CN107064794B - 一种基于遗传算法的防爆电机故障检测方法 - Google Patents
一种基于遗传算法的防爆电机故障检测方法 Download PDFInfo
- Publication number
- CN107064794B CN107064794B CN201611168586.8A CN201611168586A CN107064794B CN 107064794 B CN107064794 B CN 107064794B CN 201611168586 A CN201611168586 A CN 201611168586A CN 107064794 B CN107064794 B CN 107064794B
- Authority
- CN
- China
- Prior art keywords
- solution
- optimal
- optimal solution
- worst
- solutions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manufacture Of Motors, Generators (AREA)
Abstract
本发明涉及一种基于遗传算法的防爆电机故障检测方法,具体策略包括:(1)最优繁殖;(2)最差反转繁殖;(3)双极向进化;(4)早熟摘除。其中最优繁殖可以使搜索过程迅速向最优解靠近,加快算法收敛;最差反转繁殖充分利用最差解的补集有较大的概率位于在最优解附近的事实,同样地加快算法收敛速度,并且快速扩大了最优解的搜索范围;双极向进化充分利用较差解来增加种群的多样性,有效地减少了随机添加新解被删除的次数,降低了评估运算的次数,早熟摘除机制使算法迅速跳出局部最优,为算法搜索全局最优和多模问题的求解提供了保障,本发明将改进的遗传算法应用到防爆电机的运行状态的监控上可以快速确定多处损伤,该方法可靠有效。
Description
技术领域
本发明涉及防爆电机故障检测定位和损伤识别定位技术领域,具体的说是一种基于遗传算法的防爆电机故障检测方法。
背景技术
防爆电机在煤矿、石油天然气、石油化工和纺织、冶金等行业的应用越来越多,防爆电机的寿命已经成为制约生产效率的一个重要因素。基于各种测试信号的防爆电机故障检测与损伤识别技术已经受到国内外广大工程技术人员的重视。随着传感器和测试技术的发展,各种测量信号的获取越来越容易,一般情况下可达50多种,但是恶劣环境下的干扰信息严重,导致信号的组合与某种损伤的发生以及严重程度的对应关系的成为防爆电机实时故障检测的难点。
近些年来,各种技术和理论被应用到防爆电机的运行健康状态的监测发现上,如遗传算法、随机振动理论、贝叶斯网络推理等,但由于信号源的多样性、快速变化性和噪声干扰导致检测的效率和准确度仍然不能令人满意。随着人工智能技术和信息技术的进步,遗传算法得到了高速的发展,不论是围绕算法机理的理论研究还是围绕工程实践的应用研究都得到了高速发展,使其理论基础更加坚实,应用领域不断得到扩大。一般的遗传算法通常由种群初始化、交叉、变异、评估等环节构成循环迭代来寻找最优解。但目前多数研究的创新点仍停留在交叉与变异算子的设计上,甚至交叉、变异的设计越来越复杂化,而且这些复杂化的交叉、变异算子多数仅仅适用于某个具体的应用领域,而且计算耗时也严重增加。
发明内容
针对常见遗传算法的缺点与防爆电机故障检测、损伤识别的特点,本发明提供一种基于遗传算法的防爆电机故障检测方法。
为解决上述技术问题,本发明采用的技术方案为:
一种基于遗传算法的防爆电机故障检测方法,设某时刻的测量信号集合为F={a 1 , a 2 ,a i ,…a m },m=|F|为集合大小,设 random()为(0,1)上均匀分布的随机函数,G为最大迭代次数,f(s)为具体应用的适应度函数,其特征在于,包括以下步骤:
1)对测量信号集合F采取不放回采样R=random()*m次,则经过R次采样后,待选集F被划分为集合FY 和FN,FY表示被选中的集合,FN表示F中未被选中的集合,有FN⊂F,FY⊂F,且FN∩FY=∅,记s=<F Y ,F N >为问题的一个解;
2)上述步骤1)共执行N+X次,取其中N个不同的解s作为问题的初始解集合,即对测量信号集F进行了N次异构划分,记初始解集为S=(s 1 , s 2 , … ,s i , …, s N );
3)对集合S中的s i 根据具体应用计算适应度函数值v i =f(s i ),然后依照v i 对s i 进行降序排序,将s 1 存入s best ,其适应度值存入v best ,最差解S n 存入S worst ,取其中前k=random()*N/2个进行步骤4)运算, 取后k’=random()*N/2 进行步骤5)运算,然后删除剩余的N-k-k’个解,构成新的解集S;步骤4)和5)即为本发明所提出的双向进化策略;
4) 对于集合S中的前k个解s i =< , >,i=1,2,…k, 设T=min(||,||),随机从和中各取R=random()*T个元素进行交换,构成新解s,计算解s的应适度函数v= f(s),如果v>vbest, 则使用 s 和v 分别替换 sbest 和vbest ;如果v>f(s i ),则将s 加入解集S,同时保证s不同于S中任一现有解;
5) 对于集合S中的后k’个解 s i =< , >,i=k+1,k+2,…k+k’ , 交换与,构成新解s ,计算解s的应适度函数v,如果v>Vbest , 则使用 s 和v 分别替换 sbest 和vbest ,并将s加入解集S,同时保证s不同于S中任一现有解;
6)对sbest=< , >,随机交换和之中任意一个元素,构成新解,计算应适度v’=f(), 如果v’>vbest , 则用v’替换vbest,替换 sbest ;
7)如果sbest发生变化,且||>1,则依次从集合移除一个元素,构成||个子集,记为,遍历每个子集,计算应适度v’=f(), 如果v’>vbest ,则用v’替换vbest ,对应的记入临时变量s’中,遍历结束,如果存在v’>vbest ,则用对应的替换 sbest,该过程7)为本发明提出的模拟自然界优异个体竞争到资源而进行一对多繁殖;
8)对S worst =< , >,将与交换构成新解S’ =<,>,将S’如步骤7)一样进行繁殖,该步骤即为最差反转繁殖,该策略的思想为为最差的组合,那么其补集则为最优组合;
9)使用步骤1)中的方法,随机生成若干个且小于N-k-k’的新解,且与解集S中现有解不同,加入到解集S中,使解数量达到N;
10)评估最优解,如果符合终止条件或达到设定的最大迭代次数G,则输出最优解并结束,否则迭代次数加1转步骤11);
11)将本次最优解与上次最优解进行比较,如果为同一最优解,表明该最优解已经不能进化,则删除最优解和其繁殖的子代,然后转步骤3)继续执行。
本发明的有益效果:
本发明提供的基于遗传算法的防爆电机故障检测方法,具体策略包括:(1)最优繁殖;(2)最差反转繁殖;(3)双极向进化;(4)早熟摘除。其中最优繁殖可以使搜索过程迅速向最优解靠近,加快算法收敛;最差反转繁殖充分利用最差解的补集有较大的概率位于在最优解附近的事实,同样地加快算法收敛速度,并且快速扩大了最优解的搜索范围;双极向进化充分利用较差解来增加种群的多样性,有效地减少了随机添加新解被删除的次数,降低了评估运算的次数,早熟摘除机制使算法迅速跳出局部最优,为算法搜索全局最优和多模问题的求解提供了保障,本发明将改进的遗传算法应用到防爆电机的运行状态的监控上可以快速确定多处损伤,实验结果表明所提方法可靠有效;
本发明提供的基于遗传算法的防爆电机故障检测方法,针对遗传算法的不足提出了上述4项策略,不仅成功地加快了算法的收敛速度,同时避免了早熟收敛,最终使复杂问题更快地收敛到全局最优解,对实际应用来说,本算法可以以较小的计算消耗快速地获得最优的解决方案。
附图说明
图1 本发明遗传算法流程图。
具体实施方式
下面结合具体实施方式对本发明做进一步的阐述。
以故障检测与损伤识别为例对算法进行描述,设某时刻的测量信号集合为F={a 1 , a 2 ,a i ,…a m },m=|F|为集合大小,问题是求满足某种适应度(由具体故障和损伤问题决定)最大的若干个a∈F的某些测量信号的组合,以下描述均称为问题的解。如果采用穷举法共需要进行2m次评估,即为NP难问题,应用本算法其流程图如图1所示,描述见下述的1-11个步骤,设 random()为(0,1)上均匀分布的随机函数,G为最大迭代次数,f(s)为具体应用的适应度函数。
1)对测量信号集合F采取不放回采样R=random()*m次,则经过R次采样后,待选集F被划分为集合FY 和FN,FY表示被选中的集合,FN表示F中未被选中的集合,有FN⊂F,FY⊂F,且FN∩FY=∅,记s=<F Y ,F N >为问题的一个解;
2)上述步骤1)共执行N+X次,取其中N个不同的解s作为问题的初始解集合,即对测量信号集F进行了N次异构划分,记初始解集为S=(s 1 , s 2 , … ,s i , …, s N );
3)对集合S中的s i 根据具体应用计算适应度函数值v i =f(s i ),然后依照v i 对s i 进行降序排序,将s 1 存入s best ,其适应度值存入v best ,最差解S n 存入S worst ,取其中前k=random()*N/2个进行步骤4)运算, 取后k’=random()*N/2 进行步骤5)运算,然后删除剩余的N-k-k’ 个解,构成新的解集S。4)和5)即为本发明所提出的双向进化策略;
4) 对于集合S中的前k个解s i =< , >,i=1,2,…k, 设T=min(||,||),随机从和中各取R=random()*T个元素进行交换,构成新解s,计算解s的应适度函数v= f(s),如果v>vbest, 则使用 s 和v 分别替换 sbest 和vbest ;如果v>f(s i ),则将s 加入解集S,同时保证s不同于S中任一现有解;
5) 对于集合S中的后k’个解 s i =< , >,i=k+1,k+2,…k+k’ , 交换与,构成新解s ,计算解s的应适度函数v,如果v>Vbest , 则使用 s 和v 分别替换 sbest 和vbest ,并将s加入解集S,同时保证s不同于S中任一现有解;
6)对sbest=< , >,随机交换和之中任意一个元素,构成新解,计算应适度v’=f(), 如果v’>vbest , 则用v’替换vbest,替换 sbest ;
7)如果sbest发生变化,且||>1,则依次从集合移除一个元素,构成||个子集,记为,遍历每个子集,计算应适度v’=f(), 如果v’>vbest ,则用v’替换vbest ,对应的记入临时变量s’中,遍历结束,如果存在v’>vbest ,则用对应的替换 sbest,该过程7)为本发明提出的模拟自然界优异个体竞争到资源而进行一对多繁殖;
8)对S worst =< , >,将与交换构成新解S’ =<,>,将S’如步骤7)一样进行繁殖,该步骤即为最差反转繁殖,该策略的思想为为最差的组合,那么其补集则为最优组合;
9)使用步骤1)中的方法,随机生成若干(小于N-k-k’) 个新解,且与解集S中现有解不同,加入到解集S中,使解数量达到N;
10)评估最优解,如果符合终止条件或达到设定的最大迭代次数G,则输出最优解并结束,否则迭代次数加1转步骤11);
11)将本次最优解与上次最优解进行比较,如果为同一最优解,表明该最优解已经不能进化,则删除最优解和其繁殖的子代,然后转步骤3)继续执行。
经过上述11个步骤的多次循环迭代,可以求得多个测量信号的组合,然后由这些信号组合构成某种决策模型,可以简单直观地对防爆电机的运行状态进行检测,快速准确地实现防爆电机的故障检测、损伤识别和定位。
Claims (1)
1. 一种基于遗传算法的防爆电机故障检测方法,设某时刻的测量信号集合为F={a 1 , a 2 ,a i ,…a m },m=|F|为集合大小,设 random()为(0,1)上均匀分布的随机函数,G为最大迭代次数,f(s)为具体应用的适应度函数,其特征在于,包括以下步骤:
1)对测量信号集合F采取不放回采样R=random()*m次,则经过R次采样后,待选集F被划分为集合FY 和FN,FY表示被选中的集合,FN表示F中未被选中的集合,有FN⊂F,FY⊂F,且FN∩FY=∅,记s=<F Y ,F N >为问题的一个解;
2)上述步骤1)共执行N+X次,取其中N个不同的解s作为问题的初始解集合,即对测量信号集F进行了N次异构划分,记初始解集为S=(s 1 , s 2 , … ,s i , …, s N );
3)对集合S中的s i 根据具体应用计算适应度函数值v i =f(s i ),然后依照v i 对s i 进行降序排序,将s 1 存入s best ,其适应度值存入v best ,最差解S n 存入S worst ,取其中前k=random()*N/2个进行步骤4)运算, 取后k’=random()*N/2 进行步骤5)运算,然后删除剩余的N-k-k’个解,构成新的解集S;步骤4)和5)即为双向进化策略;
4) 对于集合S中的前k个解s i =< , >,i=1,2,…k, 设T=min(||,||),随机从和中各取R=random()*T个元素进行交换,构成新解s,计算解s的应适度函数v= f(s),如果v>vbest, 则使用 s 和v 分别替换 sbest和vbest ;如果v>f(s i ),则将s 加入解集S,同时保证s不同于S中任一现有解;
5) 对于集合S中的后k’个解 s i =< , >,i=k+1,k+2,…k+k’ , 交换与,构成新解s,计算解s的应适度函数v,如果v>Vbest , 则使用 s 和v 分别替换 sbest和vbest ,并将s加入解集S,同时保证s不同于S中任一现有解;
6)对sbest=< , >,随机交换和之中任意一个元素,构成新解,计算应适度v’=f(), 如果v’>vbest, 则用v’替换vbest,替换 sbest ;
7)如果sbest发生变化,且||>1,则依次从集合移除一个元素,构成||个子集,记为,遍历每个子集,计算应适度v’=f(), 如果v’>vbest, 则用v’替换vbest ,对应的记入临时变量s’中,遍历结束,如果存在v’>vbest,则用对应的替换sbest,该过程7)为模拟自然界优异个体竞争到资源而进行一对多繁殖;
8)对S worst =< , >,将与交换构成新解S’ =<,>,将S’如步骤7)一样进行繁殖,该步骤即为最差反转繁殖,该策略的思想为为最差的组合,那么其补集则为最优组合;
9)使用步骤1)中的方法,随机生成若干个且小于N-k-k’的新解,且与解集S中现有解不同,加入到解集S中,使解数量达到N;
10)评估最优解,如果符合终止条件或达到设定的最大迭代次数G,则输出最优解并结束,否则迭代次数加1转步骤11);
11)将本次最优解与上次最优解进行比较,如果为同一最优解,表明该最优解已经不能进化,则删除最优解和其繁殖的子代,然后转步骤3)继续执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611168586.8A CN107064794B (zh) | 2016-12-16 | 2016-12-16 | 一种基于遗传算法的防爆电机故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611168586.8A CN107064794B (zh) | 2016-12-16 | 2016-12-16 | 一种基于遗传算法的防爆电机故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107064794A CN107064794A (zh) | 2017-08-18 |
CN107064794B true CN107064794B (zh) | 2019-12-17 |
Family
ID=59618589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611168586.8A Expired - Fee Related CN107064794B (zh) | 2016-12-16 | 2016-12-16 | 一种基于遗传算法的防爆电机故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107064794B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090566B (zh) * | 2017-12-13 | 2020-03-24 | 电子科技大学 | 基于串并联遗传算法的多目标测试优选方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567742A (zh) * | 2010-12-15 | 2012-07-11 | 中国科学院电子学研究所 | 一种基于自适应核函数选择的支持向量机自动分类方法 |
CN103336173A (zh) * | 2013-01-29 | 2013-10-02 | 上海海维工业控制有限公司 | 基于遗传算法自适应谐波检测方法 |
CN104200272A (zh) * | 2014-08-28 | 2014-12-10 | 北京工业大学 | 一种基于改进遗传算法的复杂网络社区挖掘方法 |
CN105719003A (zh) * | 2016-01-13 | 2016-06-29 | 中国南方电网有限责任公司超高压输电公司 | 一种基于量子遗传算法的换流变压器局放超声定位方法 |
CN105896528A (zh) * | 2016-04-21 | 2016-08-24 | 国网重庆市电力公司电力科学研究院 | 基于隔离小生境遗传算法的配电网重构方法 |
-
2016
- 2016-12-16 CN CN201611168586.8A patent/CN107064794B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107064794A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596492B (zh) | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 | |
CN109214599B (zh) | 一种对复杂网络进行链路预测的方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN102411687B (zh) | 未知恶意代码的深度学习检测方法 | |
CN106682688A (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
CN110969262A (zh) | 一种变压器故障诊断方法 | |
CN112116058A (zh) | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 | |
CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN105629156A (zh) | 基于遗传规划的模拟电路故障测试最优序贯搜索方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
CN110334478A (zh) | 机器设备异常检测模型构建方法、检测方法及模型 | |
CN103440275A (zh) | 一种基于普利姆的k均值聚类方法 | |
CN110705045A (zh) | 一种利用网络拓扑特性构建加权网络的链路预测方法 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN107064794B (zh) | 一种基于遗传算法的防爆电机故障检测方法 | |
Ruderman et al. | Uncovering surprising behaviors in reinforcement learning via worst-case analysis | |
Jia et al. | Generating software test data by particle swarm optimization | |
Cao et al. | An approach to generate software test data for a specific path automatically with genetic algorithm | |
CN116051911B (zh) | 基于不确定性学习的小样本轴承振动图像数据故障诊断方法 | |
CN108764570A (zh) | 一种基于蚁群算法与Lin-Kernighan算法解决旅行商问题的杂交算法 | |
Zakaria et al. | Optimized Artificial Neural Network for the detection of incipient faults in power transformer | |
Kozlenko et al. | Deep learning based fault detection of natural gas pumping unit | |
CN113963757A (zh) | 基于气体关系和图神经网络的充油电气设备故障诊断方法 | |
CN110017989B (zh) | 一种风力机轴承故障诊断的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191217 Termination date: 20201216 |