劉 帥 徐偉娜

1中信重工工程技術(shù)有限責任公司（471039）

2礦山重型裝備國家重點實驗室（中信重工機械股份有限公司）（471000）

1 基于PSO-RBF優(yōu)化算法的設(shè)計及流程

首先是PSO算法的微粒編碼[1]，在確定RBF神經(jīng)網(wǎng)絡(luò)的內(nèi)部參數(shù)后，要將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的核函數(shù)的中心矢量、寬度和網(wǎng)絡(luò)權(quán)值的初始值轉(zhuǎn)換成一個新的位置向量進行編碼。

PSO-RBF優(yōu)化算法的設(shè)計步驟:

1）獲得RBF神經(jīng)網(wǎng)絡(luò)的用于測試和訓練網(wǎng)絡(luò)的輸入、輸出樣本數(shù)據(jù)。

2）確定RBF神經(jīng)網(wǎng)絡(luò)的內(nèi)部參數(shù)組成，并用改進的微粒群算法進行編碼，然后初始化改進的微粒群[2]。

3）對每一個微粒個體進行譯碼，獲得微粒相應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)的控制參數(shù)，確定輸入數(shù)據(jù)在此徑向基神經(jīng)網(wǎng)絡(luò)下的相應(yīng)的輸出，并把其與輸出數(shù)據(jù)送到徑向基神經(jīng)網(wǎng)絡(luò)的目標函數(shù)，獲得微粒的個體極值。

線性減小慣性權(quán)重的方法為[3]:

式中:wMin、wMax分別為微粒群算法的最小和最大的加權(quán)因子，iterMax為微?？偟牡鷶?shù)目，iter為現(xiàn)在迭代數(shù)目。

為了改善算法的收斂性，在該方法中，對w、c1和c2的值分別有了確定，以改善算法的收斂。即將改寫為:

式中，φ=c1+c2＞4，其設(shè)置為:c1=2.05、c2=2.05。

4）對微粒的目標函數(shù)進行分析判斷，找到微粒群的全局極值[4]。

5）對微粒群算法的全局極值是否滿足終止的條件進行判斷。如果滿足結(jié)束條件，退出PSO的尋優(yōu)過程，轉(zhuǎn)入第（7）步。

6）對微粒群的每一個微粒進行更新然后再轉(zhuǎn)向第（3）步。

7）對微粒群中最優(yōu)的全局極值所對應(yīng)的微粒個體進行譯碼，并作為徑向基神經(jīng)網(wǎng)絡(luò)的初值開始網(wǎng)絡(luò)訓練。

8）編碼微粒群局部優(yōu)化的參數(shù)，分析能否達到改進的微粒群算法的終止條件，即全局極值能否滿足預先設(shè)置的數(shù)值，倘若誤差超過預先的數(shù)值，則再次返回（6）進行基于改進微粒群優(yōu)化的全局尋優(yōu)過程以求最優(yōu)的效果。

2 PSO-RBF算法在發(fā)電機轉(zhuǎn)子繞組匝間短路中的診斷

這里用Matlab7.0仿真軟件，將發(fā)電機的有功功率P、無功功率Q、勵磁電流If、機端電壓U等參數(shù)作為發(fā)電機轉(zhuǎn)子繞組匝間短路的特征量，作為PSO-RBF神經(jīng)網(wǎng)絡(luò)的輸入量。RBF神經(jīng)網(wǎng)絡(luò)有四個輸入神經(jīng)元，其分別代表發(fā)電機的U、If、P和Q這四個電氣量，神經(jīng)網(wǎng)絡(luò)的輸出層有一個神經(jīng)元，可以分別表示各種運行狀況。

文章中各種算法對故障診斷樣本的輸出結(jié)果和診斷結(jié)果見表1和見表2。

各算法的均方根誤差比較見表3。

從表1和表2可以看出，對于發(fā)電機故障樣本的診斷，文章中的算法基本上均優(yōu)于遺傳優(yōu)化算法，尤其是在發(fā)電機正常運行時，這里算法明顯優(yōu)于遺傳優(yōu)化算法（如樣本5，6，7，8）。對于發(fā)電機輕微的轉(zhuǎn)子繞組匝間短路（如匝間短路5%），文章算法也得到了很好的診斷（如樣本3、樣本4）。同時文章算法的診斷誤差也均小于5%。從表3可以看出，文章改進的算法與其它兩種算法相比，其均方根誤差最小，即其預測輸出的結(jié)果與實際發(fā)生的轉(zhuǎn)子繞組匝間短路情況最相符合，做出了最準確的診斷。

表1 部分故障樣本的輸出結(jié)果

表2 算法的部分故障樣本診斷結(jié)果

表3 三種算法的比較

3 結(jié)論

文章采用了基于改進的微粒群優(yōu)化RBF網(wǎng)絡(luò)的混合算法，并將該算法應(yīng)用于發(fā)電機轉(zhuǎn)子繞組匝間短路的診斷中。仿真試驗表明，經(jīng)過改進的微粒群優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)，不但可以診斷轉(zhuǎn)子繞組匝間短路故障及預測匝間短路的嚴重程度，而且其精度和準確性也優(yōu)于基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)（尤其是對于輕微的轉(zhuǎn)子繞組匝間故障）?？傊?，該混合算法在發(fā)電機轉(zhuǎn)子繞組匝間短路故障中的診斷取得了比較滿意的結(jié)果，是有效可行的。