当前位置:文档之家› SAPSO-BP算法在异步电机故障诊断中的应用

SAPSO-BP算法在异步电机故障诊断中的应用

第12卷 第2期 红河学院学报 Vol.12 No.22014年4月 Journal of Honghe University Apr.2014

SAPSO-BP算法在异步电机故障诊断中的应用

张 莹

(云南省个旧市冶金研究所,云南 个旧 661100)

摘 要:为了提高异步电机故障诊断的准确性,引入了一种基于模拟退火粒子群算法优化BP神经网络(SAPSO-BP算法)的故障诊断方法.根据电机转子振动频谱中所提取的特征参数与故障类型之间的关系数据,利用模拟退火粒子群算法来优化BP神经网络的权、阈值参数,再由优化好的BP网络进行故障诊断.实验结果表明,该方法具有较好的故障模式的识别效果,明显提高了异步电机故障诊断的准确性.

关键词:模拟退火;粒子群算法;神经网络;异步电机;故障诊断

中图分类号:TM307 文献标识码:A 文章编号:1008-9128(2014)02-0036-03

收稿日期:2013-03-05

作者简介:张莹(1966—),女,云南个旧人,研究方面:电气工程及其自动化。

引言

作为现代工业的主要动力设备,异步电机的应用非常广泛.对其进行有效地状态监测与故障诊断,可保证设备运行的安全性.然而,由于电机的工作状态受电网电压、负载性质等影响严重,故障时有发生.目前针对电机故障诊断问题的研究,主要从故障机理分析和故障特征检测两个方面入手[1],并以后者应用居多,且其中以神经网络[2]以及一些智能优化算法[3]等故障诊断技术应用较为广泛.

鉴于BP神经网络存在易陷入局部极小等缺陷,相关研究人员将粒子群优化算法与BP网络结合起来[4],以改进BP网络的非线性映射能力,但仍易出现早熟收敛现象.而模拟退火粒子群算法(简记为SAPSO)综合了粒子群算法的全局优化能力和模拟退火算法的跳出局部最优解的能力, 能使该算法快速找到全局最优解.因此,本文采用一种基于模拟退火粒子群优化BP神经网络的混合算法,并用于异步电机的故障诊断中,以进行电机故障模式的有效识别.

1 SAPSO-BP算法的实现过程

粒子群算法(particle swarm optimization,PSO) 源于对鸟类的群体行为的研究,是一种基于迭代的优化工具.通过当前所搜索到的最优值来寻找全局最优解[5],并具有算法简单、易于实现等优点.PSO算法首先初始化为一群随机粒子(随机解),在每次迭代中,各粒子通过跟踪两个“极值”来更新自己:一个是个体极值P best ,另一个是全局最优解P gbest ,并由这两个“极值”来更新自己的位置与速度.

模拟退火算法(Simulated Annealing,SA)是一种通用概率算法,用来在一个大的搜索空间内寻找问题的最优解.其思想基于固体退火的原理,来模拟高温金属降温的热力学过程并具有概率突跳的能力[6].SA算法的退火过程由一组初始参数控制,核心是使系统达到平衡,以在有限的时间中逼近最优解.

SAPSO-BP算法是将模拟退火粒子群算法用于优化BP网络的权、阈值参数,并使网络的适应度函数达到最小.该算法的实现步骤如下[7]:

①确定BP神经网络的拓扑结构并初始化粒子群;

②确定网络的适应度函数.以网络的均方误差作为适应度函数,其算式为

其中,N 为训练样本的个数,y 1为第i 个样本的实际输出值,d i 为第i 个样本的期望输出值.

③计算每个粒子的适应度;

④评价适应度.将当前各粒子的位置和适应度值存储于各粒子的P i 中,将种群中的最优解P bes 中适应度值最优个体的位置和适应度值存储于P g 中;

⑤确定初始温度,t 0=f (P g )/ln5;

⑥确定适配值,根据式(2)确定当前温度下各P i 的适配值;

⑦采用轮盘赌策略从所有P i

中确定全局最优的

(1)

(2)

相关主题
相关文档 最新文档