基于仿生智能優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的故障診斷①

敖培等

摘 要：從鍋爐水循環(huán)系統(tǒng)當(dāng)前工藝參數(shù)中辨別和判斷故障，可以使控制人員更全面地判斷當(dāng)前生產(chǎn)狀態(tài)和預(yù)測(cè)未來(lái)情況，從而及時(shí)采取有效應(yīng)對(duì)措施。該文提出一種基于仿生智能優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)用于水循環(huán)系統(tǒng)故障的診斷。即針對(duì)構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)時(shí)隱相關(guān)參數(shù)難以確定的問題，該文提出采用混合蛙跳聚類算法確定隱層節(jié)點(diǎn)數(shù)，采用混合粒子群算法確定c和σ，使用最小二乘法（LMS）計(jì)算ω。通過(guò)實(shí)例驗(yàn)證，采用該文方法可以準(zhǔn)確的診斷鍋爐水循環(huán)系統(tǒng)的故障。

關(guān)鍵詞：混合蛙跳 算法 混合粒子群算法 故障診斷

中圖分類號(hào)：TM715 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）03（b）-0046-01

RBF神經(jīng)網(wǎng)絡(luò)是一種三層前向型網(wǎng)絡(luò)，通常包括輸入層、隱含層和輸出層，能實(shí)現(xiàn)輸入層到隱含層的非線性映射和隱含層到輸出層的線性映射?？梢栽诨瘮?shù)的作用下，對(duì)靠近基函數(shù)中央范圍的輸入信號(hào)產(chǎn)生影響。針對(duì)在確定一個(gè)RBF神經(jīng)網(wǎng)絡(luò)時(shí)，隱層節(jié)點(diǎn)數(shù)、數(shù)據(jù)中心c、寬度σ和隱層到輸出層的連接權(quán)值向量ω難以確定的問題，該文提出一種基于仿生智能優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)用于水循環(huán)系統(tǒng)故障的診斷，并將該文算法應(yīng)用在鍋爐水循環(huán)系統(tǒng)故障診斷中取得了很好的效果。

1 基于SFLA聚類算法的RBF隱層節(jié)點(diǎn)確定

該文采用混合蛙跳（Shuffled frog-leaping algorithm，SFLA）[1]聚類算法確定隱層節(jié)點(diǎn)數(shù)，算法步驟如下：

（1）種群的初始化。給定模因組數(shù)目m、模因組中青蛙的最大進(jìn)化次數(shù)M、聚類數(shù)目k，對(duì)于第i只青蛙Frog（i），先將每個(gè)樣本隨機(jī)指派為某一類作為最初的聚類劃分，并計(jì)算各類的聚類中心作為青蛙i的位置編碼Frog（i）·location[]，計(jì)算青蛙的適應(yīng)度值Frog（i）·fitness，反復(fù)進(jìn)行，生成N只青蛙。

（2）將N只青蛙按適應(yīng)度值降序排列并按照分組算子將N只青蛙分給m個(gè)模因組。

（3）每個(gè)模因組中的位置最差青蛙執(zhí)行局部位置更新算子。

（4）各個(gè)模因組中的所有青蛙重新混合，組成數(shù)量為N只青蛙的總?cè)后w。

（5）對(duì)新的青蛙群體，更新種群中最好位置的青蛙Fg。

（6）判斷終止條件是否滿足，如果滿足，結(jié)束迭代，聚類數(shù)即為隱層節(jié)點(diǎn)數(shù)；否則轉(zhuǎn)向（2）繼續(xù)執(zhí)行。

2 基于混合粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)

該文采用混合粒子群算法確定RBF神經(jīng)網(wǎng)絡(luò)c和σ，使用最小二乘法（LMS）計(jì)算ω。具體算法步驟如下：

（1）初始化粒子群，隨機(jī)產(chǎn)生所有粒子的位置和速度，初始化適應(yīng)度值、粒子的最優(yōu)位置和整個(gè)粒子群的最優(yōu)位置。

（2）根據(jù)當(dāng)前粒子的位置（網(wǎng)絡(luò)的c和σ），并采用LMS得到連接權(quán)值，并計(jì)算出粒子對(duì)所有訓(xùn)練樣本的適應(yīng)度值。

（3）將當(dāng)前粒子適應(yīng)值與該粒子所經(jīng)歷過(guò)的最優(yōu)位置的適應(yīng)值進(jìn)行比較，如較好，則將其作為當(dāng)前的最優(yōu)位置；將當(dāng)前粒子適應(yīng)值與整個(gè)粒子群所經(jīng)歷過(guò)的最優(yōu)位置的適應(yīng)值進(jìn)行比較，如較好，則將其作為當(dāng)前整個(gè)粒子群的最優(yōu)位置。

（4）采用個(gè)體最優(yōu)交叉操作把個(gè)體和個(gè)體最優(yōu)粒子進(jìn)行交叉得到新粒子。

（5）采用群體最優(yōu)交叉操作把個(gè)體和群體最優(yōu)粒子進(jìn)行交叉得到新粒子。

（6）采用粒子變異操作將粒子自身變異得到新粒子。

（7）如果沒有滿足終止條件，則返回（2）；否則，退出算法，得到最優(yōu)解，即網(wǎng)絡(luò)的c和σ值。

3 基于仿生智能優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的故障診斷

水循環(huán)系統(tǒng)是鍋爐系統(tǒng)中的一個(gè)控制單元，用于對(duì)鍋爐的用水供給和冷卻[2]。水循環(huán)系統(tǒng)故障類型主要有泵體堵塞、機(jī)械故障和管道堵塞三種。采集與故障相關(guān)的參數(shù)包括進(jìn)口壓力、出口壓力、出流量、軸承溫度和電機(jī)電流。每種故障分別取5組數(shù)據(jù)構(gòu)成樣本訓(xùn)練集，取2組數(shù)據(jù)構(gòu)成測(cè)試集。采用該文第2節(jié)和第3節(jié)方法確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)對(duì)水循環(huán)系統(tǒng)故障進(jìn)行診斷。初始青蛙數(shù)目為60，模因組數(shù)為4，最大迭代次數(shù)為2；粒子群規(guī)模為100，最大迭代次數(shù)為100。RBF神經(jīng)網(wǎng)絡(luò)輸出及故障診斷結(jié)果如表1所示。從表1中可以看出，采用本文方法可以準(zhǔn)確的診斷水循環(huán)系統(tǒng)的故障。

4 結(jié)語(yǔ)

該文提出一種基于仿生智能優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)用于水循環(huán)系統(tǒng)故障的診斷，即采用混合蛙跳聚類算法確定隱層節(jié)點(diǎn)數(shù)，采用混合粒子群算法確定c和σ，使用最小二乘法（LMS）計(jì)算ω。通過(guò)將本文算法在鍋爐水循環(huán)系統(tǒng)故障診斷中的應(yīng)用實(shí)驗(yàn)表明，該文算法能夠準(zhǔn)群的辨識(shí)和判斷故障。

參考文獻(xiàn)

[1] 楊淑瑩，張樺.群體智能與仿生計(jì)算——Matlab技術(shù)實(shí)現(xiàn)[M].電子工業(yè)出版社，2014.

[2] 朱凱，王正林編著.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].電子工業(yè)出版社，2010.