CN107064794B - 一种基于遗传算法的防爆电机故障检测方法 - Google Patents

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

一种基于遗传算法的防爆电机故障检测方法

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F^Y 和F^N，F^Y表示被选中的集合，F^N表示F中未被选中的集合，有F^N⊂F，F^Y⊂F，且F^N∩F^Y=∅，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>v_best, 则使用 s 和v 分别替换 s_best 和v_best ;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>V_best , 则使用 s 和v 分别替换 s_best 和v_best ，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s_best=< , >,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’>v_best , 则用v’替换v_best，替换 s_best ；

7)如果s_best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’>v_best ,则用v’替换v_best ，对应的记入临时变量s’中，遍历结束，如果存在v’>v_best ,则用对应的替换 s_best，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2^m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F^Y 和F^N，F^Y表示被选中的集合，F^N表示F中未被选中的集合，有F^N⊂F，F^Y⊂F，且F^N∩F^Y=∅，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>v_best, 则使用 s 和v 分别替换 s_best 和v_best ;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>V_best , 则使用 s 和v 分别替换 s_best 和v_best ，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s_best=< , >,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’>v_best , 则用v’替换v_best，替换 s_best ；

7)如果s_best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’>v_best ,则用v’替换v_best ，对应的记入临时变量s’中，遍历结束，如果存在v’>v_best ,则用对应的替换 s_best，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F^Y 和F^N，F^Y表示被选中的集合，F^N表示F中未被选中的集合，有F^N⊂F，F^Y⊂F，且F^N∩F^Y=∅，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>v_best, 则使用 s 和v 分别替换 s_best和v_best ;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>V_best , 则使用 s 和v 分别替换 s_best和v_best ，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s_best=< , >,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’>v_best, 则用v’替换v_best，替换 s_best ；

7)如果s_best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’>v_best, 则用v’替换v_best ，对应的记入临时变量s’中，遍历结束，如果存在v’>v_best,则用对应的替换s_best，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。