楊勇,王立志,樊波,董明

摘 要：研究了遞階遺傳算法用于神經(jīng)網(wǎng)絡(luò)的參數(shù)確定問題，以期利用遞階遺傳算法的二級(jí)編碼結(jié)構(gòu)解決以往同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值、閾值效率不高的難題。此外，建立了三相橋式全控整流電路的故障模型，并對(duì)幾種常見故障進(jìn)行了仿真分析。最后，將自適應(yīng)遞階遺傳算法用于三相橋式全控整流電路的故障診斷，仿真驗(yàn)證了該方法的準(zhǔn)確性和實(shí)用性。

關(guān)鍵詞：遞階遺傳算法； 神經(jīng)網(wǎng)絡(luò)； 三相橋式全控整流電路； 故障診斷

中圖分類號(hào)：TN710-34文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-373X(2011)09-0172-04

Three-phase SPWM Inverter Fault Diagnosis Based on Optimized Neural Network

YANG Yong,WANG Li-zhi,FAN Bo,DONG Ming

(College of Science,Air Force Engineering University,Xian 710051,China)

Abstract： The problem that how to use hierarchical genetic algorithm to determine the structure and parameter of neural network is introduced. The two-level coding structure of the hierarchical genetic algorithm solved the previous problems about low efficiency of optimizing the neural network′s structure,connection weights and threshold. Furthermore,the fault model of three-phase full-controlled bridge rectifier circuit was constructed and some common faults were analyzed. The hierarchical genetic algorithm was applied to the fault diagnosis of three-phase full-controlled bridge rectifier circuit. The simulation verifies the accuracy and practicability of the method.

Keywords： hierarchical genetic algorithm; neural network; three-phase full-controlled bridge rectifier circuit; fault diagnosis

0 引 言

近年來，國(guó)內(nèi)外有關(guān)研究人員針對(duì)電力電子電路故障診斷的研究還比較少，其中有相當(dāng)一部分是基于神經(jīng)網(wǎng)絡(luò)的分析方法，雖然神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)、泛化和容錯(cuò)能力［1］，令人欣喜，但它存在的許多缺點(diǎn)卻不容忽視，如網(wǎng)絡(luò)結(jié)構(gòu)要求預(yù)知，最常用的BP學(xué)習(xí)算法在本質(zhì)上是一個(gè)梯度下降搜索算法，這使其有可能收斂于局部最小點(diǎn)［2］。

遺傳算法(GA)是一個(gè)基于自然選擇機(jī)制的搜索算法。它同時(shí)考慮搜索空間中的多個(gè)點(diǎn)，并鼓勵(lì)不同搜索方向之間的信息交換，從而有效地減少了收斂到局部最小點(diǎn)的機(jī)率。使用GA優(yōu)化神經(jīng)網(wǎng)絡(luò)已取得了一些令人鼓舞的結(jié)果，但它們大多數(shù)只考慮神經(jīng)網(wǎng)絡(luò)的連接權(quán)重，很少提及優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［3-4］。

總的來說，針對(duì)電力電子電路的故障診斷研究依然存在或多或少的不足，有待進(jìn)一步的完善和發(fā)展。遞階遺傳算法作為一種新型的基于自然選擇機(jī)制的搜索算法，與神經(jīng)網(wǎng)絡(luò)的結(jié)合很好地解決了這一難題。本文應(yīng)用一種自適應(yīng)遞階遺傳算法同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重進(jìn)行三相橋式全控整流電路故障診斷。利用自適應(yīng)遞階遺傳算法同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重，很好地解決了以往利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的不足，并用三相橋式全控整流電路故障診斷仿真實(shí)例證明了該方法的正確性和有效性。

1 基于改進(jìn)遞階遺傳算法BP網(wǎng)絡(luò)分類器的設(shè)計(jì)

1.1 遞階遺傳算法

K.F.Man等根據(jù)染色體中的基因結(jié)構(gòu)存在遞階形式，即一些基因控制另一些基因的活動(dòng)，提出了遞階遺傳算法(Hierarchical Genetic Algorithm，HGA)［5］。

為了簡(jiǎn)要說明控制基因的活動(dòng)，用整數(shù)“1”表示每一個(gè)正在激活的控制基因；用整數(shù)“0”表示每一個(gè)沒有激活的控制基因。當(dāng)控制基因用整數(shù)“1”標(biāo)識(shí)時(shí)，表示其相連的下級(jí)結(jié)構(gòu)的基因處于活動(dòng)狀態(tài)；當(dāng)控制基因用整數(shù)“0”標(biāo)識(shí)時(shí)，表示其相連的下級(jí)結(jié)構(gòu)的基因處于不活動(dòng)狀態(tài)。這種遞階結(jié)構(gòu)意味著染色體比普通遺傳算法中的染色體包含的信息多，從而能夠處理更為復(fù)雜的問題。因此，稱編碼為遞階結(jié)構(gòu)染色體的遺傳算法為遞階遺傳算法。

如圖1所示，兩條染色體各是由5個(gè)控制基因和5個(gè)整數(shù)表示的參數(shù)基因組成。

其表示分別為：

XA=(8,7,6)

XB=(3,5)

從圖1可以看出，XA,XB表示染色體的長(zhǎng)度分別為3和2，這意味著在遞階染色體結(jié)構(gòu)中，雖然兩條染色體的長(zhǎng)度相同，而其表示的長(zhǎng)度可能不同。因此，遞階遺傳算法能夠搜索出所有參數(shù)中適合最終目標(biāo)函數(shù)的參數(shù)的長(zhǎng)度。而且，根據(jù)具體問題，染色體可以設(shè)計(jì)為多級(jí)遞階結(jié)構(gòu)，從而形成多層的染色體結(jié)構(gòu)。

圖1 遞階遺傳算法的染色體表示

本文采用二級(jí)遞階結(jié)構(gòu)染色體描述BP網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，其中，控制基因串表示隱節(jié)點(diǎn)，參數(shù)基因串表示網(wǎng)絡(luò)的權(quán)重和相應(yīng)的閾值。遞階遺傳算法在操作過程中，不僅改變控制基因串的狀況，而且改變參數(shù)基因串的取值。因此，訓(xùn)練過程中網(wǎng)絡(luò)參數(shù)和拓?fù)浣Y(jié)構(gòu)可同時(shí)優(yōu)化。

1.2 編碼結(jié)構(gòu)

染色體遞階結(jié)構(gòu)及編碼如圖2所示，其中，控制基因按設(shè)定的比較大的初始隱節(jié)點(diǎn)數(shù)(可以根據(jù)經(jīng)驗(yàn)公式m=d+n+a得到，其中，d為輸入神經(jīng)元個(gè)數(shù)，n為輸出神經(jīng)元個(gè)數(shù)，a為1~10之間的常數(shù))由遺傳算法隨機(jī)生成0，1編碼，1的個(gè)數(shù)即為有效的隱節(jié)點(diǎn)個(gè)數(shù)，參數(shù)基因?yàn)殡[節(jié)點(diǎn)對(duì)應(yīng)的權(quán)值及閾值，由遺傳算法隨機(jī)生成實(shí)數(shù)編碼。另外，在參數(shù)基因串的最后附加上不受控制基因控制的輸出節(jié)點(diǎn)的閾值參數(shù)。當(dāng)達(dá)到訓(xùn)練代數(shù)或停止準(zhǔn)則時(shí)，控制基因串中1的個(gè)數(shù)即為最佳隱節(jié)點(diǎn)個(gè)數(shù)，1所對(duì)應(yīng)的參數(shù)基因串即為該隱節(jié)點(diǎn)對(duì)應(yīng)的最優(yōu)結(jié)構(gòu)參數(shù)。

圖2 染色體遞階結(jié)構(gòu)及編碼

1.3 適應(yīng)值函數(shù)

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目標(biāo)是使神經(jīng)網(wǎng)絡(luò)的精確度和復(fù)雜度都達(dá)到最小，這是一個(gè)雙目標(biāo)優(yōu)化問題［6］。BP網(wǎng)絡(luò)的復(fù)雜度由隱層節(jié)點(diǎn)數(shù)決定，精度由網(wǎng)絡(luò)輸出與期望輸出之間的誤差決定，考慮到訓(xùn)練的目標(biāo)，建立適值函數(shù)如下：

f=2N(a+be琺cd)∑Ni=1(i－yi)2

(1)

式中:m為隱節(jié)點(diǎn)數(shù)；d為網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)；a，b和c為待定系數(shù)；i表示第i個(gè)輸入樣本對(duì)應(yīng)的網(wǎng)絡(luò)輸出；yi為期望輸出；N為樣本數(shù)。根據(jù)大量實(shí)驗(yàn)結(jié)果，適值函數(shù)的系數(shù)分別如下取值效果是比較好的，即a=0.95，b=0.05，c=3。神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差為：

E=∑Ni=1(i－yi)22N

(2)

1.4 無回放余數(shù)隨機(jī)選擇

無回放余數(shù)隨機(jī)選擇法結(jié)合了基于概率的選擇方法和確定方式的選擇方法，可確保適應(yīng)度比平均適應(yīng)度大的一些個(gè)體一定能被遺傳到下一代群體，選擇誤差比較小。其具體步驟如下：

(1) 計(jì)算群體中每個(gè)個(gè)體在下一代群體中的生存期望數(shù)目(N為種群規(guī)模，fiti為個(gè)體i的適應(yīng)值)：

Ni=N?fiti∑Ni=1fiti,i=1，2，…，N

(3)

(2) 取Ni的整數(shù)部分int Ni為對(duì)應(yīng)個(gè)體在下一代群體中的生存數(shù)目。這樣共可確定出下一代群體中的∑Ni=1int Ni個(gè)個(gè)體。

(3) 以fiti－int Ni?∑Ni=1int NiN為各個(gè)個(gè)體的新的適應(yīng)度，再用基本的比例選擇方法來隨機(jī)確定下一代群體中還未確定的(N－∑Ni=1int Ni)個(gè)個(gè)體。

1.5 交叉和變異算子

由前述介紹可知遞階遺傳算法染色體的結(jié)構(gòu)是固定的，所以與常規(guī)遺傳算法的操作運(yùn)算相比沒有多大差異。因此，標(biāo)準(zhǔn)的交叉和變異算子同樣分別適用于染色體中不同級(jí)別的染色體串，即對(duì)不同級(jí)別的染色體串，交叉和變異遺傳算法中的交叉概率和變異概率是兩個(gè)極為重要的控制參數(shù)，它們的選擇是影響遺傳算法行為和性能的關(guān)鍵所在。選取固定的交叉概率和變異概率易使遺傳算法產(chǎn)生早熟收斂，陷入局部極值。

Srinivas等提出了自適應(yīng)遺傳算法(Adaptive GA，AGA)：

pc=k1(fmax－f′)fmax－favg,f′≥favg

k2,f′

(4)

pm=k3(fmax－f)fmax－favg,f≥favg

k4,f

(5)

式中:fmax表示種群個(gè)體的最大適應(yīng)度；favg表示種群的平均適應(yīng)度；f′表示參與交叉的兩個(gè)個(gè)體中較大的適應(yīng)度；f表示變異個(gè)體的適應(yīng)度。

調(diào)整思想是，當(dāng)群體適應(yīng)度比較集中時(shí)，使交叉概率pc和變異概率pm增大；當(dāng)群體適應(yīng)度比較分散時(shí)，使pc和pm減小，同時(shí)，適應(yīng)度值高于群體平均值的個(gè)體對(duì)應(yīng)于較低的pc和pm，使該解得以保護(hù)從而進(jìn)入下一代；低于群體平均值的個(gè)體，對(duì)應(yīng)于較高的pc和pm，使該解被淘汰。因此，交叉、變異概率的自適應(yīng)調(diào)整能夠提供給某個(gè)解較佳的pc和pm組合。自適應(yīng)遞階遺傳算法在保持群體多樣性的同時(shí)，保證算法的收斂性，提高算法的收斂速度。

2 三相橋式全控整流電路建模與仿真

研究分析表明，整流輸出電壓包含了電路的故障信息，是一個(gè)關(guān)鍵的測(cè)試點(diǎn)，通過適當(dāng)?shù)淖儞Q可以實(shí)現(xiàn)故障診斷。運(yùn)用Matlab 7.1軟件中的Simulink構(gòu)建三相橋式全控整流主電路故障模型如圖3所示。并對(duì)幾種常見故障進(jìn)行了仿真研究，其部分仿真結(jié)果如圖4(a)～(e)所示，分別為正常工作時(shí)負(fù)載電壓，單管VT5斷路，兩只管子同時(shí)斷路故障包括同一支路不同橋臂(VT1和VT4)、不同支路不同橋臂(VT4和VT5)和不同支路同一橋臂(VT1和VT5)的斷路故障仿真波形。

圖3 三相橋式全控整流電路故障模型

圖4 三橋式全控相整流電路不同工作模態(tài)下仿真波形圖

3 三相橋式全控整流電路的故障診斷

圖5所示為三相橋式全控整流電路原理圖?？紤]到實(shí)際系統(tǒng)運(yùn)行時(shí)出現(xiàn)故障的情況，同時(shí)為簡(jiǎn)化分析過程，假定整流電路晶閘管故障分為單管故障或兩支管子同時(shí)故障共22種［7］，要使神經(jīng)網(wǎng)絡(luò)能區(qū)分所有的故障，必須對(duì)這些故障類型進(jìn)行編碼，用六位編碼表示，也就是神經(jīng)網(wǎng)絡(luò)的輸出。每位編碼對(duì)應(yīng)一個(gè)晶閘管，所有晶閘管均正常時(shí)對(duì)應(yīng)編碼為000000。

圖5 三相整流主電路故障模型

以A相電壓正向過零處為基準(zhǔn)，對(duì)控制角從0~120°每隔7.5°依次對(duì)22種故障狀態(tài)下的輸出電壓ud進(jìn)行一個(gè)周期(20 ms)的數(shù)據(jù)采集，采集到的數(shù)據(jù)個(gè)數(shù)為50個(gè)，以此組成訓(xùn)練樣本，共有22×17=374個(gè)樣本。用同樣的方法對(duì)控制角從6.5~113.5°每隔10.7°對(duì)ud進(jìn)行采樣,以獲得測(cè)試樣本。根據(jù)主成分分析特征提取的算法對(duì)訓(xùn)練和測(cè)試樣本進(jìn)行故障特征提取，獲取的新樣本從50維降為10維，大大減少了神經(jīng)網(wǎng)絡(luò)的計(jì)算量，改善了網(wǎng)絡(luò)的復(fù)雜程度。

本文運(yùn)用Matlab工具箱，采用自適應(yīng)遞階遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化。得到了神經(jīng)網(wǎng)絡(luò)的最簡(jiǎn)結(jié)構(gòu)(隱含層神經(jīng)元個(gè)數(shù)m=14)和最優(yōu)的權(quán)值、閾值。優(yōu)化后的神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖6所示。

圖6 訓(xùn)練誤差曲線

采用測(cè)試樣本數(shù)據(jù)對(duì)所訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真驗(yàn)證，分別選用負(fù)載變化、輸入電壓變化得到的特征向量數(shù)據(jù)去驗(yàn)證已建立的BP神經(jīng)網(wǎng)絡(luò)，故障診斷正確率達(dá)到97.67%，并且故障診斷有誤都發(fā)生在負(fù)載和輸入電壓同時(shí)變化時(shí)。

4 結(jié) 論

本文將一種自適應(yīng)遞階遺傳算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化，解決了以往神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值、閾值同時(shí)優(yōu)化效率不高的難題。通過仿真實(shí)驗(yàn)，證明了算法的準(zhǔn)確性和實(shí)用性，并將優(yōu)化的神經(jīng)網(wǎng)絡(luò)用于三相橋式全控整流電路的故障診斷，得到了令人滿意的結(jié)果。

參考文獻(xiàn)

［1］鄭連清，王騰，鄒濤.基于神經(jīng)網(wǎng)絡(luò)的三相全控橋整流電路故障診斷［J］.重慶大學(xué)學(xué)報(bào)，2004(9):72-74.

［2］蔡金錠，涂娟，王少芳.電力電子電路故障的遺傳進(jìn)化神經(jīng)網(wǎng)絡(luò)診斷［J］.高電壓技術(shù)，2004(6):3-5.

［3］QU Hai-ni,XU Wei-sheng,YU You-ling. Design of neural network output layer in fault diagnosis of analog circuit [C]. Xian: The Eighth International Conference on Electronic Measurement and Instruments,2007.

［4］LI Mao-jun,TONG Tiao-sheng. A further result on the schema theorem of partheno-genetic algorithm [J]. Control Theory and Application,2001,18(3): 465~468.

［5］AMARAL J L M,TANSCHEIT R,PACHECO M. An immune inspired fault diagnosis system for analog circuits using wavelet signatures [C]. Washington,USA: Proceedings of the 2004 NASA/DoD Conference on Evolution Hardware,2004.

［6］周輝仁，鄭丕諤.基于遞階遺傳算法和BP網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)［J］.系統(tǒng)仿真學(xué)報(bào)，2007，19(21):5055-5058.

［7］王榮杰.電力電子整流裝置故障診斷方法的研究［D］.廣州：廣東工業(yè)大學(xué)，2006.

［8］蔡金錠，付中云.粒子群-神經(jīng)網(wǎng)絡(luò)混合算法在三相整流電路故障診斷中的應(yīng)用［J］.電工電能新技術(shù)，2006(10):23-26.

［9］畢天妹，倪以信，吳復(fù)立.基于混合神經(jīng)網(wǎng)絡(luò)和遺傳算法的故障診斷系統(tǒng)［J］.現(xiàn)代電力，2005，22(2):31-36.

［10］吳小華，史忠科，張曉斌.基于DSP三相逆變電路在線故障診斷研究設(shè)計(jì)［J］.電力電子技術(shù)，2004，38(4):37-39.

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文