基于PCA-GA-BP神經(jīng)網(wǎng)絡(luò)的水電機(jī)組狀態(tài)異常辨別方法

羅正亮，潘虹*，趙雷，唐魏，鄭源

(1. 河海大學(xué)能源與電氣學(xué)院，江蘇 南京210037； 2. 重慶航運(yùn)建設(shè)發(fā)展有限公司，重慶400000； 3. 河海大學(xué)水利水電學(xué)院，江蘇 南京210037)

當(dāng)前水電機(jī)組運(yùn)行過程中往往容易因工況變化復(fù)雜或零部件磨損引發(fā)機(jī)組異常狀態(tài)運(yùn)行，容易對(duì)機(jī)組以及電廠造成生產(chǎn)損失，故能夠精準(zhǔn)、高效地實(shí)現(xiàn)對(duì)機(jī)組異常運(yùn)行以及機(jī)組狀態(tài)快速辨別的研究變得尤為關(guān)鍵，對(duì)機(jī)組實(shí)際運(yùn)行具有重要指導(dǎo)意義.傳統(tǒng)機(jī)組異常辨別方法大多依據(jù)零部件表面情況進(jìn)行推理，如振動(dòng)、磨損等，或是依賴于機(jī)組員工檢修經(jīng)驗(yàn)，這種方法具有一定的直觀性，但其缺乏科學(xué)的邏輯解釋.在現(xiàn)今大部分電站運(yùn)行中，更多依賴于多傳感器收集數(shù)據(jù)，通過觀測(cè)海量連續(xù)數(shù)據(jù)間的波動(dòng)表現(xiàn)或是分解數(shù)據(jù)振動(dòng)量，再將其作為特征變量輸入已有數(shù)據(jù)結(jié)構(gòu)基礎(chǔ)上的分類模型以進(jìn)行機(jī)組運(yùn)行狀態(tài)智能識(shí)別.但此方法未能實(shí)現(xiàn)對(duì)大量數(shù)據(jù)的深度挖掘或數(shù)據(jù)融合進(jìn)而深層次研究數(shù)據(jù)波動(dòng)，且人工觀測(cè)數(shù)據(jù)波動(dòng)易出現(xiàn)精度不高、效率低等問題，以至于無法達(dá)到機(jī)組異常識(shí)別的高精確性和快速性的要求.

目前，BP神經(jīng)網(wǎng)絡(luò)[1-2]作為機(jī)器訓(xùn)練學(xué)習(xí)用以分析海量數(shù)據(jù)、實(shí)現(xiàn)數(shù)據(jù)挖掘與融合的途徑之一，被國內(nèi)外學(xué)者廣泛應(yīng)用于各類模型預(yù)測(cè)或是故障分類領(lǐng)域.遺傳算法因其模仿自然界生物進(jìn)化規(guī)律而被應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)全局尋優(yōu)參數(shù)，達(dá)到改善傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的目的.郭夢(mèng)茹等[3]通過結(jié)合遺傳算法與神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)多聯(lián)機(jī)閥類故障診斷；王虹等[4]研究了遺傳算法下，神經(jīng)網(wǎng)絡(luò)的支架跟機(jī)自動(dòng)化進(jìn)程；周璐婕等[5]、李澤宇等[6]則研究了遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)下更多旋轉(zhuǎn)機(jī)械類與電路模型故障診斷與預(yù)測(cè)的實(shí)現(xiàn).但在使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)過程中，需采用大量原始數(shù)據(jù)進(jìn)行建模，樣本數(shù)量過多時(shí)會(huì)導(dǎo)致計(jì)算效率降低，嚴(yán)重時(shí)易影響模型精度，而主成分分析法(PCA)因其可以分析多輸入變量所反映數(shù)據(jù)樣本信息，有效提取樣本數(shù)據(jù)特征被應(yīng)用于數(shù)據(jù)降維處理，進(jìn)而克服BP神經(jīng)網(wǎng)絡(luò)在大量數(shù)據(jù)下局部收斂的弊端[7-8].

綜上，針對(duì)神經(jīng)網(wǎng)絡(luò)在水力機(jī)械領(lǐng)域內(nèi)的實(shí)際應(yīng)用，文中提出基于主成分分析法下的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)智能識(shí)別機(jī)組異常狀態(tài)這一方法，做到機(jī)組異常狀態(tài)早期預(yù)警、實(shí)現(xiàn)初始海量數(shù)據(jù)線性無關(guān)特征變量提取、完成數(shù)據(jù)預(yù)處理.同時(shí)在BP神經(jīng)網(wǎng)絡(luò)挖掘海量數(shù)據(jù)具備自學(xué)習(xí)、自提取求解規(guī)則與自適應(yīng)能力的基礎(chǔ)上，將其與遺傳算法所結(jié)合，實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)輸入層與隱含層之間權(quán)值與閾值的優(yōu)化，有效提高BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與預(yù)測(cè)能力，避免陷入局部極小化、收斂不充分等問題.最后，通過電站機(jī)組傳感器數(shù)據(jù)進(jìn)行仿真訓(xùn)練，進(jìn)行機(jī)組異常狀態(tài)識(shí)別，以驗(yàn)證文中方法在精度與效率上所具有的優(yōu)異性.

1 神經(jīng)網(wǎng)絡(luò)模型理論基礎(chǔ)

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)作為一種監(jiān)督型、前饋型神經(jīng)網(wǎng)絡(luò)，具備強(qiáng)大的非線性映射、自適應(yīng)和自主學(xué)習(xí)規(guī)則能力.其信息傳遞過程包括信號(hào)正向傳播與誤差反向傳播.優(yōu)異之處在于誤差反向傳播時(shí)，實(shí)現(xiàn)連接權(quán)值與閾值的更新，進(jìn)而使輸出層結(jié)果不斷逼近理想期望值.由Kolmogorov定理可知：具有1層隱含層的3層神經(jīng)網(wǎng)絡(luò)能夠在閉集以上以任意精度不斷逼近n維至m維的非線性映射，n與m維分別代表輸入、輸出矩陣的維度，表明BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上為非線性映射函數(shù).

1.2 遺傳算法原理

遺傳算法[9]是一種進(jìn)化算法，其基本計(jì)算步驟如下：

1) 實(shí)現(xiàn)編碼工作與種群初始化.將潛在最優(yōu)解空間中的解數(shù)據(jù)表示為遺傳空間基因型串結(jié)構(gòu)數(shù)據(jù)，進(jìn)而隨機(jī)產(chǎn)生一定量的初始串結(jié)構(gòu)數(shù)據(jù)，每個(gè)數(shù)據(jù)可單獨(dú)看作種群中的一個(gè)個(gè)體，算法即從一定量的個(gè)體開始進(jìn)行進(jìn)化計(jì)算.

2) 進(jìn)行種群個(gè)體適應(yīng)度函數(shù)評(píng)估.適應(yīng)度代表種群內(nèi)個(gè)體優(yōu)劣程度，根據(jù)生物學(xué)中“優(yōu)勝劣汰，物競(jìng)天擇”基本思想，采用輪盤賭法選擇評(píng)估后適應(yīng)度較高的個(gè)體，進(jìn)行染色體的復(fù)制，使其下一代具備更高適應(yīng)度.

3) 交叉與變異.利用步驟2中所選擇的高適應(yīng)度個(gè)體，按照一定比例進(jìn)行兩點(diǎn)交叉與變異，完成信息傳遞以及子代的生成，進(jìn)而形成新種群，代表經(jīng)過遺傳算法后所模擬計(jì)算出的問題最優(yōu)解空間.若不符合預(yù)設(shè)要求及精度，則返回至步驟2重新進(jìn)行適應(yīng)度函數(shù)評(píng)估.

1.3 主成分分析法

主成分分析法基本思想為將原輸入矩陣通過坐標(biāo)變換，在保留原有信息的基礎(chǔ)上，映射至另外一組坐標(biāo)系中，并非對(duì)原有特征變量進(jìn)行簡單刪減，而是將若干新變量以原變量的線性組合重新代替原變量在信息傳遞中的表達(dá).同時(shí)保留原有數(shù)據(jù)中對(duì)方差貢獻(xiàn)量最大的特征來達(dá)到簡化數(shù)據(jù)集的目的.新變量需滿足以下：

1) 新變量需盡可能多地保留原變量所儲(chǔ)存的相關(guān)信息；

2) 新變量之間需滿足相互正交以消除原變量之間重復(fù)的信息；

3) 在實(shí)際數(shù)據(jù)分析應(yīng)用中，往往選取貢獻(xiàn)率總和為95.00%～96.00%的主成分作為矩陣變化后的新向量.

2 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 數(shù)據(jù)預(yù)處理

2.1.1 模型數(shù)據(jù)及說明

此次數(shù)據(jù)來源于國內(nèi)某電站機(jī)組連續(xù)運(yùn)行5 d內(nèi)傳感器所收集機(jī)組實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，在機(jī)組連續(xù)運(yùn)行過程中上機(jī)架、水車室以及蝸殼等多個(gè)部件出現(xiàn)較長時(shí)間異常噪聲與振動(dòng)現(xiàn)象，后經(jīng)技術(shù)人員排查，發(fā)現(xiàn)機(jī)組轉(zhuǎn)輪室中環(huán)鋼板出現(xiàn)脫落，中環(huán)、下環(huán)出現(xiàn)嚴(yán)重裂紋，槳葉裙邊損傷嚴(yán)重，檢修后恢復(fù)正常運(yùn)行.

機(jī)組額定功率200 MW，發(fā)電機(jī)型號(hào)為SF200-56/11950，立軸半傘式.傳感器使用整周期采集模式，每4 096行數(shù)據(jù)為一個(gè)連續(xù)的數(shù)據(jù)波形并作為一個(gè)樣本的數(shù)據(jù)長度，每256行為一個(gè)鍵相，每個(gè)波形共16個(gè)鍵相.采樣頻率為458 Hz.保證連續(xù)存儲(chǔ)周期數(shù)是16,周期點(diǎn)數(shù)256點(diǎn),時(shí)間分辨率精確至0.1 ms，根據(jù)傳感器所測(cè)數(shù)據(jù)確定初始數(shù)據(jù)維度為50.

部分傳感器測(cè)量部件與數(shù)據(jù)信息見表1，表中a1為x,y向擺度，d1為x,y向擺度間隙，γ1為x,y向擺度波形，A2為三相振動(dòng)幅值，γ2為三相振動(dòng)波形，d2為三相振動(dòng)間隙，l2為三相振動(dòng)偏移值，l3為x,y向振動(dòng)偏移值，γ3為x,y向振動(dòng)波形，T2為三相槽溫度，p為壓力，P有為有功功率，P無為無功功率，a0為導(dǎo)葉開度，n為機(jī)組轉(zhuǎn)速，f為采樣頻率，l為樣本長度.

表1 多傳感器主要測(cè)量參數(shù)

其中1個(gè)采樣周期內(nèi)軸承波形數(shù)據(jù)與軸承擺度數(shù)據(jù)變化如圖1所示.

圖1 1個(gè)采樣周期內(nèi)軸承波形變化示意圖

從圖1可看出，在1個(gè)樣本周期內(nèi)，波形數(shù)據(jù)波動(dòng)范圍為1個(gè)完整的波動(dòng)周期，故在保證周期內(nèi)樣本數(shù)據(jù)完備性的基礎(chǔ)上對(duì)1個(gè)采樣周期內(nèi)傳感器數(shù)據(jù)取均值作為樣本代表性數(shù)據(jù).

BP神經(jīng)網(wǎng)絡(luò)作為有監(jiān)督型神經(jīng)網(wǎng)絡(luò)，需要有輸出數(shù)據(jù)以對(duì)仿真結(jié)果進(jìn)行監(jiān)督與參考，故將初始數(shù)據(jù)分為輸入數(shù)據(jù)與輸出數(shù)據(jù).將多傳感器在機(jī)組連續(xù)運(yùn)行時(shí)間內(nèi)所檢測(cè)數(shù)據(jù)作為輸入數(shù)據(jù)，其中正常運(yùn)行數(shù)據(jù)與故障運(yùn)行數(shù)據(jù)比值約為2∶1；將機(jī)組實(shí)際運(yùn)行狀態(tài)作為輸出數(shù)據(jù)，正常運(yùn)行與異常運(yùn)行輸出結(jié)果代碼分別對(duì)應(yīng)為1和2.

2.1.2 數(shù)據(jù)主成分分析

考慮到初始輸入數(shù)據(jù)特征量繁多，為加快模型計(jì)算收斂速度、提高診斷準(zhǔn)確率，對(duì)初始數(shù)據(jù)進(jìn)行降維處理，具體步驟：

1) 將輸入數(shù)據(jù)作為主成分分析輸入矩陣，對(duì)其進(jìn)行同一維度空間下線性轉(zhuǎn)換，獲得主成分系數(shù)矩陣、協(xié)方差矩陣等一系列變換矩陣；

2) 對(duì)輸入矩陣進(jìn)行去均值化操作；

3) 進(jìn)行初始數(shù)據(jù)協(xié)方差矩陣貢獻(xiàn)度分析，按照從小至大的順序依次排列；

4) 確定貢獻(xiàn)率累積在96.00%左右的主成分變量，并以此組成主成分變換矩；

5) 將主成分變換矩陣與取均值化處理后的輸入矩陣進(jìn)行相乘，即可獲得貢獻(xiàn)度累積在96%以上的特征變量經(jīng)線性變化后的輸入矩陣.

對(duì)協(xié)方差矩陣進(jìn)行主成分分析后，得到的部分特征值、方差貢獻(xiàn)率、累積貢獻(xiàn)率見表2.

表2 主成分特征值與方差貢獻(xiàn)率

由于主成分分析是在盡可能保留初始數(shù)據(jù)最大信息量的基礎(chǔ)上對(duì)原有數(shù)據(jù)進(jìn)行重新映射且線性組合，通過數(shù)據(jù)特征值以及方差貢獻(xiàn)率來確定主成分，故無法確定所選主成分具體為何種傳感器數(shù)據(jù)特征線性組合或是代表何種傳感器數(shù)據(jù).

由表2可知，前10個(gè)主成分已達(dá)96.12%的累積貢獻(xiàn)率，對(duì)原始變量信息具備高水平的概括，且單個(gè)特征變量方差貢獻(xiàn)率在編號(hào)為11時(shí)已跌至0.52%，參考意義不大，故選擇前10個(gè)主成分作為初始數(shù)據(jù)經(jīng)PCA降維處理后作為網(wǎng)絡(luò)模型輸入，輸入層神經(jīng)元個(gè)數(shù)取為10.

2.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中易出現(xiàn)局部極小值、收斂速度慢甚至不收斂的問題[10]，提出遺傳算法全局尋優(yōu)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，具體模型構(gòu)建如圖2所示.

圖2 網(wǎng)絡(luò)模型構(gòu)建示意圖

具體優(yōu)化步驟如下：

1) 將主成分分析后的數(shù)據(jù)作為網(wǎng)絡(luò)模型輸入.

2) 構(gòu)建基礎(chǔ)BP神經(jīng)網(wǎng)絡(luò)，由于數(shù)據(jù)間相差幅度過大，不利于數(shù)據(jù)深度挖掘以及模型訓(xùn)練計(jì)算，需對(duì)數(shù)據(jù)采用式(6)進(jìn)行歸一化處理，即

(6)

式中:下標(biāo)max與min分別為x中對(duì)應(yīng)的最大值與最小值.

3) 確立模型基本參數(shù)，其中隱含層神經(jīng)元個(gè)數(shù)采用傳統(tǒng)經(jīng)驗(yàn)公式進(jìn)行計(jì)算，即

S=2n+1，

(7)

式中：n為輸入層神經(jīng)元個(gè)數(shù).

BP神經(jīng)網(wǎng)絡(luò)詳細(xì)基本參數(shù)：神經(jīng)元個(gè)數(shù)為11，傳遞函數(shù)Tansig，迭代次數(shù)2 000，誤差精度0.000 01，訓(xùn)練學(xué)習(xí)率0.1.

4) 進(jìn)行遺傳算法優(yōu)化，初始化種群，選擇種群規(guī)模數(shù)為70，遺傳代數(shù)為60代，進(jìn)行選擇、交叉、變異等操作以對(duì)BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值與閾值進(jìn)行全局尋優(yōu).

5) 將模擬后符合預(yù)設(shè)精度條件的參數(shù)重新輸入基礎(chǔ)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬仿真，對(duì)仿真結(jié)果引入微調(diào)函數(shù)，使仿真結(jié)果逼近試驗(yàn)所設(shè)輸出結(jié)果代碼，以完成對(duì)機(jī)組運(yùn)行狀態(tài)識(shí)別.

3 試驗(yàn)結(jié)果與分析

將主成分分析后數(shù)據(jù)樣本中正常、故障數(shù)據(jù)隨機(jī)打亂排序，以前140組作為網(wǎng)絡(luò)訓(xùn)練樣本，后70組數(shù)據(jù)作為測(cè)試樣本，通過訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)模型，對(duì)訓(xùn)練完成的網(wǎng)絡(luò)用測(cè)試樣本進(jìn)行測(cè)試，對(duì)比仿真狀態(tài)與實(shí)際狀態(tài)以統(tǒng)計(jì)狀態(tài)識(shí)別正確率、狀態(tài)檢測(cè)時(shí)間.保證網(wǎng)絡(luò)模型在大量數(shù)據(jù)下進(jìn)行充分訓(xùn)練以提高異常狀態(tài)識(shí)別結(jié)果準(zhǔn)確度.

3.1 不同訓(xùn)練函數(shù)下試驗(yàn)結(jié)果分析

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對(duì)模型參數(shù)存在較大敏感性，為探討不同訓(xùn)練函數(shù)對(duì)PCA-GA-BP神經(jīng)網(wǎng)絡(luò)智能識(shí)別機(jī)組運(yùn)行狀態(tài)的影響，從提高模型魯棒性以及可靠性的角度出發(fā)，選用不同訓(xùn)練函數(shù)對(duì)模型進(jìn)行試驗(yàn)，試驗(yàn)獨(dú)立進(jìn)行，因神經(jīng)網(wǎng)絡(luò)自身缺陷問題易使結(jié)果值產(chǎn)生波動(dòng)，故每組訓(xùn)練函數(shù)試驗(yàn)次數(shù)取為30次(每次試驗(yàn)重新對(duì)模型進(jìn)行訓(xùn)練)，評(píng)估指標(biāo)選為機(jī)組狀態(tài)識(shí)別率與狀態(tài)檢測(cè)時(shí)間，參考結(jié)果均取平均值，如表3所示，表中θa為狀態(tài)識(shí)別率，ta為狀態(tài)檢測(cè)時(shí)間.

表3 不同訓(xùn)練函數(shù)對(duì)結(jié)果識(shí)別率以及識(shí)別效率的影響

從表3中可以看出，相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)所使用的梯度下降訓(xùn)練函數(shù)′traingd′，′trainbr′與′trainlm′訓(xùn)練函數(shù)在識(shí)別率上具有更明顯的優(yōu)勢(shì)，識(shí)別正確率均在97.00%以上；在檢測(cè)時(shí)間上，除去′trainbr′函數(shù)，其他函數(shù)檢測(cè)時(shí)間均在6.00 s以內(nèi)(檢測(cè)時(shí)間與電腦配置有關(guān)，試驗(yàn)所用設(shè)備為Intel(R) Core(TM) i5-8400(2.80 GHz)，8 GB內(nèi)存).但由于′trainbr′訓(xùn)練函數(shù)在訓(xùn)練時(shí)對(duì)內(nèi)存需求較大，較其他訓(xùn)練函數(shù)所檢測(cè)花費(fèi)時(shí)間最多，且當(dāng)樣本數(shù)量增加時(shí)，檢測(cè)時(shí)間過長會(huì)使時(shí)間成本增加，不符合對(duì)機(jī)組運(yùn)行狀態(tài)判別所需及時(shí)性、快速性的要求，反觀′trainlm′訓(xùn)練函數(shù)，具備識(shí)別正確率高、識(shí)別速度快的特點(diǎn)，故對(duì)PCA-GA-BP網(wǎng)絡(luò)模型選取′trainlm′作為訓(xùn)練函數(shù).

3.2 綜合分析

為充分驗(yàn)證基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用主成分分析法后相較于其他網(wǎng)絡(luò)模型所具有的優(yōu)勢(shì)，引入PCA-BP,BP,GA-BP這3種網(wǎng)絡(luò)模型進(jìn)行對(duì)照試驗(yàn)，所選試驗(yàn)樣本數(shù)據(jù)均一致，每組網(wǎng)絡(luò)模型進(jìn)行30次獨(dú)立試驗(yàn)(每次試驗(yàn)重新對(duì)模型進(jìn)行訓(xùn)練).同時(shí)，從增加模型狀態(tài)識(shí)別精準(zhǔn)度、提高模型識(shí)別時(shí)效性的角度出發(fā)，改變不同模型下訓(xùn)練樣本與測(cè)試樣本的比例，以增強(qiáng)數(shù)據(jù)結(jié)果可信度.狀態(tài)識(shí)別率與檢測(cè)時(shí)間均取平均值，3組對(duì)照試驗(yàn)所用訓(xùn)練函數(shù)均為′trainlm′.試驗(yàn)結(jié)果見表4.

表4 不同網(wǎng)絡(luò)模型不同樣本比例下識(shí)別正確率與效率的對(duì)比

從表4中可以看出，基于主成分分析法的GA-BP網(wǎng)絡(luò)模型，在3類不同樣本比例的試驗(yàn)中，平均識(shí)別正確率最高，分別為99.19%,99.37%,98.93%；平均狀態(tài)檢測(cè)時(shí)間僅次于PCA-BP模型，分別為0.94，0.67，0.69 s.還可以發(fā)現(xiàn)，將遺傳算法應(yīng)用于網(wǎng)絡(luò)模型后，對(duì)BP與PCA-BP網(wǎng)絡(luò)模型，使其在基于93.00%～98.00%識(shí)別正確率的基礎(chǔ)上進(jìn)一步提升了0.50%～4.50%，導(dǎo)致這一現(xiàn)象可能是因?yàn)檫z傳算法通過全局尋優(yōu)可獲得符合預(yù)設(shè)精度的神經(jīng)網(wǎng)絡(luò)權(quán)值，在充分發(fā)揮傳統(tǒng)神經(jīng)網(wǎng)絡(luò)廣泛映射能力的基礎(chǔ)上進(jìn)一步提升模型精確度，有效提高狀態(tài)識(shí)別正確率，且避免傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值或收斂不全面的缺陷.將主成分分析法結(jié)合神經(jīng)網(wǎng)絡(luò)后，狀態(tài)檢測(cè)時(shí)間大幅度縮減，時(shí)間成本有效減少，對(duì)BP與GA-BP網(wǎng)絡(luò)模型縮減幅度在93.00%～94.00%.經(jīng)分析這是因?yàn)槲唇?jīng)過降維處理的初始數(shù)據(jù)存在部分線性相關(guān)特征量，當(dāng)樣本數(shù)量較多時(shí)，會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練計(jì)算速度較低、收斂速度慢.且遺傳算法對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行全局尋優(yōu)時(shí)需要占用設(shè)備大量內(nèi)存，故使得PCA-GA-BP網(wǎng)絡(luò)模型在30次平均檢測(cè)時(shí)間的結(jié)果表現(xiàn)上不如PCA-BP模型.

為更進(jìn)一步說明文中所提PCA-GA-BP網(wǎng)絡(luò)模型相較于傳統(tǒng)BP網(wǎng)絡(luò)模型的優(yōu)勢(shì)，將2種模型在3類樣本比例下共90次試驗(yàn)中隨機(jī)取出30 次試驗(yàn)識(shí)別率結(jié)果對(duì)比展示如圖3所示.

圖3 2種網(wǎng)絡(luò)模型識(shí)別正確率對(duì)比圖

隨機(jī)取出一次PCA-GA-BP網(wǎng)絡(luò)模型試驗(yàn)測(cè)試樣本預(yù)測(cè)結(jié)果對(duì)比如圖4所示.

圖4 PCA-GA-BP模型預(yù)測(cè)結(jié)果

觀察分析可知：兩類模型識(shí)別率眾數(shù)區(qū)間均在92.00%～100.00%，且都出現(xiàn)范圍不同的數(shù)值波動(dòng)現(xiàn)象，經(jīng)分析可能是因?yàn)樯窠?jīng)網(wǎng)絡(luò)自身缺陷以及遺傳算法易尋求次優(yōu)解所致.但根據(jù)30次試驗(yàn)整體表現(xiàn)，相對(duì)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，PCA-GA-BP在穩(wěn)定性上具有更明顯優(yōu)勢(shì)，具體表現(xiàn)為識(shí)別率波動(dòng)范圍小，低于6.00%，且模型穩(wěn)定時(shí)間長，識(shí)別率眾數(shù)較高，能對(duì)機(jī)組運(yùn)行狀態(tài)進(jìn)行更為精確、穩(wěn)定的預(yù)測(cè)，表明遺傳算法能在一定程度上優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的波動(dòng)現(xiàn)象，結(jié)合圖4中實(shí)際運(yùn)行狀態(tài)曲線與模型預(yù)測(cè)曲線100%的重合程度，驗(yàn)證文中所提網(wǎng)絡(luò)模型在識(shí)別精度、識(shí)別效率以及模型魯棒性上都有較為優(yōu)異的表現(xiàn).

4 結(jié) 論

文中提出一種將主成分分析法與遺傳算法對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的水電機(jī)組異常狀態(tài)智能辨別方法.在充分發(fā)揮BP神經(jīng)網(wǎng)絡(luò)廣泛映射能力與自主學(xué)習(xí)規(guī)則的基礎(chǔ)上利用主成分分析法與遺傳算法進(jìn)行數(shù)據(jù)降維與網(wǎng)絡(luò)閾值全局尋優(yōu)處理，從而提高神經(jīng)網(wǎng)絡(luò)收斂速度和識(shí)別精度.結(jié)果表明，相較于其他網(wǎng)絡(luò)模型，該方法運(yùn)行狀態(tài)檢測(cè)時(shí)間下降至1.00 s以內(nèi)，運(yùn)行狀態(tài)識(shí)別正確率均在98.00%以上，實(shí)現(xiàn)了更快速度、更高精度下對(duì)機(jī)器模型自主訓(xùn)練學(xué)習(xí)以對(duì)機(jī)組運(yùn)行狀態(tài)自我判別的作用，充分符合機(jī)組異常運(yùn)行早期預(yù)警所需狀態(tài)識(shí)別時(shí)效性與精確性，對(duì)機(jī)組實(shí)際運(yùn)行具有重要工程參考意義.