或?qū)W習(xí)率等參數(shù)時(shí)，或者改變訓(xùn)練算法，網(wǎng)絡(luò)訓(xùn)練始終避免不了陷入局部極小值，在81次實(shí)際訓(xùn)練過(guò)程中，有19次陷入局部極小，導(dǎo)致網(wǎng)絡(luò)不收斂，即使是改進(jìn)算法也僅是提高了網(wǎng)絡(luò)的收斂速度，這是調(diào)整BP網(wǎng)絡(luò)自身致命的缺陷，陷入局部極小結(jié)果如圖2所示。

3 遺傳算法優(yōu)化的故障診斷算法

遺傳算法優(yōu)化網(wǎng)絡(luò)是將遺傳算法和BP網(wǎng)絡(luò)相結(jié)合。在我們訓(xùn)練網(wǎng)絡(luò)，我們首先使用遺傳算法來(lái)找到正確的權(quán)值，以縮小搜索范圍，然后訓(xùn)練BP網(wǎng)絡(luò)解決準(zhǔn)確。該方法不僅節(jié)省了訓(xùn)練時(shí)間，又能保證在很短的時(shí)間內(nèi)網(wǎng)絡(luò)訓(xùn)練，這在很大程度上避免了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的缺陷。為此，我們建立12-15-6的神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)調(diào)試，在多次實(shí)際的網(wǎng)絡(luò)訓(xùn)練過(guò)程中，不僅提高了網(wǎng)絡(luò)診斷速度和精度，并且很好的避免了陷入局部極小值。在實(shí)際60多次網(wǎng)絡(luò)訓(xùn)練過(guò)程中，網(wǎng)絡(luò)均沒(méi)有陷入局部極小。

4 本文的創(chuàng)新之處

(1)針對(duì)網(wǎng)絡(luò)輸入數(shù)據(jù)規(guī)模較大或很大時(shí)造成的網(wǎng)絡(luò)收斂速度緩慢、精度不高以及易陷入局部極小的情況，提出了將遺傳算法與BP網(wǎng)絡(luò)相結(jié)合，訓(xùn)練時(shí)先用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行尋找，將搜索范圍縮小后，再利用BP網(wǎng)絡(luò)來(lái)進(jìn)行精確求解，不僅提高了收斂速度、還可以快速高效達(dá)到全局尋優(yōu)，并且能有效避免陷入局部極小問(wèn)題。(2)建立了一種新型的基于遺傳優(yōu)化的風(fēng)電機(jī)組控制系統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷模型，并利用風(fēng)電機(jī)組控制系統(tǒng)的仿真采集到大量故障診斷所需數(shù)據(jù)，成功診斷出了文中所述的六種故障。仿真結(jié)果表明了該算法的有效性。

[1]侯國(guó)蓮,張怡,張建華.基于形態(tài)學(xué)–小波的傳感器故障診斷.中國(guó)電機(jī)工程學(xué)報(bào),2009年14期.

[2]彭繼慎,董晶.基于RBF神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)傳感器故障診斷方法.現(xiàn)代電子技術(shù),2009年12期.

[3]楊風(fēng)彬,高錦宏,王英敏,段祥玉.遺傳算法參數(shù)分析及其在故障診斷中的應(yīng)用.北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2009年03期.

姜攀(1982-),女,山東煙臺(tái)人,北京鐵路電氣化學(xué)校,助講。