基于多種群遺傳神經網絡的船舶發電機故障診斷

楊鳴，施偉鋒

(上海海事大學 物流工程學院， 上海 201306)

0 引 言

船舶的電氣化與信息化憑借其先進性和高效能性將成為船舶發展的必然趨勢，“全電船”將成為未來船舶動力系統發展的重要方向.[1]它將船舶發電機組與大功率推進電機作為動力裝置的核心系統，形成以發電機組-配電與變換-大功率推進電機的電力推進船舶電力系統，取代內燃機作為船舶主動力系統,為船舶主動力系統提供電能，確保船舶性能的可靠性和穩定性.但另一方面，大型船舶電力系統的高階強耦合非線性、惡劣海況及船舶機艙作業的惡劣環境等會引起船舶發電機組參數發生變化，使系統出現故障的可能性急劇增加.若能及時發現船舶發電系統的早期故障并采取措施，就會避免船舶機損事故和海難事故的發生，將人員傷亡、經濟損失及社會不良影響降到最低.

1 船舶發電機常見故障及診斷方法

1.1 船舶發電機常見故障

船舶發電機發生故障的類型包括機械故障和電氣故障，故障的發生同時也受到船舶機艙環境的影響.在出現故障之前，通常會伴有機械、電磁、聲學、電氣以及絕緣系統變化的征兆.從機械角度看，船舶運行時不可避免的晃動、電機周期的間歇性運行都會引起繞組松動、軸承磨損等；從電氣角度看，電壓不平衡或電機繞組電位分布不均勻等都可能導致絕緣層損壞；從環境角度看，高溫和污垢將直接或間接造成電機過熱，這是加速絕緣層老化、降低絕緣性能的重要原因.

通常船舶發電機的故障有定子鐵芯故障、定子繞組故障、轉子繞組故障、軸承故障、氣隙偏心故障等.(1)定子鐵芯故障.經過長時間的運行，如果電機自身振動較為強烈，通常會導致電機定子鐵芯片間絕緣損壞.當軸承遭到損壞時，很可能導致轉子與定子之間發生摩擦而損壞定子鐵芯.(2)定子繞組故障.老化、過熱、潮濕、振動、磨損等原因會導致電機絕緣能力下降，從而出現繞組匝間短路或接地等.(3)轉子繞組故障.電機的頻繁起動或過載運行致使轉子承受較大的應力.如果長期承受應力，會導致轉子導條和端環產生疲勞，逐漸發生斷裂和開焊，引起轉子故障.(4)軸承故障.軸承用于前后兩端支撐電機，軸承內圈和轉子高速運轉，承受較大的載荷，易發生故障.(5)氣隙偏心故障.當存在氣隙時，氣隙磁導沿圓周方向出現不均勻，從而產生繞組的諧波分量，同時產生不同于正常運行時的電磁力波，作用于電機的轉子和定子.

1.2 船舶發電機故障診斷方法

船舶發電機故障診斷方法主要來源于陸上電力系統的故障診斷方法.結合陸上故障診斷的方法，船舶發電機故障診斷主要采取基于數學模型法、直接測量法、專家診斷法、故障樹分析法和人工神經網絡法等的診斷方法.祝福[2]基于數學模型法,通過分析故障機理提出診斷匝間短路故障的方法；陳佳等[3]采用改進型故障樹分析法對引起船舶電力系統故障的各因素進行綜合評價；呂傳文[4]采用蟻群優化算法同時結合人工神經網絡法對船舶發電機故障進行診斷和評價；李少遠等[5]將數據融合技術應用于船舶電站故障診斷系統中，取得良好的效果.

本文將多種群遺傳算法與反向傳播(Back-Propagation, BP)神經網絡算法相結合應用于船舶發電機的故障診斷，通過遺傳算法(Genetic Algorithm, GA)改善BP網絡收斂速度慢、易產生局部最小值的缺點，再通過多種群遺傳算法改善GA的搜索和尋優效果并抑制其早熟收斂問題的發生[6-7]，以期在該領域取得有效的應用.

2 多種群遺傳神經網絡

多種群遺傳神經網絡算法是將多種群遺傳算法與神經網絡相結合的一種綜合性算法.該算法采用多種群遺傳算法，一方面對神經網絡中初始權值和閾值的選取進行優化，有效改善神經網絡學習收斂速度慢、不能保證收斂到全局最小值的缺點；另一方面多種群遺傳算法對標準遺傳算法(Standard Genetic Algorithm, SGA)進行優化，有效解決GA早熟收斂的問題.因此，多種群遺傳神經網絡算法具備GA和神經網絡算法的優點，并能改善GA和神經網絡的主要缺點.

GA是建立在自然選擇原理和遺傳機制上的迭代式自適應概率性的搜索方法，它模擬自然界生物進化的規律，實現對目標的優化[8-9],具有良好的魯棒性、廣泛的適應性[10]以及快速的全局收斂性，能實現大概率最優和全局最優解.主要的遺傳操作包括編碼、適應度評估、選擇、交叉和變異.SGA流程詳見圖1.編碼一般采用二進制編碼，除此之外還有浮點數編碼方法、格雷碼、符號編碼方法、多參數編碼方法等.適應度計算用于進行個體優劣程度的檢驗.然而GA的早熟收斂現象是不容忽視的問題，主要體現在出現超長個體時出現的群體停止不前、交叉概率與變異概率取值不合理、群體規模較小等方面.

針對GA存在的問題，引入多種群遺傳算法代替SGA.其優點體現在：引入多個種群時進行優化搜索，實現不同的搜索目的；通過移民算子實現多種群協同進化，從而得到最優解；實現的主要操作包括移民算子選擇、適應度計算、選擇函數、交叉算子和人工選擇算子.交叉概率和變異概率決定多種群算法的全局搜索和局部搜索能力.采用不同的控制參數對多個種群協同進化，能兼顧算法的全局搜索和局部搜索.多種群遺傳算法流程詳見圖2.

圖1 SGA流程

圖2 多種群遺傳算法流程

BP神經網絡算法是以誤差梯度下降作為收斂條件的學習算法[11]，具有完好的并行處理能力、自學習能力和聯想記憶能力，在故障診斷和預測方面得到廣泛應用,然而其易陷入局部極小值的缺點制約該算法的效果[12].

將多種群遺傳算法與BP神經網絡算法相結合，利用多種群遺傳算法的優點優化BP網絡的結構和權值的學習，使之達到理想效果.

2 多種群遺傳神經網絡的設計

多種群遺傳BP神經網絡主要包括BP網絡結構確定、利用多種群遺傳算法優化權值和閾值、BP神經網絡訓練及預測.其中BP神經網絡的拓撲結構根據樣本的輸入/輸出參數的個數確定，以此確定GA要優化的參數個數，從而確定種群個體的編碼長度.

2.1 網絡創建及種群初始化編碼

一般三層網絡可以較好地解決模式識別問題.

s1=2i1+1

式中：s1為隱含層神經網絡個數；i1為輸入層神經元個數.設輸出參數為o1，則權值數量為q1=i1s1+s1o1，閾值數量為z1=o1+s1，所以多種群遺傳算法要優化的參數個數為c1=q1+z1.隨機產生m個初始化種群

W=(w1,w2,…,wm)T

式中：m的取值取決于閾值和權值的個數.

2.2 適應度計算

將經初始化的權值和閾值代入BP神經網絡，先使用樣本訓練網絡，再使用測試樣本測試網絡，得到測試誤差e=∑|osc-osj|.其中，osc為輸入測試樣本的網絡輸出值，osj為網絡實際輸出值.適應度計算函數為

f=1/e

2.3 選擇

采用轉輪法進行選擇操作.利用每個個體適應度函數值的概率決定其后代遺傳的可能性.下一代被選取的概率

2.4 交叉

交叉操作是GA中最重要的操作,通過交叉操作可以得到新一代個體.新個體組合父輩個體的特性.交叉體現信息交換的思想.[13]以交叉概率Pc進行算術交叉，以確定選擇的個體位置.

式中：c為0～1之間的隨機數.

2.5 變異

變異是對于隨機選擇的個體以一定的概率隨機改變串結構數據中的某個串的值的行為.以變異概率Pm進行變異操作.

式中：xmax為染色體的最大值；xmin為染色體的最小值；g為當前進化代數；Gmax為最大進化代數.

2.6 多種群遺傳算法

為有效克服GA中的早熟現象，采用多種群遺傳算法使整個進化過程隨著種群規模的變化而變化.此方法能有效提高GA的全局收斂能力[6],算法流程如下：

(1)設i=0,隨機產生初始種群P(0)，種群規模為N.

(2)判斷種群是否符合條件,若符合則輸出最優個體的目標函數及最優解,否則轉向(3).

(3)進行選擇、交叉、變異操作，產生中間種群P′(i),其規模與P(i)相同.

(4)判斷當前種群是否符合擴大種群規模的要求，符合則隨機引入P′(i)，擴大其種群規模直至滿足設定要求,得到下一代種群P(k+1)，返回(2)；否則，轉向(5).

(5)淘汰不良個體，縮小P′(i)的種群規模,得到P(k+1)，返回(2).

2.7 融合

采用多種群遺傳算法優化BP神經網絡的初始權值和閾值，再通過BP神經網絡進行訓練和學習,這樣不但能克服BP網絡容易陷入局部極小值的缺點，也能充分利用神經網絡的非線性逼近能力[14]，實現優勢互補，避免各自的缺陷，得到更好的結果.多種群遺傳神經網絡的算法流程見圖3.

圖3 多種群遺傳神經網絡流程

3 船舶發電機故障診斷實例

以船舶發電機故障為研究對象，通過多種群遺傳神經網絡方法進行故障診斷.輸入5個故障特征樣本級，即分別為正常、定子故障、轉子故障、軸承故障、氣隙偏心故障等5個狀態的振動信號頻譜圖的特征頻段[15]，將相關信號進行歸一化處理，作為網絡的輸入.

在不同的工況下運轉時，采集5種典型狀態下的船舶發電機組同步發電機的90組樣本數據，各類狀態下樣本分別為18組.經過歸一化處理后，取其中的85組作為網絡的訓練樣本，5組作為測試樣本.樣本有5個輸入參數，5個輸出參數(Yi,i=1,2,…,5).在此多種群神經網絡中，BP神經網絡的結構為5-11-5，即輸入層有5個節點，隱含層有11個節點，輸出層有5個節點，共有110(=5×11+11×5)個權值，16(=11+5)個閾值,因此優化參數的個數為126(=110+16).在神經網絡中隱含層神經元的傳遞函數采用S型正切函數tansig(),輸出層神經元的傳遞函數采用S型對數函數logsig().

通過對數據的訓練，神經網絡診斷樣本的實際輸出見表1，其測試樣本的仿真誤差為0.060 428.通過多種群遺傳神經網絡對數據進行訓練，訓練次數為1 000，訓練目標為0.01，學習速率為0.01，種群數目定為10，代溝設為0.9,對測試樣本的診斷結果見表2，其測試樣本的仿真誤差最優結果為0.001 197 4.

表1 神經網絡診斷樣本實際輸出

表2 多種群遺傳神經網絡診斷樣本實際輸出

從仿真得到的結論以及仿真誤差看，基于多種群遺傳神經網絡得出的診斷結果更逼近期望輸出結果，故障點的輸出結果更接近1，其他點的輸出值更趨于0.從仿真誤差看，多種群遺傳神經網絡的訓練次數比神經網絡的訓練次數相對較少，而且前者產生的仿真誤差遠小于后者，表明多種群遺傳神經網絡的訓練精度高，相對收斂速度快，符合診斷的要求.多種群遺傳神經網絡仿真誤差、仿真最優誤差及網絡進化過程見圖4～6.從圖4和5可以看出，經過參數調節后，最終得出的是最佳值的結果，因此在圖中訓練值和最佳值是重合的.

圖4 多種群遺傳神經網絡仿真誤差

4 結 論

本文采用多種群遺傳算法優化神經網絡的權值和閾值用于船舶發電機的故障診斷.經過對比發現，該方法可以提高診斷精度，克服BP神經網絡容易產生局部收斂的缺點,對于提高船舶發電機的故障診斷效果有較大的參考價值.

圖5 多種群遺傳神經網絡仿真最優誤差

圖6 多種群遺傳神經網絡進化過程

參考文獻：

[1] 馬偉明. 艦船動力發展的方向——綜合電力系統[J]. 海軍工程大學學報, 2002, 14(6): 5-8.

[2] 祝福. 大型船舶發電機短路故障分析與診斷方法探討[J]. 電機技術, 2005(2): 56-58.

[3] 陳佳, 王建華, 張冰, 等. 船舶電站故障診斷中的數據融合算法[J]. 電力自動化設備, 2006, 26(3): 28-31.

[4] 呂傳文. 基于蟻群神經網絡船舶發電機故障診斷[J]. 科學技術與工程, 2010, 10(22): 5595-5598.

[5] 李少遠, 李檸. 復雜系統的模糊預測控制及其應用[M]. 北京: 科學出版社, 2003: 15-17.

[6] 李軍華. 基于知識和多種群進化的遺傳算法研究[D]. 南京: 南京航空航天大學, 2009.

[7] 李純蓮, 王希誠, 趙金城, 等. 一種基于信息熵的多種群遺傳算法[J]. 大連理工大學學報, 2004, 44(4): 589-593.

[8] 楊智民, 王旭, 莊顯義. 遺傳算法在自動控制領域中的應用綜述[J]. 信息與控制, 2000, 29(4): 329-339.

[9] 彭志剛, 張紀會, 徐心和. 基于遺傳算法的知識獲取及其在故障診斷中的應用研究[J].信息與控制,1999, 28(5): 391-395.

[10] 秦偉娜. 基于多種群的遺傳算法研究[D]. 山東: 山東師范大學, 2009.

[11] 朱武亭, 劉以建. BP網絡應用中的問題及其解決[J]. 上海海事大學學報， 2005, 26(2): 64-66.

[12] 朱建元. 基于BP神經網絡與時間序列分析的柴油機故障診斷[J]. 上海海事大學學報, 2006, 27(4): 22-27.

[13] 白治江, 劉廣鐘. 遞歸式多目標遺傳算法[J]. 上海海事大學學報, 2007, 28(2): 62-67.

[14] 王梅冬. 基于遺傳-神經網絡的電機故障網絡化在線診斷研究[D]. 天津: 天津理工大學, 2006.

[15] 牛洪瑜. 基于神經網絡的船舶柴油發電機組的故障診斷[D]. 蘭州: 蘭州理工大學, 2007.