粗糙集—遗传算法在水轮发电机组故障诊断中的应用

郭威

【摘 要】针对水轮机组状态监测在运行过程中产生的大量数据，采用粗糙集—遗传算法的方法进行判断分类，进一步的分析数据中判别机组的运行状态，分析故障产生的原因，找到故障发生的部位的。实例分析表明，粗糙集—遗传算法的方法进行水轮机组的故障诊断，在原有的水轮机组故障信息进行属性约简，可以获得较好的诊断。该方法可以在水轮机组故障诊断中得到应用。

【关键词】粗糙集；遗传算法；水轮机发电组故障诊断

中图分类号： TP18；TP393.08 文献标识码： A 文章编号： 2095-2457（2018）35-0144-003

DOI：10.19694/j.cnki.issn2095-2457.2018.35.061

0 引言

随着水电事业的蓬勃发展，越来越多的大、中型水轮发电机组不断的投产运行，其在电力行业中所占比重也在不断的增加。而水轮发电机组的正常运行对电力系统的安全与稳定密切相关，所以对水轮发电机组的状态监测至关重要。对水轮发电机组的状态监测主要包括水轮机组的振动、摆度、压力脉动等。如何快速、准确的在水轮发电机组中的大量数据中找到有效的信息、发现隐含的规律、判断故障类型、找到故障发生部位，具有重要的意义。粗糙集和遗传算法在约简信息、发现隐藏规律方面有着其独特的优势，可以引入到水轮发电机组故障诊断中。

1 粗糙集-遗传算法

1.1 粗糙集简介

粗糙集（Rough Sets），是Pawlak在1982年提出的一种定量分析处理不确定、不一致、不完整信息和知识的数学工具[1]。假若把粗糙集，简化为一个简单的知识表达系统（信息表），可以把其定义为：U。利用等价关系的数据处理方法，得到了一个准确、严格的数学划分方法。U=（A，B，V，F），其中A代表信息表中的所有对象的集合、B代表属性集合。其中B由条件属性C与决策属性D组成且C∩D=？准、C∪D=B。其中C可以由自己定义多个条件属性的集合即C=C1∪C2∪C3......、C1∩C2∩C3......=？准。V代表属性值的集合，V= V ，Vr代表属性r？哿R的范围。F是一个信息函数，指定A中每一个对象的属性值。粗糙集理论中用边界的方法表示模糊的概念，即上、下近似。假设 B与U等价，则上近似B*（x）：所有与集合A相交且非空等价类的并集，是那些可能属于对象X的最小的组合，。下近似B*（x）根据现有的知识判断属于X对象的最大组合， 。其粗糙度可以用α表示：

1.2 知识约减

粗糙集中的知识约减主要指，在不影响知识库分类的前提条件下，删除掉无关的条件属性。通过约减将复杂的决策表约减掉冗余的属相得到最小的条件属性决策表。知识约减通常包含以下3个步骤[2]：

1）简化条件数性：从决策表中消去某些列。

2）消去重复的行：在条件属性最最简的决策表中消除完全相同的决策对象。

3）消去属性的冗余值：对上述处理后的约减可以进一步的进行消去，近似到最小约减。

虽然约减后的决策表是不完整的决策表但是不影响其在原有知识能力的基础上进行分类。

2.3 遗传算法

遗传算法通常包括：1）编码方法；2）适应度函数其保存策略则为最优保存策略。编码方法：由于遗传算法不能直接处理空间数据，故通过编码将其表示成遗传空间的基因形串结构。适应度函数：评价个体的优劣程度，适应度越大个体越好，反之适应度越小怎个体越差。因此，遗传算法也要有适应度为非负数。

本文将粗糙集预处理结果，用遗传算法进行最终分析。遗传算法采用二进制的编码形式，那么每位二进制编码则对应一个条件属性，比如某一个对象取值是1，则表示选择其对应的条件属性。选择适应度函数：

（1）中：x为当前的染色体也就是指二进制位串；L为染色体长度也就是指待约减的条件属性集合的长度，Ln为x中1的个数；K（x）为条件属性对决策属性的支持的程度。

3 粗糙集—遗传算法在水轮机组故障诊断中的应用

基于粗糙集—遗传算法在水轮机组故障诊断中的应用过程，如图1所示。首先将样本数据如表1所示训练的样本数据，训练抗原集中的1、2、3、4、5、6、7、8、9表示振动信号在低倍频：（0.4～0.5）X、1倍频：1X、2倍频：2X、3倍频：3X，中的的分量，以及在高倍频：>3X，在整个信号能量中占的的比重。经过粗糙集的划分、整合得到表2未经离散化的样本數据的粗糙集划分。其中，表2，中a、b、c、d等代表条件属性，决策属性列中的1代表涡带偏心、2代表不平衡、3代表不对中。将训练的样本数据利用离散化方法进行离散化，然后根据需要，采用属性约简的方法删除重复的信息，获得判断决策表及识别拟合图。

选取PC=0.7，Pm=0.01，Max_Gen=100，可以得到最优解。经过约减不必要列元素g、h、j后可得到表3.约减后的决策表，可知在涡带偏心的主要集中a、b两列，不平衡主要集中在c、d两列，不对中主要集中在e、f两列，其中*代表可约减的元素。由图1粗糙集—遗传算法的拟合图可知在30-110左右时拟合效果最好，能够准确的区分不同故障类型。

4 结论

粗糙集可以处理不确定、不完整的信息，被应用于数据挖掘、智能控制等领域。而遗传算法具有优秀的全局寻优能力。基于上述两种算法的优点。本文通过粗糙集—遗传算法的方法进行水轮机组的故障诊断，在原有的水轮机组故障信息进行属性约简，但是保持了与原有决策表相同的分类能力。该方法可以在水轮机组故障诊断中得到应用。

【参考文献】

[1]Pawlak Z.Rough set.International Journal of Computer and Information Sciences.1982.11（5）：341-356.

[2]HOLLAND J H.Adaptation in natural and artificial systems：an introductory analysis with applications to biology，control，and artificial intelligence[M].2nd ed.Cambridge：MIT Press，1992.

李启章.水轮发电机组的振动监测和故障诊断系统[J].贵州水力发电，2000，14（3）：50-53.

[4]梁武科，罗兴锜，张彦宁，等.水力发电机组振动故障诊断系统中的信号预处理[J].水力发电学报，2003，（3）：114-120.

[5]王荣荣，梁武科，赵道利.基于粗糙集和遗传算法的水轮发电机组故障诊断方法[J].中国农村水利水电，2007，04.

[6]王学恩，韩崇昭，韩德强等.粗糙集研究综述[J].控制工程，2013，01.

[7]王国胤，姚一豫，于洪.粗糙集理论及应用研究综述[J].计算机学报，2009，32（7）：1229-1246.