杨鸣，施伟锋

(上海海事大学 物流工程学院， 上海 201306)

0 引 言

船舶的电气化与信息化凭借其先进性和高效能性将成为船舶发展的必然趋势，“全电船”将成为未来船舶动力系统发展的重要方向.[1]它将船舶发电机组与大功率推进电机作为动力装置的核心系统，形成以发电机组-配电与变换-大功率推进电机的电力推进船舶电力系统，取代内燃机作为船舶主动力系统,为船舶主动力系统提供电能，确保船舶性能的可靠性和稳定性.但另一方面，大型船舶电力系统的高阶强耦合非线性、恶劣海况及船舶机舱作业的恶劣环境等会引起船舶发电机组参数发生变化，使系统出现故障的可能性急剧增加.若能及时发现船舶发电系统的早期故障并采取措施，就会避免船舶机损事故和海难事故的发生，将人员伤亡、经济损失及社会不良影响降到最低.

1 船舶发电机常见故障及诊断方法

1.1 船舶发电机常见故障

船舶发电机发生故障的类型包括机械故障和电气故障，故障的发生同时也受到船舶机舱环境的影响.在出现故障之前，通常会伴有机械、电磁、声学、电气以及绝缘系统变化的征兆.从机械角度看，船舶运行时不可避免的晃动、电机周期的间歇性运行都会引起绕组松动、轴承磨损等；从电气角度看，电压不平衡或电机绕组电位分布不均匀等都可能导致绝缘层损坏；从环境角度看，高温和污垢将直接或间接造成电机过热，这是加速绝缘层老化、降低绝缘性能的重要原因.

通常船舶发电机的故障有定子铁芯故障、定子绕组故障、转子绕组故障、轴承故障、气隙偏心故障等.(1)定子铁芯故障.经过长时间的运行，如果电机自身振动较为强烈，通常会导致电机定子铁芯片间绝缘损坏.当轴承遭到损坏时，很可能导致转子与定子之间发生摩擦而损坏定子铁芯.(2)定子绕组故障.老化、过热、潮湿、振动、磨损等原因会导致电机绝缘能力下降，从而出现绕组匝间短路或接地等.(3)转子绕组故障.电机的频繁起动或过载运行致使转子承受较大的应力.如果长期承受应力，会导致转子导条和端环产生疲劳，逐渐发生断裂和开焊，引起转子故障.(4)轴承故障.轴承用于前后两端支撑电机，轴承内圈和转子高速运转，承受较大的载荷，易发生故障.(5)气隙偏心故障.当存在气隙时，气隙磁导沿圆周方向出现不均匀，从而产生绕组的谐波分量，同时产生不同于正常运行时的电磁力波，作用于电机的转子和定子.

1.2 船舶发电机故障诊断方法

船舶发电机故障诊断方法主要来源于陆上电力系统的故障诊断方法.结合陆上故障诊断的方法，船舶发电机故障诊断主要采取基于数学模型法、直接测量法、专家诊断法、故障树分析法和人工神经网络法等的诊断方法.祝福[2]基于数学模型法,通过分析故障机理提出诊断匝间短路故障的方法；陈佳等[3]采用改进型故障树分析法对引起船舶电力系统故障的各因素进行综合评价；吕传文[4]采用蚁群优化算法同时结合人工神经网络法对船舶发电机故障进行诊断和评价；李少远等[5]将数据融合技术应用于船舶电站故障诊断系统中，取得良好的效果.

本文将多种群遗传算法与反向传播(Back-Propagation, BP)神经网络算法相结合应用于船舶发电机的故障诊断，通过遗传算法(Genetic Algorithm, GA)改善BP网络收敛速度慢、易产生局部最小值的缺点，再通过多种群遗传算法改善GA的搜索和寻优效果并抑制其早熟收敛问题的发生[6-7]，以期在该领域取得有效的应用.

2 多种群遗传神经网络

多种群遗传神经网络算法是将多种群遗传算法与神经网络相结合的一种综合性算法.该算法采用多种群遗传算法，一方面对神经网络中初始权值和阈值的选取进行优化，有效改善神经网络学习收敛速度慢、不能保证收敛到全局最小值的缺点；另一方面多种群遗传算法对标准遗传算法(Standard Genetic Algorithm, SGA)进行优化，有效解决GA早熟收敛的问题.因此，多种群遗传神经网络算法具备GA和神经网络算法的优点，并能改善GA和神经网络的主要缺点.

GA是建立在自然选择原理和遗传机制上的迭代式自适应概率性的搜索方法，它模拟自然界生物进化的规律，实现对目标的优化[8-9],具有良好的鲁棒性、广泛的适应性[10]以及快速的全局收敛性，能实现大概率最优和全局最优解.主要的遗传操作包括编码、适应度评估、选择、交叉和变异.SGA流程详见图1.编码一般采用二进制编码，除此之外还有浮点数编码方法、格雷码、符号编码方法、多参数编码方法等.适应度计算用于进行个体优劣程度的检验.然而GA的早熟收敛现象是不容忽视的问题，主要体现在出现超长个体时出现的群体停止不前、交叉概率与变异概率取值不合理、群体规模较小等方面.

针对GA存在的问题，引入多种群遗传算法代替SGA.其优点体现在：引入多个种群时进行优化搜索，实现不同的搜索目的；通过移民算子实现多种群协同进化，从而得到最优解；实现的主要操作包括移民算子选择、适应度计算、选择函数、交叉算子和人工选择算子.交叉概率和变异概率决定多种群算法的全局搜索和局部搜索能力.采用不同的控制参数对多个种群协同进化，能兼顾算法的全局搜索和局部搜索.多种群遗传算法流程详见图2.

图1 SGA流程

图2 多种群遗传算法流程

BP神经网络算法是以误差梯度下降作为收敛条件的学习算法[11]，具有完好的并行处理能力、自学习能力和联想记忆能力，在故障诊断和预测方面得到广泛应用,然而其易陷入局部极小值的缺点制约该算法的效果[12].

将多种群遗传算法与BP神经网络算法相结合，利用多种群遗传算法的优点优化BP网络的结构和权值的学习，使之达到理想效果.

2 多种群遗传神经网络的设计

多种群遗传BP神经网络主要包括BP网络结构确定、利用多种群遗传算法优化权值和阈值、BP神经网络训练及预测.其中BP神经网络的拓扑结构根据样本的输入/输出参数的个数确定，以此确定GA要优化的参数个数，从而确定种群个体的编码长度.

2.1 网络创建及种群初始化编码

一般三层网络可以较好地解决模式识别问题.

s1=2i1+1

式中：s1为隐含层神经网络个数；i1为输入层神经元个数.设输出参数为o1，则权值数量为q1=i1s1+s1o1，阈值数量为z1=o1+s1，所以多种群遗传算法要优化的参数个数为c1=q1+z1.随机产生m个初始化种群

W=(w1,w2,…,wm)T

式中：m的取值取决于阈值和权值的个数.

2.2 适应度计算

将经初始化的权值和阈值代入BP神经网络，先使用样本训练网络，再使用测试样本测试网络，得到测试误差e=∑|osc-osj|.其中，osc为输入测试样本的网络输出值，osj为网络实际输出值.适应度计算函数为

f=1/e

2.3 选择

采用转轮法进行选择操作.利用每个个体适应度函数值的概率决定其后代遗传的可能性.下一代被选取的概率

2.4 交叉

交叉操作是GA中最重要的操作,通过交叉操作可以得到新一代个体.新个体组合父辈个体的特性.交叉体现信息交换的思想.[13]以交叉概率Pc进行算术交叉，以确定选择的个体位置.

式中：c为0～1之间的随机数.

2.5 变异

变异是对于随机选择的个体以一定的概率随机改变串结构数据中的某个串的值的行为.以变异概率Pm进行变异操作.

式中：xmax为染色体的最大值；xmin为染色体的最小值；g为当前进化代数；Gmax为最大进化代数.

2.6 多种群遗传算法

为有效克服GA中的早熟现象，采用多种群遗传算法使整个进化过程随着种群规模的变化而变化.此方法能有效提高GA的全局收敛能力[6],算法流程如下：

(1)设i=0,随机产生初始种群P(0)，种群规模为N.

(2)判断种群是否符合条件,若符合则输出最优个体的目标函数及最优解,否则转向(3).

(3)进行选择、交叉、变异操作，产生中间种群P′(i),其规模与P(i)相同.

(4)判断当前种群是否符合扩大种群规模的要求，符合则随机引入P′(i)，扩大其种群规模直至满足设定要求,得到下一代种群P(k+1)，返回(2)；否则，转向(5).

(5)淘汰不良个体，缩小P′(i)的种群规模,得到P(k+1)，返回(2).

2.7 融合

采用多种群遗传算法优化BP神经网络的初始权值和阈值，再通过BP神经网络进行训练和学习,这样不但能克服BP网络容易陷入局部极小值的缺点，也能充分利用神经网络的非线性逼近能力[14]，实现优势互补，避免各自的缺陷，得到更好的结果.多种群遗传神经网络的算法流程见图3.

图3 多种群遗传神经网络流程

3 船舶发电机故障诊断实例

以船舶发电机故障为研究对象，通过多种群遗传神经网络方法进行故障诊断.输入5个故障特征样本级，即分别为正常、定子故障、转子故障、轴承故障、气隙偏心故障等5个状态的振动信号频谱图的特征频段[15]，将相关信号进行归一化处理，作为网络的输入.

在不同的工况下运转时，采集5种典型状态下的船舶发电机组同步发电机的90组样本数据，各类状态下样本分别为18组.经过归一化处理后，取其中的85组作为网络的训练样本，5组作为测试样本.样本有5个输入参数，5个输出参数(Yi,i=1,2,…,5).在此多种群神经网络中，BP神经网络的结构为5-11-5，即输入层有5个节点，隐含层有11个节点，输出层有5个节点，共有110(=5×11+11×5)个权值，16(=11+5)个阈值,因此优化参数的个数为126(=110+16).在神经网络中隐含层神经元的传递函数采用S型正切函数tansig(),输出层神经元的传递函数采用S型对数函数logsig().

通过对数据的训练，神经网络诊断样本的实际输出见表1，其测试样本的仿真误差为0.060 428.通过多种群遗传神经网络对数据进行训练，训练次数为1 000，训练目标为0.01，学习速率为0.01，种群数目定为10，代沟设为0.9,对测试样本的诊断结果见表2，其测试样本的仿真误差最优结果为0.001 197 4.

表1 神经网络诊断样本实际输出

表2 多种群遗传神经网络诊断样本实际输出

从仿真得到的结论以及仿真误差看，基于多种群遗传神经网络得出的诊断结果更逼近期望输出结果，故障点的输出结果更接近1，其他点的输出值更趋于0.从仿真误差看，多种群遗传神经网络的训练次数比神经网络的训练次数相对较少，而且前者产生的仿真误差远小于后者，表明多种群遗传神经网络的训练精度高，相对收敛速度快，符合诊断的要求.多种群遗传神经网络仿真误差、仿真最优误差及网络进化过程见图4～6.从图4和5可以看出，经过参数调节后，最终得出的是最佳值的结果，因此在图中训练值和最佳值是重合的.

图4 多种群遗传神经网络仿真误差

4 结 论

本文采用多种群遗传算法优化神经网络的权值和阈值用于船舶发电机的故障诊断.经过对比发现，该方法可以提高诊断精度，克服BP神经网络容易产生局部收敛的缺点,对于提高船舶发电机的故障诊断效果有较大的参考价值.

图5 多种群遗传神经网络仿真最优误差

图6 多种群遗传神经网络进化过程

参考文献：

[1] 马伟明. 舰船动力发展的方向——综合电力系统[J]. 海军工程大学学报, 2002, 14(6): 5-8.

[2] 祝福. 大型船舶发电机短路故障分析与诊断方法探讨[J]. 电机技术, 2005(2): 56-58.

[3] 陈佳, 王建华, 张冰, 等. 船舶电站故障诊断中的数据融合算法[J]. 电力自动化设备, 2006, 26(3): 28-31.

[4] 吕传文. 基于蚁群神经网络船舶发电机故障诊断[J]. 科学技术与工程, 2010, 10(22): 5595-5598.

[5] 李少远, 李柠. 复杂系统的模糊预测控制及其应用[M]. 北京: 科学出版社, 2003: 15-17.

[6] 李军华. 基于知识和多种群进化的遗传算法研究[D]. 南京: 南京航空航天大学, 2009.

[7] 李纯莲, 王希诚, 赵金城, 等. 一种基于信息熵的多种群遗传算法[J]. 大连理工大学学报, 2004, 44(4): 589-593.

[8] 杨智民, 王旭, 庄显义. 遗传算法在自动控制领域中的应用综述[J]. 信息与控制, 2000, 29(4): 329-339.

[9] 彭志刚, 张纪会, 徐心和. 基于遗传算法的知识获取及其在故障诊断中的应用研究[J].信息与控制,1999, 28(5): 391-395.

[10] 秦伟娜. 基于多种群的遗传算法研究[D]. 山东: 山东师范大学, 2009.

[11] 朱武亭, 刘以建. BP网络应用中的问题及其解决[J]. 上海海事大学学报， 2005, 26(2): 64-66.

[12] 朱建元. 基于BP神经网络与时间序列分析的柴油机故障诊断[J]. 上海海事大学学报, 2006, 27(4): 22-27.

[13] 白治江, 刘广钟. 递归式多目标遗传算法[J]. 上海海事大学学报, 2007, 28(2): 62-67.

[14] 王梅冬. 基于遗传-神经网络的电机故障网络化在线诊断研究[D]. 天津: 天津理工大学, 2006.

[15] 牛洪瑜. 基于神经网络的船舶柴油发电机组的故障诊断[D]. 兰州: 兰州理工大学, 2007.