蔣浩 李林

摘 要：人工神經(jīng)網(wǎng)絡(luò)用于復(fù)雜過程中故障診斷和狀態(tài)監(jiān)測，具有良好的發(fā)展前景。由于模糊ARTFAM（FAM）神經(jīng)網(wǎng)絡(luò)分類性能受訓(xùn)練樣本序影響，提出一種利用改善貝葉斯信念方法并基于模糊ARTMAP集成的模型（BBM），并描述其在電力發(fā)電系統(tǒng)中作為故障檢測和診斷的智能學(xué)習(xí)適用性。圍繞檢測循環(huán)水系統(tǒng)冷凝器傳熱性能展開試驗(yàn)，判斷該模型在故障預(yù)測檢測和診斷任務(wù)中的有效性。試驗(yàn)結(jié)果證明，采用BBM模型具有智能故障檢測和診斷工具的解釋能力，并能監(jiān)測和診斷發(fā)電系統(tǒng)故障的復(fù)雜過程。

關(guān)鍵詞：故障檢測;貝葉斯信念方法;模糊ARTMAP;神經(jīng)網(wǎng)絡(luò);分類

DOI：10. 11907/rjdk. 181978

中圖分類號：TP319文獻(xiàn)標(biāo)識碼：A文章編號：1672-7800（2019）002-0128-04

Abstract： The artificial neural network used in fault diagnosis and condition monitoring problem in the process of the complex has good prospects. Due to the fuzzy ARTFAM （FAM） neural network classification performance is affected by the training sample sequence， this paper puts forward a method of using improved bayesian belief and model based on fuzzy ARTMAP integration （BBM）， and describes its in electric power systems as the applicability of the fault detection and diagnosis of intelligent learning. Experimental process is mainly used for detection of circulating water system in the condenser of the heat transfer performance， a series of experiments to determine the model to predict the effectiveness of the detection and diagnosis of task failure. The test results prove that the BBM model has the ability to interpret intelligent fault detection and diagnostic tools， and can monitor and diagnose the complex process of power system faults.

Key Words： fault detection; Bayesian belief method; the fuzzy ARTMAP; the neural network; classification

0 引言

我國現(xiàn)代電力系統(tǒng)正進(jìn)入智能化時(shí)代，目前電力需求不斷增長，電力系統(tǒng)正常高效運(yùn)行在電力建設(shè)中發(fā)揮著至關(guān)重要的作用，一旦某個(gè)環(huán)節(jié)遭遇故障，將影響整個(gè)系統(tǒng)運(yùn)行并降低性能水平[1]。因此，建立一套高效的電力系統(tǒng)故障信息在線檢測與分類系統(tǒng)，以便及時(shí)檢測電力系統(tǒng)的各種故障、準(zhǔn)確快速地將故障分類，對于電力系統(tǒng)故障診斷及預(yù)防意義重大[2]。

人工神經(jīng)網(wǎng)絡(luò)（ANN）作為智能故障診斷工具，在電力系統(tǒng)工程中已有許多成功應(yīng)用，包括使用神經(jīng)網(wǎng)絡(luò)進(jìn)行短期電力負(fù)荷或價(jià)格預(yù)測及變壓器故障診斷[3-4]。然而，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法對通用性的限制導(dǎo)致模型可能過度適合訓(xùn)練樣本。隨后，隨著模糊理論的發(fā)展，建立了模糊ARTMAP（FAM）神經(jīng)網(wǎng)絡(luò)[5-7]解決該問題，其被用于發(fā)電廠循環(huán)水系統(tǒng)狀態(tài)監(jiān)測以及系統(tǒng)斷路器、電力系統(tǒng)穩(wěn)定器和有源電力濾波器故障檢測。FAM是一個(gè)增量和監(jiān)督網(wǎng)絡(luò)模型，并根據(jù)自適應(yīng)共振理論進(jìn)行設(shè)計(jì)。盡管FAM能夠克服穩(wěn)定性-可塑性困境，但在實(shí)際應(yīng)用中，F(xiàn)AM性能受到離線訓(xùn)練樣本排列順序的影響。針對該缺點(diǎn)，有學(xué)者提出一些被稱為排序算法的預(yù)處理程序，如min-max聚類和遺傳算法[8-10]。還有研究者為克服該問題并提高分類可靠性，提出許多融合技術(shù)。例如，Tang[11]采用FAM投票算法進(jìn)行診斷檢測，Loo[12]將基于概率多元投票策略的多元FAM應(yīng)用于診斷和分類問題。但是排序算法和融合技術(shù)沒有考慮訓(xùn)練樣本個(gè)數(shù)的影響，排序算法診斷精度受樣本總數(shù)影響。為減少訓(xùn)練樣本數(shù)量和序列的影響，并提高FAM診斷準(zhǔn)確性和可靠性，本文采用改進(jìn)的貝葉斯信念法（BBM）組合多個(gè)FAM分類器，以表示在不同文本中的樣本序列[13-15]。

1 模糊ARTMAP基本原理

FAM由兩個(gè)ART模塊組成，即ARTa模塊和ARTb模塊，其由一個(gè)內(nèi)部映射域連接，由輸入域的ARTa模塊函數(shù)和輸出域的ARTb模塊函數(shù)進(jìn)行聚類成的簇并形成一個(gè)關(guān)聯(lián)域。每個(gè)模塊由3層組成：標(biāo)準(zhǔn)化層F0，輸入層F1和識別層F2。模糊FAM的結(jié)構(gòu)見圖1。當(dāng)輸出域是一組有限的類標(biāo)簽時(shí)，可以將FAM用作分類器[16-17]。FAM算法可以簡單地描述為：

ARTa模塊接受輸入模式，并且標(biāo)準(zhǔn)化的一個(gè)M維輸入向量[α]被補(bǔ)碼編碼為一個(gè)2M維向量A：

輸入向量維數(shù)保持不變，表達(dá)式為：

再輸入樣本A，通過類別選擇功能選擇存儲在網(wǎng)格中的類別節(jié)點(diǎn)。

其中，[αa]是ARTa的選擇函數(shù)，[Wαj]是第j個(gè)類節(jié)點(diǎn)的權(quán)向量。當(dāng)一個(gè)獲勝類節(jié)點(diǎn)被選擇，一個(gè)警戒測試被用來檢測原型模式和輸入模式的相似性，[ρa(bǔ)]表示警戒參數(shù)，[Wαj]是第j個(gè)獲勝節(jié)點(diǎn)。

當(dāng)上述類別匹配函數(shù)滿足標(biāo)準(zhǔn)時(shí)，發(fā)生共振且開始學(xué)習(xí)，即根據(jù)下一個(gè)節(jié)點(diǎn)更新權(quán)重矢量[Wj]。

[β]∈[0，1]是學(xué)習(xí)率。一個(gè)新的節(jié)點(diǎn)會創(chuàng)建在編碼后的輸入模式[Fα2]層中。同時(shí)對于ARTb同樣的學(xué)習(xí)算法發(fā)生在目標(biāo)模式中。

在ARTa和ARTb發(fā)生共振后，在獲勝節(jié)點(diǎn)[Fα2]層中通過映射域向ARTb產(chǎn)生一個(gè)預(yù)測。進(jìn)行映射域警戒測試，如果測試失敗，表明ARTa獲勝節(jié)點(diǎn)在ARTb預(yù)測了一個(gè)錯誤的目標(biāo)類別，則啟動匹配追蹤過程。在匹配追蹤期間，[ρa(bǔ)]值增加，直到略高于[AWαj]，然后對ARTa的另一個(gè)獲勝節(jié)點(diǎn)進(jìn)行新的搜索，持續(xù)該過程直到被選擇[Fα2]節(jié)點(diǎn)可以在ARTb中作出正確預(yù)測[18]。

2 貝葉斯信念方法改進(jìn)

2.1 基于改進(jìn)貝葉斯信念方法的決策融合

貝葉斯信念方法是基于分類器相互獨(dú)立的假設(shè)，并將每個(gè)分類器的誤差考慮在內(nèi)。假設(shè)在模式空間Z中有M個(gè)類和K個(gè)分類器。分類器[ek]可被認(rèn)為是一個(gè)函數(shù)，表示樣本x由類器[ek]分配給類別j。

其二維混淆矩陣可以表示為：

該矩陣是在測試集上訓(xùn)練完[ek（x）]后執(zhí)行[ek]獲得的。每行i對應(yīng)類[ci]，每列j對應(yīng)[ek（k）=j]。矩陣中[nkij]指來自類[ci]的輸入樣本被分類器[ek（x）]分配給類[cj]。在類[ci]的樣本數(shù)量是[nki=][j=1M+1nkij]，其中i=1，…，M，被[ek（x）]標(biāo)記為j的樣本數(shù)量為[nkj=][i=1Mnkij]，其中j=1，…，M+1。在混淆矩陣基礎(chǔ)上，可以通過信念函數(shù)為每個(gè)分類器計(jì)算分類信念度量。

其中i=1，2，…，M，j=1，2，…，M+1。該方程的計(jì)算只適合于每個(gè)類樣本數(shù)量相同的情況，當(dāng)類樣本數(shù)量不同時(shí)，由于信念分類的準(zhǔn)確性下降，因此一個(gè)修改的信念I(lǐng)Bk計(jì)算如下：

當(dāng)形成多個(gè)分類器e1，e2，…，ek相對應(yīng)的信念B1，B2，…，Bk是基于基礎(chǔ)分類器性能計(jì)算得出，結(jié)合所有融合分類器信念度量可以產(chǎn)生分類器系統(tǒng)最終信念度量，典型的組合策略是平均和相乘算法，由于后驗(yàn)問題估計(jì)不準(zhǔn)確，本文采用平均估計(jì)后驗(yàn)概率，平均算法如下：

因此，x被分類為j（j=1，2，…，M+1），根據(jù)信念作出最終決策。

2.2 基于改進(jìn)貝葉斯信念方法的模糊ARTMAP集成

在改進(jìn)貝葉斯信念方法的基礎(chǔ)上，詳細(xì)的模糊ARTMAP集成算法如下所示：

步驟1：利用一個(gè)樣本集合生成n個(gè)不同序列的訓(xùn)練樣本集合。

步驟2：分別訓(xùn)練n個(gè)訓(xùn)練樣本集的模糊ARTMAP，并生成n個(gè)訓(xùn)練好的模糊ARTMAP。

步驟3：測試樣本分別輸入n個(gè)訓(xùn)練過的模糊ARTMAP，混淆矩陣可根據(jù)式（7）生成。

步驟4：通過公式（8）計(jì)算每個(gè)分類器分類信念度量。

步驟5：通過組合等式獲得多分類器系統(tǒng)的最終信念度量。

步驟6：根據(jù)信念度量最大值對測試樣本進(jìn)行分類。

3 實(shí)驗(yàn)仿真驗(yàn)證

本文搜集了電力工程循環(huán)水系統(tǒng)2 439個(gè)樣本的基礎(chǔ)數(shù)據(jù)。每個(gè)數(shù)據(jù)樣本由12個(gè)特征在不同溫度和壓力測量的電容器入口和出口點(diǎn)及其它重要信息組成。以下案例用以評估BBM作為預(yù)測智能故障檢測和診斷模型的適用性。

冷凝器是循環(huán)水系統(tǒng)的一種主要組件。汽輪機(jī)冷凝器使用循環(huán)水從低壓流中去除廢熱能，同時(shí)，保持冷凝器真空最低的恒定水平。因此，冷凝器傳熱對冷凝器反壓力有很大影響，一個(gè)高效傳熱過程將協(xié)助冷凝器反壓力維持在較低水平。保持合適的等級冷凝器反壓力，高渦輪發(fā)電才可以保持工作效率。因此，壓力和溫度等因素的排氣蒸汽和冷卻水對冷凝器的冷凝性能有重要影響。搜集2 439個(gè)數(shù)據(jù)樣本用于檢測和監(jiān)測傳熱條件。每個(gè)數(shù)據(jù)樣本有12個(gè)特征，傳熱條件可以分為冷凝器傳熱效率高或效率低兩種狀態(tài)。在數(shù)據(jù)庫中，有1 248個(gè)數(shù)據(jù)樣本顯示低效傳熱性能，1 191個(gè)數(shù)據(jù)樣本顯示高效傳熱性能。本文為評估BBM在預(yù)測冷凝器的傳熱效率性能進(jìn)行實(shí)驗(yàn)。

由于訓(xùn)練樣本數(shù)據(jù)排序可能影響單個(gè)FAM分類準(zhǔn)確性，并且單個(gè)輸出用于表示類別預(yù)測會導(dǎo)致分類準(zhǔn)確性較低。為準(zhǔn)確觀察BBM集成工作的效果及改善后的泛化能力，利用改進(jìn)的貝葉斯信念方法，按照訓(xùn)練樣本不同數(shù)據(jù)的排序訓(xùn)練BBM，同時(shí)利用排序后的數(shù)據(jù)對FAM進(jìn)行測試訓(xùn)練。

在診斷訓(xùn)練階段，F(xiàn)AM和BBM性能訓(xùn)練是一個(gè)保守模型中進(jìn)行快速學(xué)習(xí)的過程，其中[β]設(shè)置為1、[αa]設(shè)置為0.001。另外為了保證穩(wěn)定、可塑的性能，警戒參數(shù)[ρa(bǔ)]設(shè)置為0.5，集合大小設(shè)置為5。

在實(shí)驗(yàn)中，采用修剪策略刪除[Fα2]節(jié)點(diǎn)產(chǎn)生的具有較低影響因子的原型類別，其被認(rèn)為是網(wǎng)絡(luò)冗余節(jié)點(diǎn)。修剪的目的是減少FAM產(chǎn)生的原型類別大小，同時(shí)保持網(wǎng)絡(luò)性能。修剪閾值從0.0改變到0.95，與基線警戒參數(shù)值固定至0.5。因更高的值將消除大部分訓(xùn)練網(wǎng)絡(luò)節(jié)點(diǎn)，所以并不適用。表2顯示了在不同閾值下排序后的多組數(shù)據(jù)訓(xùn)練FAM的預(yù)測性能和BBM的預(yù)測性能在準(zhǔn)確性上的比較，顯而易見BBM性能優(yōu)于FAM預(yù)測性能，同時(shí)可以發(fā)現(xiàn)閾值在0.55左右時(shí)兩種模型的預(yù)測性能準(zhǔn)確性都較高，精度保持在90%以上，如果繼續(xù)增大閾值，則會降低模型準(zhǔn)確性，這可能是由于過度剪枝的不良影響造成的，如編碼在原型節(jié)點(diǎn)中的重要信息被刪除。

4 結(jié)語

本文介紹了一種新穎可靠的BBM集成方法，并將其應(yīng)用于電力工程中循環(huán)水系統(tǒng)傳熱性故障預(yù)測診斷[19-20]。由于FAM分類性能受訓(xùn)練樣本序列影響，采用基于改進(jìn)貝葉斯信念方法的集成方法解決該問題，利用不同順序的訓(xùn)練樣本將一組FAM輸出結(jié)果組合并最后獲得融合決策。結(jié)果表明，當(dāng)使用BBM模型時(shí)，系統(tǒng)故障檢測準(zhǔn)確度提高。實(shí)驗(yàn)結(jié)果證明，BBM集成方法能夠準(zhǔn)確、可靠地診斷故障類別，與其它預(yù)測檢測方法相比，具有更好的診斷性能，因此BBM集成神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)檢測方面具有良好的應(yīng)用前景。

參考文獻(xiàn)：

[1] 楊國強(qiáng). 基于數(shù)據(jù)挖掘的電力系統(tǒng)異常數(shù)據(jù)辨識與調(diào)整[J]. 應(yīng)用能源技術(shù)，2011（1）：25-28.

[2] 石美，吳謙，李海波，等. 凝汽器故障診斷方法的研究[J]. 科技創(chuàng)新導(dǎo)報(bào)，？2011？（1）？：54.

[3] DOWNS J， HARRISON R F， CROSS S S. Evaluating a neural network decision-support tool for the diagnosis of breast cancer [J].? Conference on Artificial Intelligence in Medicine， 1995，934：239-250.

[4] DENNY G. F16 jet engine trending and diagnostics with neural networks [J].? Optical Engineering and Photonics in Aerospace Sense， 1993：419-412.

[5] QIU J B， FENG G， YANG J. A new design of delay-dependent robust H-infinity filtering for discrete-time T-S fuzzy systems with time-varying delay [J].? IEEE Transaction on Fuzzy Systems， 2009：1044-1058.

[6] JAVADPOUR R，KNAPP G M. A fuzzy neural network approach to machine condition monitoring [J].? Computers and Industrial Engineering，2003，45？（2）？：323-330.

[7] DAGHER I， GEORGIOPOULOS M， HEILEMAN G L， et al. An ordering algorithm for pattern presentation in fuzzy ARTMAP that tends to improve generalization performance [J].? IEEE Transaction Neural Network，1999， 10（43）：768-778.

[8] PALANIAPPAN R， ESWARAN C. Using genetic algorithm to select the presentation order of training patterns that improves simplified fuzzy ARTMAP classification performance [J].? Applied Soft Computing， 2009， 3（9）：100-106.

[9] 黃新波，宋桐，王亞娜，等. 基于貝葉斯和模糊L-M網(wǎng)絡(luò)的變壓器故障診斷[J].? 電力建設(shè)，？2014？，？35？（2）？：1-6.

[10] 韓敏，程磊，唐曉亮，等. 模糊ARTMAP神經(jīng)網(wǎng)絡(luò)在TM影像分類中的應(yīng)用[J].? 信息與控制，2004，？33？（5）？：623-627.

[11] CARPENTER G A， GROSSBERG S， MARKUZON N， et al. Fuzzy ARTMAP： a neural network architecture for incremental supervised learning of analog multidimensional maps[J].? IEEE Transactions on Neural Networks， 1992，？3？（5）：698-713.

[12] DA R， LIN C F. Failure detection and isolation structure for global position system autonomous integrity monitoring[J]. Journal of Guidance， Control and Dynamics， 2012，？18？（2）？：291-297.

[13] 張凱，錢鋒，劉漫丹. 模糊神經(jīng)網(wǎng)絡(luò)技術(shù)綜述[J]. 信息與控制，2003，32（5）：431-435.

[14] LIANG J N，YANG S，WINSTANLEY A. Invariant optimal feature selection： a distance discriminant and feature ranking based solution [J]. Pattern Recognition，2008，？41？（5）？：1429-1439.

[15] 呂強(qiáng). 神經(jīng)網(wǎng)絡(luò)模糊規(guī)則抽取及其應(yīng)用[J]. 控制工程，2008（S1）：104-106+109.

[16] 秦安文. 模糊ARTMAP神經(jīng)網(wǎng)絡(luò)在一維信息聚類分析中的應(yīng)用[J]. 山東工業(yè)大學(xué)學(xué)報(bào)，1999，29？（5）？：490-496.

[17] GEORGIOPOULOS M， FERNLUND H， BEBIS G， et al.? Order of search in fuzzy ART and fuzzy ARTMAP： effect of the choice parameter [J].? IEEE ACM Transactions on Networking， 1996，？9？（9）？：1541-1559.

[18] 崔國友，龐佑軍，王亦平. 基于保局投影和SFAM網(wǎng)絡(luò)的裝備故障智能診斷[J]. 中國造船，2011，52 （3）：198-203.

[19] 師黎. 基于軟計(jì)算的故障診斷機(jī)理及其應(yīng)用研究[D]. 上海：上海大學(xué)，2007.

[20] 楊毓英，史習(xí)智，李國奕. 基于Fuzzy ARTMAP的室性早搏診斷規(guī)則獲取[J]. 自然科學(xué)進(jìn)展，1999（5）：448-455.

（責(zé)任編輯：江 艷）