基于遗传算法优化的风机故障诊断

【摘 要】 对风能这一可再生能源的开发和利用时当今世界能源研究发展的热点。故障检测与诊断技术对于确保风力发电机组安全可靠运行至关重要，本文用遗传算法改进了神经网络在故障诊断方面的缺陷，对改进算法和诊断原理在理论上进行了较为深入的分析和研究，具有理论研究意义和工程实用价值。

【关键词】 神经网络 故障诊断 遗传算法

1 神经网络用于故障诊断的流程及优势

故障诊断问题本质上是分类和识别问题的一种模式，即从特征空间映射到该故障的空间。最常见的神经网络BP算法是将学习输入输出的映射问题转变为一个非线性优化问题，使用优化中最普遍的梯度下降算法，用迭代运算修正网络权重，实现网络输出与期望输出间的均方误差最小化。BP算法由前向计算过程的误差反向传播过程组成。在前向计算过程中，输入信息从输入层经隐层逐层处理，传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出，则转向反向传播，将误差信号沿原来的连接通路返回，通过修改各层的权重，使得误差信号最小。

2 神经网络在风机控制系统故障诊断的仿真

（1）建立神经网络模型。通过对双馈发电机在定子电流传感器和转子电流传感器进行分析，本文选取了风机控制系统输入量反馈电流传感器出现故障时对应输出量发生的变化，利用网络训练达到要求的精度后对传感器进行故障诊断。本文我们将模拟六种风电机组控制系统故障的类型，也就是定子、转子电流反馈传感器故障，电源电压不平衡故障，电源反馈通讯中断故障，速度传感器偏置，不断增益输出故障。

本文在研究控制系统的多个输入输出量在故障时值的变化的基础上，总结出六个与控制系统定子和转子反馈电流传感器发生故障时紧密相关的特征向量即udr、uqr、ids、iqs、idr、iqr，分别代表转子d轴电压、转子q轴电压、定子d轴电流、定子q轴电流、转子d轴电流、转子q轴电流，并用这六个特征向量作为神经网络故障诊断的输入，以定子d轴电流反馈传感器，定子q轴电流反馈传感器、转子d轴电流反馈传感器的偏差故障和恒增益故障为输出建立了18-21-6的网络来进行故障诊断。

（2）采用弹性梯度法的BP网络训练仿真。我们设置的仿真时间为20s来收集故障数据，当系统达到稳定，即从12秒到20秒。人为地使控制系统发生故障，我们分别在12.73s、14.74s，16.75s，18.76s收集风机电压传感器故障时的数值。我们可以看到，当网络收敛到429步时满足网络精度0.01的要求，且曲线平滑，收敛效果好。仿真结果如图1。

当我们模拟第四类故障时，网络的输出如下所示：

Y=[0.0201 0.0000 0.0165 0.9491 0.0121 0.0002]

而预期的输出值为：E=[000100]，显然诊断网络输出的结果表示第四故障类型在误差允许范围内非常接近于理想值。

（3）神经网络训练过程出现的问题。在实际训练过程中发现无论怎样改变隐层或学习率等参数时，或者改变训练算法，网络训练始终避免不了陷入局部极小值，在81次实际训练过程中，有19次陷入局部极小，导致网络不收敛，即使是改进算法也仅是提高了网络的收敛速度，这是调整BP网络自身致命的缺陷，陷入局部极小结果如图2所示。

3 遗传算法优化的故障诊断算法

遗传算法优化网络是将遗传算法和BP网络相结合。在我们训练网络，我们首先使用遗传算法来找到正确的权值，以缩小搜索范围，然后训练BP网络解决准确。该方法不仅节省了训练时间，又能保证在很短的时间内网络训练，这在很大程度上避免了BP神经网络容易陷入局部极小值的缺陷。为此，我们建立12-15-6的神经网络进行网络调试，在多次实际的网络训练过程中，不仅提高了网络诊断速度和精度，并且很好的避免了陷入局部极小值。在实际60多次网络训练过程中，网络均没有陷入局部极小。

4 本文的创新之处

（1）针对网络输入数据规模较大或很大时造成的网络收敛速度缓慢、精度不高以及易陷入局部极小的情况，提出了将遗传算法与BP网络相结合，训练时先用遗传算法对神经网络的权值进行寻找，将搜索范围缩小后，再利用BP网络来进行精确求解，不仅提高了收敛速度、还可以快速高效达到全局寻优，并且能有效避免陷入局部极小问题。（2）建立了一种新型的基于遗传优化的风电机组控制系统神经网络故障诊断模型，并利用风电机组控制系统的仿真采集到大量故障诊断所需数据，成功诊断出了文中所述的六种故障。仿真结果表明了该算法的有效性。

参考文献：

[1]侯国莲，张怡，张建华.基于形态学小波的传感器故障诊断.中国电机工程学报，2009年14期.

[2]彭继慎，董晶.基于RBF神经网络的控制系统传感器故障诊断方法.现代电子技术，2009年12期.

[3]杨风彬，高锦宏，王英敏，段祥玉.遗传算法参数分析及其在故障诊断中的应用.北京信息科技大学学报（自然科学版），2009年03期.