CN112906957A - 基于遗传算法优化的bp神经网络输煤故障预测方法 - Google Patents

Abstract

本发明公开一种基于遗传算法优化的BP神经网络输煤故障预测方法，步骤为：确定BP神经网络拓扑结构图；以港务局机组参数作为BP神经网络拓扑结构图中的输入变量，并进行数据归一化处理，得到初始种群；对初始种群中的个体染色体进行编码，评估每一条染色体的适应度值；根据适应度值选取优良的个体进行选择、交叉、以及变异运算，得到最优个体；建立改进BP网络学习率优化模型，用于优化计算BP神经网络权值和阈值；用最优个体解码并赋值给BP神经网络，作为网络初始权值和阈值输入，训练神经网络，得到最佳预测模型。本发明可以对输煤系统故障进行提前预测，软硬件实现简单，成本低，提高了传统神经网络收敛速度，提高了网络训练效率。

Description

基于遗传算法优化的BP神经网络输煤故障预测方法

技术领域

本发明涉及一种计算机领域的故障预测技术，具体为一种基于遗传算法优化的BP神经网络输煤故障预测方法。

背景技术

在港务局输煤系统中，电机通过减速器及耦合器带动传送带运行，耦合器位于电机与减速器之间，与电机柔性连接，起到保护电机的作用。当出现负荷超载的情况时，减速机停转，然而电机带动耦合器仍旧运转，此时耦合器内部的油温会急剧升高，温度上升产生较大的变化，如不及时采取措施，会产生电机设备损坏事故，造成港务局财产的损失。

目前采取的措施是在耦合器中加入一定温度熔点的物质，此物质熔点高于输煤系统正常运行时耦合器内部油温，低于事故发生时耦合器内部油温，当耦合器内油温达到物质熔点温度时，物质融化，射流装置启动，射流装置压力加到压力开关上，使压力开关断开，触发信号连接到主控室PLC输入端，PLC控制设备停机。输煤系统实际运行中，当电机传送带负荷超载时，会造成耦合器油温急剧升高，报警停机。从实际应用来看，当前系统可在一定程度上有效地保护电机，防止事故发生，但还属于被动保护。机组报出高温故障警告时，一般已经发生故障失效。因此，如何对输煤系统故障进行监测，并提前采取一定的预防措施，是输煤系统亟待解决的一个课题。

发明内容

针对现有技术中输煤系统保护设备方法为被动保护，同时无法预测故障发生等不足，本发明要解决的问题是提供一种可有效提高输煤系统故障预测的准确性、变被动保护为主动保护的BP神经网络输煤故障预测系统及方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明提供一种基于遗传算法优化的BP神经网络输煤故障预测方法，包括以下步骤：

1)确定BP神经网络拓扑结构图；

2)以港务局机组参数作为BP神经网络拓扑结构图中的输入变量，并进行数据归一化处理，得到初始种群；

3)对初始种群中的个体染色体进行编码，评估每一条染色体的适应度值；

4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算，得到最优个体；

5)建立改进BP网络学习率优化模型，用于优化计算BP神经网络权值和阈值；

6)用步骤4)迭代运算后得到的最优个体解码并赋值给BP神经网络，作为网络初始权值和阈值输入，训练神经网络，得到最佳预测模型。

步骤3)中对初始种群中的染色体进行编码，估每一条染色体的适应度值，具体为：

采用随机数生成器法，将染色体编码成实数串，设定适应度函数；

评估每一条染色体的适应度值，适应度函数为：

其中，Y是预测输出结果值，Y₀是实际数据值，N是迭代次数；u为染色体序号；

通过遗传算法的不断迭代，使得神经网络预测输出值不断接近实际数据值。

步骤4)中对优良染色体进行选择运算，具体为：

采用改进的适应度比例法，依据最优个体的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群，公式如下：

其中f_min＝min_i∈[0,N){f_v,0}，f是上述选择运算后得出的适应度值，v为染色体序号，M表示种群数目，设最差的适应度为f_min，如果其为负值，那么选择概率为0；对于校正后的适应度之和为0的情况，可以将所有个体的选的概率设为

w为迭代次数，f_v为第v个染色体适应度值，P(v)表示第v个染色体的的选择概率。

步骤5)中改进的BP网络学习率优化模型为：

其中，z为训练时间，E(z)为误差，e^-λ为学习率修正系数，λ∈[0.0001,0.001]，η∈[0.01,0.1]，为学习率。

步骤6)用步骤4)迭代后得到的最优个体解碼并赋值给BP神经网络，作为初始权值和阈值输入，训练神经网络，得到最佳预测模型，具体为：

601)定义输入变量x₁＝(T₁,T₂,T₃,...,T_n)，T表示耦合器表层油温；x₂＝(P₁,P₂,P₃,...,P_n)，P表示电机功率；x₃＝(t₁,t₂,t₃,...,t_n)，t表示系统运行时间；定义输出变量y＝(T_p1,T_p2,T_p3,...,T_pn)，T_p表示算法预测温度值；

602)隐含层输出计算，根据输入变量x_i、输入层与隐含层连接权值ω_ij以及隐含层阈值a_j，计算隐含层第i个神经元的输出：

式中，

是sigmoid启动函数，n是输入层节点个数，j为隐含层神经元节点序号，l为隐含层神经元个数；

603)输出层输出计算，根据隐含层输出H_j，隐含层与输出层连接权值ω_jk以及输出层阈值b_k，计算输出层第k个神经元的输出：

式中，Y_k是网络预测输出，k为输出层神经元节点序号，m是输出层节点个数；

604)误差计算，根据网络预测的输出Y_k和期望输出O_k，计算网络预测误差e_k，e_k＝O_k-Y_k,k＝1,2,3,...,m；

605)权值更新计算通过以下公式实现：

ω_jk＝ω_jk+ηH_je_k,k＝1,2,...,m

其中，s是输入层神经元个数；

606)阈值更新计算：

b_k＝b_k+e_k,k＝1,2,...,m

607)使用测试样本数据对训练后的网络单元进行验证分析，输入数据经过优化神经算法处理后得出较高精度的输出预测温度值；输出预测温度值与实际设定温度阈值比较，若预测值高于或等于设定阈值，则输煤系统故障，报警模块为机组人员报警；若预测值低于设定阈值，则输煤系统正常工作。

本发明具有以下有益效果及优点：

1.本发明提供一种基于遗传算法优化的BP神经网络输煤故障预测系统及方法可以对输煤系统故障进行提前预测，软硬件实现简单，成本低；

2.本发明提高了传统神经网络收敛速度，提高了网络训练效率；

3.本发明易于移植到相同类型的故障预测系统中，提出的算法模型具有较强的适应性和良好的拓展性。

附图说明

图1为本发明基于遗传算法优化的BP神经网络输煤故障预测方法中的输煤故障预测系统框图；

图2为本发明应用的BP神经网络拓扑结构图；

图3为本发明基于遗传算法优化的BP神经网络输煤故障预测方法流程图。

具体实施方式

下面结合说明书附图对本发明作进一步阐述。

如图1所示，是本发明输煤故障预测系统结构框图，包括前端检测单元、云服务器单元、故障预测单元、主控制单元、通信单元、报警单元以及显示单元，其中，前端检测单元采集的数据通过以太网传输到云服务器单元上，云服务器单元与主控制器进行数据交互，主控制器输出端分别接至通信单元、显示单元、报警单元以及红外温度采集单元。

云端服务器中的数据库对传输来的数据进行实时存储和备份，同时云服务器中挂载的神经网络算法对采集的数据进行处理，判断输煤系统是否发生故障。若无故障，则显示单元显示当前实时数据值和设定阈值；若故障，则报警单元工作，显示单元显示当前实时数据值，设定阈值。多条皮带机采用相同的方式进行数据采集，存储和处理，将数据传输至云服务器中，保证了数据共享。

如图3所示，本发明提供一种基于遗传算法优化的BP神经网络输煤故障预测方法，包括以下步骤：

1)确定BP神经网络拓扑结构图；

2)以港务局机组参数作为BP神经网络拓扑结构图中的输入变量，并进行数据归一化处理，得到初始种群；

3)对初始种群中的个体染色体进行编码，评估每一条染色体的适应度值；

4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算，得到最优个体；

5)建立改进BP网络学习率优化模型，用于优化计算BP神经网络权值和阈值；

6)用步骤4)迭代运算后得到的最优个体解码并赋值给BP神经网络，作为网络初始权值和阈值输入，训练神经网络，得到最佳预测模型。

如图2所示，本发明在步骤1)中设计三层的BP神经网络包括输入层、隐藏层、输出层，其中层与层之间的连接是全连接。输入层神经元分别为红外温度传感器采集的耦合器表层油温T，港务局机组电机的功率P，系统运行时间t。BP神经网络的输入层节点数量为3，输出层节点数量为1，再由网络隐藏层数量m₂和输入层数量m₁之间的近似公式m₂＝2×m₁+1，将隐藏层节点数量设置为7，设置BP神经网络结构为3-7-1。

步骤2)将采集的数据进行归一化处理，将数据值范围映射到区间[0,1]内。数据归一化处理公式为：

其中，S_T,P,t是表示样本耦合器表层油温，电机功率和该原始数据对应系统运行的时间，S_T,P,t ^*表示归一化处理后耦合器表层油温，电机功率和该被处理数据对应系统运行的时间，X_T,P,tmin与X_T,P,tmax分别表示样本耦合器表层油温，电机功率的最小值和最大值和该数据对应系统运行的时间。

步骤3)中对初始种群中的染色体进行编码，估每一条染色体的适应度值，具体为：

采用随机数生成器法，将染色体编码成实数串，设定适应度函数，网络在预测时预测值与实际值的绝对值误差要尽可能小，评估每一条染色体的适应度值，适应度函数为：

其中，Y是预测输出结果值，Y₀是实际数据值，N是迭代次数；u为染色体序号，通过遗传算法的不断迭代，使得神经网络预测输出值不断接近实际数据值。

4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算，得到最优个体；

步骤4)中对优良染色体进行选择运算，具体为：

采用改进的适应度比例法，依据最优个体(是根据适应度公式得到的初始种群的相对最优个体们，然后在通过步骤4)不断迭代得到最优的唯一个体)的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群，公式如下：

其中f_min＝min_i∈[0,N){f_v,0}，f是上述选择运算后得出的适应度值，v为染色体序号，M表示种群数目，设最差的适应度为f_min，如果其为负值，那么选择概率为0；对于校正后的适应度之和为0的情况，可以将所有个体的选的概率设为

w为迭代次数，f_v为第v个染色体适应度值，P(v)表示第v个染色体的的选择概率。

由于个体采用实数编码，交叉操作采用实数交叉法，第q次迭代后：

其中α∈min(0.2,1/(q+1))，X与Y是进行交叉的两个染色体；

变异运算，选取x个个体的第y个基因进行变异操作，即为：

式中：β_max为基因β_xy的上界值，β_min为基因β_xy的下界值，f(g)＝r₂(1-g/G_max)²，r₂为一个随机数，g为当前迭代次数，G_max为最大进化迭代数，r为[0,1]之间的随机数。

步骤5)中学习率影响神经网络的收敛速度，学习速率设置过小，会极大降低收敛速度，增加训练时间；学习率太大，可能导致参数在最优解两侧来回振荡。本步骤中改进的BP网络学习率优化模型为：

其中，z为训练时间，E(z)为误差，e^-λ为学习率修正系数，λ∈[0.0001,0.001]，η∈[0.01,0.1]为学习率。

6)用步骤4)迭代运算后得到的最优个体解碼并赋值给BP神经网络，作为网络初始权值和阈值输入，训练神经网络，得到最佳预测模型。

在BP神经网络的拓扑结构中，最佳预测模型以港务局某一输煤线路为研究对象，采集过去半年的历史数据作为模型输入样本。为避免电机运行功率等离散因素对预测结果造成干扰，样本只考虑电机额定运行功率P_r到满功率区间P_m范围内的耦合器表层温度，对低于额定功率的状态数据进行剔除。

本步骤用遗传算法迭代计算得到的最优个体解码后赋值给BP神经网络，作为网络初始的权值输入和阈值输入，设定BP神经网络的迭代次数，训练网络，用测试集比对训练好的网络算法模型，最终得到效果良好的网络算法模型，具体为：

601)定义输入变量x₁＝(T₁,T₂,T₃,...,T_n)，T表示耦合器表层油温；x₂＝(P₁,P₂,P₃,...,P_n)，P表示电机功率；x₃＝(t₁,t₂,t₃,...,t_n)，t表示系统运行时间；定义输出变量y＝(T_p1,T_p2,T_p3,...,T_pn)，T_p表示算法预测温度值；

602)隐含层输出计算，根据输入变量x_i、输入层与隐含层连接权值ω_ij以及隐含层阈值a_j，计算隐含层第i个神经元的输出：

式中，

是sigmoid启动函数，n是输入层节点个数，j为隐含层神经元节点序号，l为隐含层神经元个数；

603)输出层输出计算，根据隐含层输出H_j，隐含层与输出层连接权值ω_jk以及输出层阈值b_k，计算输出层第k个神经元的输出：

式中，Y_k是网络预测输出，k为输出层神经元节点序号，m是输出层节点个数；

604)误差计算，根据网络预测的输出Y_k和期望输出O_k，计算网络预测误差e_k，e_k＝O_k-Y_k,k＝1,2,3,...,m；

605)权值更新计算通过以下公式实现：

ω_jk＝ω_jk+ηH_je_k,k＝1,2,...,m

其中，s是输入层神经元个数；

606)阈值更新计算：

b_k＝b_k+e_k,k＝1,2,...,m

607)使用测试样本数据对训练后的网络单元进行验证分析，算法是够满足预测要求，精度达到90％以上，输入数据经过优化神经算法处理后得出较高精度的输出预测温度值；输出预测温度值与实际设定温度阈值比较，若预测值高于或等于设定阈值，则输煤系统故障，报警模块为机组人员报警；若预测值低于设定阈值，则输煤系统正常工作。

本发明中，输煤故障预测系统能够良好的运行并实时监测采集的数据，在显示单元进行实时显示。同时，系统对数据进行处理，预测输煤系统是否发生故障。并且，在整个计算过程中，利用遗传算法对神经网络初始的权值和阈值进行优化，大大提高了算法的运算效率和收敛速度。

本发明系统可以对输煤系统故障进行提前预测，软硬件实现简单，成本低；易于移植到相同类型的故障预测系统中，提出的模型具有较强的适应性和良好的拓展性。

Claims (5)

1.一种基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于包括以下步骤：

1)确定BP神经网络拓扑结构图；

2)以港务局机组参数作为BP神经网络拓扑结构图中的输入变量，并进行数据归一化处理，得到初始种群；

3)对初始种群中的个体染色体进行编码，评估每一条染色体的适应度值；

4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算，得到最优个体；

5)建立改进BP网络学习率优化模型，用于优化计算BP神经网络权值和阈值；

6)用步骤4)迭代运算后得到的最优个体解码并赋值给BP神经网络，作为网络初始权值和阈值输入，训练神经网络，得到最佳预测模型。

2.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤3)中对初始种群中的染色体进行编码，估每一条染色体的适应度值，具体为：

采用随机数生成器法，将染色体编码成实数串，设定适应度函数；

评估每一条染色体的适应度值，适应度函数为：

其中，Y是预测输出结果值，Y₀是实际数据值，N是迭代次数；u为染色体序号；

通过遗传算法的不断迭代，使得神经网络预测输出值不断接近实际数据值。

3.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤4)中对优良染色体进行选择运算，具体为：

采用改进的适应度比例法，依据最优个体的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群，公式如下：

其中f_min＝min_i∈[0,N){f_v,0}，f是上述选择运算后得出的适应度值，v为染色体序号，M表示种群数目，设最差的适应度为f_min，如果其为负值，那么选择概率为0；对于校正后的适应度之和为0的情况，可以将所有个体的选的概率设为

w为迭代次数，f_v为第v个染色体适应度值，P(v)表示第v个染色体的的选择概率。

4.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤5)中改进的BP网络学习率优化模型为：

其中，z为训练时间，E(z)为误差，e^-λ为学习率修正系数，λ∈[0.0001,0.001]，η∈[0.01,0.1]，为学习率。

5.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤6)用步骤4)迭代后得到的最优个体解碼并赋值给BP神经网络，作为初始权值和阈值输入，训练神经网络，得到最佳预测模型，具体为：

601)定义输入变量x₁＝(T₁,T₂,T₃,...,T_n)，T表示耦合器表层油温；x₂＝(P₁,P₂,P₃,...,P_n)，P表示电机功率；x₃＝(t₁,t₂,t₃,...,t_n)，t表示系统运行时间；定义输出变量y＝(T_p1,T_p2,T_p3,...,T_pn)，T_p表示算法预测温度值；

602)隐含层输出计算，根据输入变量x_i、输入层与隐含层连接权值ω_ij以及隐含层阈值a_j，计算隐含层第i个神经元的输出：

式中，

是sigmoid启动函数，n是输入层节点个数，j为隐含层神经元节点序号，l为隐含层神经元个数；

603)输出层输出计算，根据隐含层输出H_j，隐含层与输出层连接权值ω_jk以及输出层阈值b_k，计算输出层第k个神经元的输出：

式中，Y_k是网络预测输出，k为输出层神经元节点序号，m是输出层节点个数；

604)误差计算，根据网络预测的输出Y_k和期望输出O_k，计算网络预测误差e_k，e_k＝O_k-Y_k,k＝1,2,3,...,m；

605)权值更新计算通过以下公式实现：

ω_jk＝ω_jk+ηH_je_k,k＝1,2,...,m

其中，s是输入层神经元个数；

606)阈值更新计算：

b_k＝b_k+e_k,k＝1,2,...,m

607)使用测试样本数据对训练后的网络单元进行验证分析，输入数据经过优化神经算法处理后得出较高精度的输出预测温度值；输出预测温度值与实际设定温度阈值比较，若预测值高于或等于设定阈值，则输煤系统故障，报警模块为机组人员报警；若预测值低于设定阈值，则输煤系统正常工作。

Images