基于蚁群优化的人工神经网络算法在电力设备故障诊断中的应用

基于蚁群优化的人工神经网络算法在电力设备故障诊断中的应用
人工神经网络由于其计算简单等的优点，广泛应用于电力技术的各环节中。

但是由于该方法收敛速度慢，计算结果精确度略低，而且容易陷入局部最小值点，因此本文将蚁群算法与神经网络算法相结合，构建蚁群神经网络模型，将其应用在齿轮箱故障诊断中，从而克服了单一故障诊断方法的局限性，提高了诊断精度。

标签：蚁群算法；人工神经网络；故障诊断；
1 引言
电力是关系国计民生的重要支柱性行业，然而在运行过程中由于受自然災害或人为因素等破坏导致故障发生，使得系统功能障碍和系统输出超出了有限的范围，造成系统操作功能不断恶化，因此故障发生时，需要采取一定的方法措施来找出故障原因，以不断提高系统的功能，优化系统效率。

随着现代技术的不断发展，机械设备技术含量也逐步提升，系统对精度的要求更高。

复杂系统和设备的故障诊断不仅是智能的保证，而且也在一定程度上提高了系统和设备的工作性能。

目前关于故障诊断的方法有很多，Feighbaum教授于1968年提出的基于专家系统的故障诊断方法，通过使用知识与推理过程，求解出需要专家知识才能求解出的高难度问题，是较为成功的应用方法[1]；Lee H J将模糊集与专家系统相结合，有效改善了专家系统容错性较差的问题[2]；宋功益采用分层递归的思想，首先运用粗糙集理论对故障信息分层挖掘，然后通过贝叶斯网络进行故障诊断，对解决由于不确定因素引起的电网故障具有明显的作用[3]；此外，还有基于优化技术、支持向量机、petri网技术、MAS技术的电网故障诊断方法也得到了大量的应用[4-7]。

虽然神经网络以其强大的自适应、自学习、联想记忆和非线性模式识别等诸多优点得到了广泛应用，但是在训练过程中需要大量样本且缺乏对自身行为的解释能力。

因此，将蚁群算法引入神经网络算法中，两种算法各自扬长避短，为电力企业工作者在电网故障诊断方面提供一种新的思路与方法。

2 基于蚁群的人工神经网络算法
蚁群算法也被称为蚂蚁算法，是由意大利学者Marco Dorigo 于1992年首次提出的。

蚁群算法是一种种群仿生模拟搜索算法，最初用来解决“旅行商”问题，job-shop调度问题以及着色问题，该算法具有较强的鲁棒性，且易于与其他方法结合，目前已被广泛应用在电力、通信、建筑、数据分析等领域。

蚁群算法的基本原理是通过正反馈、分布式协作来作为蚂蚁寻食最优路径，由于算法对初始线路要求较低，在搜索过程中也无需人工进行调整，参数数目较少，设置简单，收敛速度快，这些优点促使蚁群算法已在众多领域中获得了成功。

人工神经网络是模拟神经系统进行信息处理的数学模型，通过建立输入层、隐含层、输出层与大量神经元互联而形成的复杂网络。

BP神经网络是基于误差反向传播的单向传播多层前馈神经网络，能够从大量训练样本的推理分析中得到一般规律，具有结构简单的特点。

通过运用蚁群算法训练初始权重，增强了BP
神经网络赋权时的客观性，规避BP神经网络在初始权值和阈值选择的随意性，有利于智能优化目标的最终实现，为提高诊断精度奠定基础。

因此，基于蚁群优化的人工神经网络算法的基本思想如下：
首先，根据参数的大小进行排序，其中。

通过设置N个随机非零值，形成参数的集合。

此时集合中每个元素k的信息素为，其中，蚁群中蚂蚁数为x。

其次，蚂蚁为了获得食物而爬出蚁穴。

每只蚂蚁都从集合出发，根据集合中各个元素的信息素的差异性而做出不同的选择，当蚂蚁在整个集合中均进行了元素选择，就会达到食物源。

再次，更新信息素。

当蚂蚁从蚁巢出发找到食物并按原路返回时，经历时间单位为t，此时
其中为信息素挥发系数，为信息素残留因子。

表示第l只蚂蚁在本次循环中在集合第k个元素上留下的信息素。

最后，对一过程不断循环往复，最终x只蚂蚁收敛于同一路径时，获得最优解。

3 算例
为了验证算法的可行性，本文以齿轮箱的故障诊断为例，对其进行仿真研究。

齿轮箱结构复杂，故障形式多种多样，对其进行故障诊断具有一定的代表性，对其他系统和设备的故障诊断具有一定的借鉴意义。

3.1 构建BP神经网络模型
神经网络的输入是指对特征向量的提取，而提取特征向量要考虑其是否与故障有确定的因果关系，否则两者之间不能建立联系。

在实际的测算过程中，为了减少误差，提高精度，首先对齿轮箱故障的振动信号进行降噪处理，即对样本数据进行归一化处理。

3.2 蚁群神经网络训练模型
依据神经网络设计的原则，假定输入神经元10个，隐藏节点6个，输出神经元5个，对应着齿轮箱5种不同的运行状态。

运用蚁群算法训练神经网络，学习步长为3，误差收敛因子为0.001，隐藏层和输出层的激励函数为Sigmoid函数。

根据实验情况，设定网络连接权数目为70，蚁群数量为50，信息素挥发系数为0.03，信息素强度为20。

本文在蚁群优化算法确定权重和阈值的基础上，选择5组数据作为神经网络的测试数据
看出诊断取得了良好的结果，虽然样品2和样品5有一些错误，但就整体而
言，完全符合要求。

所以，基于蚁群训练的神经网络算法用来识别故障的精度很高，为了验证蚁群神经网络故障诊断能力，本文使用相同的数据，运用MATLAB 软件对样本进行神经网络训练，结果表明前者比后者所需的迭代次数少，误差低
4 结论
将蚁群算法和神经网络算法相结合，对电网故障诊断具有重要的理论意义和现实意义。

蚁群-神经网络算法结合了两种不同算法的优点，不仅克服了神经网络算法容易陷入局部最小值和收敛速度慢的缺陷，而且发挥了蚁群算法计算效率高的优势。

算例表明，运用蚁群算法训练出的神经网络降低了诊断错误率，提高了计算速度，对电网故障诊断具有一定的指导意义和参考价值。

参考文献
[1]Joseph Giarratano.专家系统原理与编程[M].北京：机械工业出版社，2000：20-23.
[2]Lee H J，Park D Y，Ahn B S. A fuzzy expert system for the integrated fault diagnosis[J].IEEE Trans on power delivery，2000，15（2）：833-838.
[3]宋功益，王晓茹，周曙.基于贝叶斯的电网多区域复杂故障诊断研究[J].电力系统保护与控制，2011，39（7）：20-25.。