搜索
书书书测控技术!#$年第%&卷第#期先进算法与人工智能’收稿日期!!#&()(&基金项目!西安市科技计划项目资助!#&*%+,&-.#/#0##$陕西省教育厅专项科研计划项目资助#&12%*&#作者简介!宋玉琴#$0!!#%女%硕士%副教授%研究生导师%主要研究方向为智能控制系统&设备状态监测及故障诊断’345678优化神经网络的高压断路器机械故障诊断宋玉琴%周琪玮%赵’攀西安工程大学电子信息学院%陕西西安’0#)#摘要!目前对高压断路器的故障诊断方法较多%其中采用神经网络方法居多’提出一种基于莱维飞行粒子群算法345678#优化699神经网络的故障诊断技术’699结构简单%收敛速度快%但其中平滑因子!对网络输出结果正确性影响较大%采用改进的粒子群算法对!进行寻优’在标准粒子群基础上加入34能有效地使粒子通过随机游走产生新的解%经历新的搜索路径和领域%从而增加了种群的多样性%提高发现更优解的概率%不易陷入局部极值%提高了搜索的速度’通过实验数据验证%345678优化的699算法加快了搜索的速度%提高了诊断的精度%减小了误差%分类效果明显%是一种有效的故障诊断方法’关键词!高压断路器$粒子群算法$莱维飞行$699神经网络$平滑因子中图分类号!:;*)#$:6!)%’’文献标识码!=’’文章编号!#(&&!$!#$##(0)(/!#!##$0&?@A?B!#$##)$%&’()#&(*+(,*-.#(/)0#012#/’3*-(/%4#5&,#-65%(7%506(0%!)8+9:;=-##?%!:@@@%,5(*@%-A57789.+C5DEFGHI8JKE5LMEGHI=86NFO7@PQQRQSTRM@UVQFE@BNFWXFSQVYNUEQFGZE[NF6QR\UM@PFE@JFE]MVBEU\GZE[NF0#)G-PEFN^BC0-5(&-D=U_VMBMFUGUPMVMNVMYNF\YMUPQWBQSSNCRUWEN‘FQBEBSQVPE‘P]QRUN‘M@EV@CEUaVMNAMVBGNYQF‘LPE@PFMCVNRFMULQVAEBUPMYQBU@QYYQFa\CBMWYMUPQW=SNCRUWEN‘FQBEBUM@PFEDCMaNBMWQF345678Q_UEYEbMW699FMCVNRFMULQVAEB_VMBMFUMW699PNBBEY_RMBUVC@UCVMNFWSNBU@QF]MV‘MF@MB_MMWGaCUUPMBYQQUPEF‘SN@5UQVPNBN‘VMNUEFSRCMF@MQFUPM@QVVM@UFMBBQSFMULQVAQCU_CU:PMEY_VQ]MW_NVUE@RMBLNVYQ_UEYEbNUEQFO678^NR‘QVEUPYEBCBMWUQQ_UEYEbMUPMBYQQUPEF‘SN@UQV=WWEF‘34UQUPMBUNFWNVW678@NFMSSM@UE]MR\YNAMUPM_NV5UE@RMB‘MFMVNUMFMLBQRCUEQFBUPVQC‘PVNFWQYLNRABNFWMc_MVEMF@MFMLBMNV@P_NUPBNFWWQYNEFBGUPCBEF5@VMNBEF‘UPMWE]MVBEU\QSUPM_Q_CRNUEQFGEY_VQ]EF‘UPM_VQaNaEREU\QSSEFWEF‘aMUUMVBQRCUEQFBGFQUMNBER\SNRREF‘EFUQRQ@NRMcUVMYCYGNFWEY_VQ]EF‘UPMBMNV@P:PMMc_MVEYMFUNRVMBCRUBBPQLUPNUUPM345678Q_UEYEbMW699NR‘QVEUPYB_MMWBC_UPMBMNV@PGEY_VQ]MBUPMWEN‘FQBEBN@@CVN@\GVMWC@MBUPMMVVQVGNFWPNBQa]EQCB@RNBBESE@N5UEQFMSSM@UXUEBNFMSSM@UE]MSNCRUWEN‘FQBEBYMUPQWE%FA5!0DPE‘P]QRUN‘M@EV@CEUaVMNAMVBd678d3M]\SRE‘PUO34^d699FMCVNRFMULQVAdBYQQUPEF‘SN@UQV’’高压断路器在电力系统起着非常重要的作用%为了提高电力系统运行的安全性和可靠性%对它进行故障诊断是十分有必要的%这样可以在还没发生故障或者快要发生故障时诊断出故障类型及时处理%避免大范围停电(#)’高压断路器中的机械故障占其总故障的很大一部分%而它的分合闸电流数据易获得%可以通过该数据集训练得到特征量与故障分类结果之间的关系%从而诊断出不同的故障类型(!(%)’现如今有很多学者研究诊断高压断路器机械故障的方法%其中神经网络得到广泛应用’文献(/)使用699神经网络$文献(*)使用粒子群改进的最小二乘支持向量机方法$文献())使用粒子群优化的e6神经网络实现对其的诊断$文献(0)使用粒子群优化fe4神经网络方法$文献(&)证明了基于莱维飞行优化的粒子群算法比基本粒子群算法&布谷鸟算法以及蜂群算法具有更优的解和更快的收敛速度%本文将该算法用于对699神经网络参数平滑因子的寻优中%从而实现对其的诊断’*)0*#’345678算法##’粒子群优化算法678算法是一种进化算法%来自于对鸟群捕食行为的研究%它从随机解出发%通过迭代寻找最优解%通过适应度来评价解的好坏($)’每个寻优的问题解都被看成一个粒子%所有粒子在一个!维空间中进行搜索’在!维空间中有个粒子#g##%#!%+%##%每个粒子$都有自己的位置和速度%分别表示为#$g#$#%#$!%+%#$!#和%$g%$#%%$!%+%%$!#’第$个粒子目前搜索到的最优位置和整个种群目前搜索到的最优位置分别表示为&$g&$#%&$!%+%&$!#和&’g&’#%&’!%+%&’!#’在每一次迭代中%粒子通过跟踪这两个极值来更新自己的位置和速度%粒子$的第!维速度更新公式为%(h#$!g%($!h)#*#&($!(#($!#h)!*!&(’!(#($!###粒子$的第!维位置更新公式为#(h#$!g#($!h%(h#$!!#式中%为惯性权重%用于记录当前自身的速度$)#&)!为学习因子$*#&*!为(%#)内的随机数$&($!和&(’!分别为粒子$在第!维个体最优值的位置和群体在第!维的全局最优值的位置$#($!和%($!分别为粒子$在第(次迭代中第!维的位置和速度’不同粒子的惯性权重不仅受到迭代次数的影响还受到距离全局最优点距离的影响%采用非线性动态惯性系数公式对其进行调整(#)%公式为gYEF(YNc(YEF#i+$,(+$,YEF#+$,N]‘(+$,YEF%+$,!+$,N]‘YNc%+$,j+$,{N]‘%#式中%+$,为粒子实时的适应度值$+$,N]‘为当前所有粒子的平均值$+$,YEF为当前所有粒子的最小值’#!’莱维飞行莱维飞行3M]\4RE‘PU%34#是一种短距离的搜索与偶尔较长距离的行走相间的行走方式%它不仅能增加种群多样性%还能扩大搜索范围%所以经它优化的算法更易跳出局部最优点(##(#!)’34的位置更新式为#,h#$g#,$h#!-$#/#式中%#,$为#$第,代位置$!为点对点乘法$#g##$!(&’!#为步长控制量%#g.#$-$#gk#k(#($#%l$!!’#%’基于34的粒子群优化算法粒子群算法前期收敛速度快%但进化后期收敛速度慢且收敛精度低’通过研究发现%34能有效地使粒子通过随机游走产生新的解%经历新的搜索路径和领域%从而增加了种群的多样性%提高发现更优解的概率%不易陷入局部极值(#%)’34对粒子的调整是通过改变粒子位置来更新粒子状态’在粒子群更新公式中速度项%保留了上代粒子的移动方向%使得粒子位置的更新方向受到上代粒子位置的影响较大而丧失多样性%从而易于陷入局部最优’同时这也与34的随机游走理念相违背’为避免678算法更新公式中速度项%对34调整粒子位置的影响%本文采用如下公式对粒子群更新公式进行改进’#(h#$!g#($!h)#*#&($!(#($!#h)!*!&(’!(#($!#*#虽然34能够使解摆脱局部收敛%重新搜索解的空间%但无法保证其寻找到的新解一定优于原来的解’为了解决这个问题%使用贪婪的更新评价方法%该方法能够进行局部搜索来获得更优的解’令/$!g#($!h)#*#&($!(#($!#h)!*!&(’!(#($!#)#/0$!g/$!h#!-$#0#因此345678算法将式##&式!#改进为#(h#$!g/$!+$,/$!#l+$,/0$!##/0$!+$,/0$!#l+$,/$!{##&#式中%+$,##为适应度函数’!’345678算法优化699神经网络的故障诊断模型!#’699神经网络699神经网络是一种能够用来进行分类的神经网络%其实际上是基于eN\MB分类规则与6NVbMF窗的概率密度函数估计方法发展而来的并行算法(#/)’699神经网络的结构如图#所示%它共有/层%具体层类别和神经元个数如表#所示’图#’699神经网络的结构图表#’699神经网络的层类别层类别神经元个数输入层负责将特征向量!传入网络%输入层个数是样本特征的个数隐含层隐含层的神经元的个数是输入样本矢量的个数%也就是有多少个样本%该层就有多少个神经元竞争层负责将各个类的隐含层单元连接起来%这一层的神经元个数是样本的类别数目输出层负责输出竞争层中得分最高的那一类*00*345678优化神经网络的高压断路器机械故障诊断’’每个隐含层的神经元节点都有一个中心%该层计算输入特征向量与该层中心的距离%并根据这个距离把相关度高的类别集中起来%隐含层的输出值就代表相似度%输出表达式为+!%$#gMc_(!($#:!($#!![]!$#式中%$为输入层到隐含层的权值$!为平滑因子’699神经网络训练时%!值越大%函数的拟合就越平滑%预测精度就越高%运算速率就越快’反之%若!值太小%则意味着需要许多的神经元来适应函数的缓慢变化%从而导致网络性能不好’因此合理选择!值对网络分类性能起到了非常重要的作用(#*)’!!’345678算法优化699神经网络345678算法优化699神经网络的流程图如图!所示%算法步骤如下’图!’345678算法优化699神经网络的流程图!将699神经网络的平滑因子作为种群的粒子%给定种群的规模1&最大的迭代次数2%完成种群初始化’初始化种群粒子的位置&个体极值位置和值以及种群极值位置和值%并将每个粒子的最优值存储在&3中%将种群中的最优值存储在’3中(#)(#0)’#计算各个粒子的适应度值%将699神经网络的输出误差作为适应度函数’$根据式&#更新粒子的位置%根据式%#更新惯性权重’%将粒子的适应度值与其未更新前的位置比较%取较好的粒子为本次迭代后的粒子’&比较&3和’3的大小%如果&3l’3%则’3直接取&3的值实现全局最优的更新’’若满足迭代结束条件%算法搜索停止$否则返回步骤$继续搜索’(将最优的平滑因子代入699神经网络中完成测试’%’实例验证针对高压断路器的机械特性%选取高压断路器分合闸线圈电流信号中的%个电流量4#&4!&4%和*个时间量,#&,!&,%&,/&,*作为345678优化699神经网络的输入特征值%以正常和*种故障类型操作电压过低.,#&合闸铁心开始阶段有卡涩I27#&操作机构有卡涩-27#&合闸铁心空行程太大:,#&辅助开关动作接触不良42#共)类作为输出’在实验中%699神经网络选用&(#()()的拓扑结构’现有!组样本数据%一半作为训练数据集%另一半作为测试数据集%数据样本集分组如表!所示’模型基本参数设置为!粒子种群数1设为/$惯性权重根据式%#调整$学习因子)#和)!均设为#m/$*$$设为#m*$平滑因子的维数均为#$最大迭代次数设置为#’详细参数设置如表%所示’表!’实验数据样本集故障类别编号训练样本测试样本总的样本占比nH-##0#!0#%*.,!#)#$%*#0*I27%#)#/%#*-27/#&!%&#$:,*#0