姜 攀

(北京鐵路電氣化學校,北京 102202)

基于遺傳算法優(yōu)化的風機故障診斷

姜 攀

(北京鐵路電氣化學校,北京 102202)

對風能這一可再生能源的開發(fā)和利用時當今世界能源研究發(fā)展的熱點。故障檢測與診斷技術對于確保風力發(fā)電機組安全可靠運行至關重要,本文用遺傳算法改進了神經網絡在故障診斷方面的缺陷,對改進算法和診斷原理在理論上進行了較為深入的分析和研究,具有理論研究意義和工程實用價值。

神經網絡 故障診斷 遺傳算法

1 神經網絡用于故障診斷的流程及優(yōu)勢

故障診斷問題本質上是分類和識別問題的一種模式，即從特征空間映射到該故障的空間。最常見的神經網絡BP算法是將學習輸入輸出的映射問題轉變?yōu)橐粋€非線性優(yōu)化問題，使用優(yōu)化中最普遍的梯度下降算法，用迭代運算修正網絡權重，實現(xiàn)網絡輸出與期望輸出間的均方誤差最小化。BP算法由前向計算過程的誤差反向傳播過程組成。在前向計算過程中，輸入信息從輸入層經隱層逐層處理，傳向輸出層，每一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。如果在輸出層得不到期望的輸出，則轉向反向傳播，將誤差信號沿原來的連接通路返回，通過修改各層的權重，使得誤差信號最小。

2 神經網絡在風機控制系統(tǒng)故障診斷的仿真

(1)建立神經網絡模型。通過對雙饋發(fā)電機在定子電流傳感器和轉子電流傳感器進行分析，本文選取了風機控制系統(tǒng)輸入量反饋電流傳感器出現(xiàn)故障時對應輸出量發(fā)生的變化，利用網絡訓練達到要求的精度后對傳感器進行故障診斷。本文我們將模擬六種風電機組控制系統(tǒng)故障的類型，也就是定子、轉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)的多個輸入輸出量在故障時值的變化的基礎上，總結出六個與控制系統(tǒng)定子和轉子反饋電流傳感器發(fā)生故障時緊密相關的特征向量即udr、uqr、ids、iqs、idr、iqr，分別代表轉子d軸電壓、轉子q軸電壓、定子d軸電流、定子q軸電流、轉子d軸電流、轉子q軸電流，并用這六個特征向量作為神經網絡故障診斷的輸入，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的網絡來進行故障診斷。

圖1 梯度算法BP網絡訓練仿真誤差曲線

圖2 神經網絡訓練陷入局部極小

(2)采用彈性梯度法的BP網絡訓練仿真。我們設置的仿真時間為20s來收集故障數(shù)據(jù)，當系統(tǒng)達到穩(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收集風機電壓傳感器故障時的數(shù)值。我們可以看到，當網絡收斂到429步時滿足網絡精度0.01的要求，且曲線平滑，收斂效果好。仿真結果如圖1。

當我們模擬第四類故障時，網絡的輸出如下所示：

而預期的輸出值為：E=[000100]，顯然診斷網絡輸出的結果表示第四故障類型在誤差允許范圍內非常接近于理想值。

(3)神經網絡訓練過程出現(xiàn)的問題。在實際訓練過程中發(fā)現(xiàn)無論怎樣改變隱層或學習率等參數(shù)時，或者改變訓練算法，網絡訓練始終避免不了陷入局部極小值，在81次實際訓練過程中，有19次陷入局部極小，導致網絡不收斂，即使是改進算法也僅是提高了網絡的收斂速度，這是調整BP網絡自身致命的缺陷，陷入局部極小結果如圖2所示。

3 遺傳算法優(yōu)化的故障診斷算法

遺傳算法優(yōu)化網絡是將遺傳算法和BP網絡相結合。在我們訓練網絡，我們首先使用遺傳算法來找到正確的權值，以縮小搜索范圍，然后訓練BP網絡解決準確。該方法不僅節(jié)省了訓練時間，又能保證在很短的時間內網絡訓練，這在很大程度上避免了BP神經網絡容易陷入局部極小值的缺陷。為此，我們建立12-15-6的神經網絡進行網絡調試，在多次實際的網絡訓練過程中，不僅提高了網絡診斷速度和精度，并且很好的避免了陷入局部極小值。在實際60多次網絡訓練過程中，網絡均沒有陷入局部極小。

4 本文的創(chuàng)新之處

(1)針對網絡輸入數(shù)據(jù)規(guī)模較大或很大時造成的網絡收斂速度緩慢、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網絡相結合，訓練時先用遺傳算法對神經網絡的權值進行尋找，將搜索范圍縮小后，再利用BP網絡來進行精確求解，不僅提高了收斂速度、還可以快速高效達到全局尋優(yōu)，并且能有效避免陷入局部極小問題。(2)建立了一種新型的基于遺傳優(yōu)化的風電機組控制系統(tǒng)神經網絡故障診斷模型，并利用風電機組控制系統(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。仿真結果表明了該算法的有效性。

[1]侯國蓮,張怡,張建華.基于形態(tài)學–小波的傳感器故障診斷.中國電機工程學報,2009年14期.

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

[3]楊風彬,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用.北京信息科技大學學報(自然科學版),2009年03期.

姜攀(1982-),女,山東煙臺人,北京鐵路電氣化學校,助講。