如何有效利用遗传算法和神经网络挖掘汽轮机组数据

如何有效利用遗传算法和神经网络挖掘汽轮机组数据
文章主要论述了建立在遗传算法以及神经网络之上的新型汽轮机组数据获取方式进行了分析，首先对机组故障的历史数据进行离散化处理，同时予以模糊处理；继而向前构造出多层的神经网络。

然后将构造完毕的神经网络通过教师示教的方式予以训练，通过遗传算法对圣经网络进行优化，将神经网络作为知识的本体，继而对如何挖掘汽轮机组数据进行分析，主要的算法分为以下四个部分：计算效果度量矩阵；提取规则；计算规则权重；基于遗传算法的规则修剪。

从而实现了新型的汽轮机数据以及故障仿真分析系统，并且该系统的诊断可以达到84%的正确率。

标签：汽轮机；遗传算法；神经网络；数据；故障诊断
在对当前的故障进行诊断时，实际的诊断系统很多都开始应用专家系统诊断技术，并且该项技术在应用中取得了良好的效果。

但是区别于传统的专家系统，例如在原神经网络中，符号信息的处理本身就具有不可避免的缺陷，因而会引发诸多问题。

主要包括，在获取知识的过程中会遇到无法突破的瓶颈，并且获取的知识较为脆弱，同时系统推理过于单调等。

从专家处获得的知识以及表达无法准确的进行客观表示以及定量，为了定性主观的数据，可以通过挖掘算法，将数据从观测结果中提取出来，这种故障诊断模式就是目前常用的专家诊断模式。

但是实际数据集十分复杂庞大，并且呈现持续、非线性状态，并伴随噪音等因素的影响，所以在数据的挖掘中需要一个新型的理论方法对数据予以计算提取。

1 神经网络以及遗传算法
神经网络主要指由神经元，即本元件相互之间进行有效的联结以此形成的能够并行处理信息并进行信息的非线性转换的系统。

神经网络对于信息的处理主要是通过不断的训练神经网络所致，人脑的神经网络便是通过不断的信息训练从而完成记忆、辨识等活动，这便是信息的处理功能。

而遗传算法本身同问题没有任何关系，其主要是评价每个算法产生的染色体，使得染色体能够最大程度的进行繁殖。

遗传算法应用的主要模板为染色体相似性的解释。

2 算法概述
2.1 基本描述
以遗传算法和神经网络作为基本计算方式，可以通过以下步骤进行数据的挖掘：第一，可以将示例数集进行划分，分别标注为A和B，其中使得B中示例数远远大于A，对神经网络采用A进行训练；第二，待神经网络训练完毕后，将B提供给网络，对B进行判别，并将结果代替示例输出分量，从而形成新示例集B1；第三，若B1中存在的某一分量组合具有离散性，那么就将具有该组合的示例就属于某分类，且概率为λ，且在规则if中将该分量组合作为规则的一部分，而在规则then中将分类结果作为其规则的一部分，建立起完整的规则，若
组合中不存在离散输入分量那么则直接执行第六步骤；第四，将上步中的分量组合予以固定，将其他变量随机变化，形成新的示例，采用原网络对新生成的示例进行判断，若判别结果不能同要求相适应，那么上一步骤中的新规则被拒绝，执行上一步骤，否则便接受规则；第五，从B1中将满足第三步骤的规则示例去除掉，若B1为空，则继续执行第八步骤，反之则执行第三步骤；第六，若仍旧有连续分量需要继续进行离散，则选择连续输入分量的效果最好的进行分散，执行第三步；第七，将连续分量进行离散处理后，在予以恢复，待全部复原为原始值后，降低的数值若小于预设值则继续执行第三步；第八，对后件规则相同且具有连续优先级的予以合并；并结束计算。

2.2 实验简析
在汽轮机的故障分析系统中，采用遗传算法且建立在神经网络让的低数据挖掘方式，可以对设备故障处理中抽取出相应的规则，并且该规则的抽取是从神经网络中得来；将该方式抽取出的规则同原神经网络和C4.5判定树进行比较，通过比较结果可以看出，通过该方式抽取出的规则具有一定的效果。

因此，通过该种算法对汽轮机组中所产生的故障进行分类，是有效的。

该问题共包含了一百六十个示例，在该示例集中完成多层神经网络的训练过程，该网络模型精度较高，其原因在于通过该种算法可以有效的对数据继续拧泛化和降噪，从而使得数据的挖掘效果良好。

3 汽轮机组数据挖掘
汽轮机组数据挖掘及故障诊断系统所确定的汽轮机组状态参数包括汽轮机组通流部分技术状况主要状态参数和汽轮发电机组轴系稳定性主要参数，其中，前者包括自动主汽门前压力和温度等23个参数；后者包括发电机有功功率等13个参数。

汽轮机组数据挖掘及故障诊断系统的核心功能模块是“基于遗传算法的神经网络优化”和“诊断规则提取”模块。

3.1 基于遗传算法的神经网络优化
传统的遗传算法有一些不可避免的缺点，如：易陷入局部最优解，从而导致算法过早收敛，找不到全局最优解。

为此引入免疫算子对传统遗传算法进行改造。

免疫算子是通过免疫选择来完成，免疫选择对种群的个体进行浓度计算，按基于浓度的种群更新，通过适应度检测，选择优于父代的个体进入下一代群体。

传统遗传算法的染色体是单层的，容易出现的缺点是：当染色体编码较长时，染色体中短基因组的实际交叉、变异概率过小。

所以，文中提出使用3层染色体结构。

第1层是隐层结构基因组，表示前馈型神经网络中隐层的数目；第2层是神经元基因组，表示某隐层下的神经元个数；第3层基因组采用十进制编码，表示上层神经元的所有阀值、权值。

算法将待求解问题对应为抗原，问题的解对应为抗体。

算法首先接收一个抗原（对应特定问题），然后随机产生一组初始抗体（对应初始候选解）；接着计算每一抗体的适应度，对抗体进行交叉和变异；再通过基于浓度的群体更新策略生成下代抗体群；直至满足终止条件算法结束。

其中，抗体浓度定义为群体中具有最大适应度或近似最大适应度的抗体个数。

3.2 诊断过程分析和实验结果
针对汽轮机结构中，真空系统的相关数据收集分析以及对设备的故障诊断进行了仿真测试和结果的计算，并设置有一定规则。

如果主机凝汽器二流道出口循环水温度高限报警，则凝汽器铜管结垢但非凝结水溶氧大（0.9）或凝结水溶氧大但非凝汽器铜管结垢（0.1）；如果主机凝汽器一流道入口循环水温度高限报警，则凝汽器铜管结垢但非凝结水溶氧大（0.8）或凝结水溶氧大但非凝汽器铜管结垢（0.05）。

其中，数字表示规则前提对结论的支持程度。

又有事实：汽机真空系统主机凝汽器二流道出口循环水温度高限报警（0.9）；汽机真空系统主机凝汽器一流道入口循环水温度高限报警（0.4）。

4 结束语
文章中所论述的对汽轮机的故障诊断方式以及机组数据的挖掘的新方法是基于神经网络以及相关遗传算法的新型方式，其主要特点在于，首先同传统的分析系统相比在获取知识上基于神经网络以及遗传算法的新型数据挖掘以及故障诊断系统能够很好的解决其难题和瓶颈，而同传统的神经网络方式相比，遗传算法的引入能够简化神经网络的结构，并对其结构性能进行优化；并且建立在该种故障诊断以及规则提取的方法之上，提出了新的剪裁算法，并获得了及其良好的结果，并且建立在神经网络的基础上结合遗传算法建立起了汽轮机组故障诊断以及数据挖掘的仿真系统。

该种系统在置信度上给出较强的输出，同时相对比其他系统具有更强的容错性。

参考文献
[1]吴，陈长明，史哲，等.遗传算法及其改进研究[J].湖北广播电视大学学报，2011.
[2]陈红梅，朱若寒.遗传算法研究现状与应用[J].科技信息，2011.
[3]排新颖，马善立.一种改进的遗传算法及其应用[J].科学技术与工程，2011.。