基于優化神經網絡的三相全控整流電路故障診斷

摘要：研究了遞階遺傳算法用于神經網絡的參數確定問題，以期利用遞階遺傳算法的二級編碼結構解決以往同時優化神經網絡結構、權值、閾值效率不高的難題。此外，建立了三相橋式全控整流電路的故障模型，并對幾種常見故障進行了仿真分析。最后，將自適應遞階遺傳算法用于三相橋式全控整流電路的故障診斷，仿真驗證了該方法的準確性和實用性。
關鍵詞：遞階遺傳算法；神經網絡；三相橋式全控整流電路；故障診斷

0 引言
近年來，國內外有關研究人員針對電力電子電路故障診斷的研究還比較少，其中有相當一部分是基于神經網絡的分析方法，雖然神經網絡具有學習、泛化和容錯能力，令人欣喜，但它存在的許多缺點卻不容忽視，如網絡結構要求預知，最常用的BP學習算法在本質上是一個梯度下降搜索算法，這使其有可能收斂于局部最小點。
遺傳算法(GA)是一個基于自然選擇機制的搜索算法。它同時考慮搜索空間中的多個點，并鼓勵不同搜索方向之間的信息交換，從而有效地減少了收斂到局部最小點的機率。使用GA優化神經網絡已取得了一些令人鼓舞的結果，但它們大多數只考慮神經網絡的連接權重，很少提及優化神經網絡結構。
總的來說，針對電力電子電路的故障診斷研究依然存在或多或少的不足，有待進一步的完善和發展。遞階遺傳算法作為一種新型的基于自然選擇機制的搜索算法，與神經網絡的結合很好地解決了這一難題。本文應用一種自適應遞階遺傳算法同時優化神經網絡結構和連接權重進行三相橋式全控整流電路故障診斷。利用自適應遞階遺傳算法同時優化神經網絡結構和連接權重，很好地解決了以往利用神經網絡進行故障診斷的不足，并用三相橋式全控整流電路故障診斷仿真實例證明了該方法的正確性和有效性。

1 基于改進遞階遺傳算法BP網絡分類器的設計
1．1 遞階遺傳算法
K．F．Man等根據染色體中的基因結構存在遞階形式，即一些基因控制另一些基因的活動，提出了遞階遺傳算法(Hierarchical Genetic Algorithm，HGA)。
為了簡要說明控制基因的活動，用整數“1”表示每一個正在激活的控制基因；用整數“0”表示每一個沒有激活的控制基因。當控制基因用整數“1”標識時，表示其相連的下級結構的基因處于活動狀態；當控制基因用整數“0”標識時，表示其相連的下級結構的基因處于不活動狀態。這種遞階結構意味著染色體比普通遺傳算法中的染色體包含的信息多，從而能夠處理更為復雜的問題。因此，稱編碼為遞階結構染色體的遺傳算法為遞階遺傳算法。
如圖1所示，兩條染色體各是由5個控制基因和5個整數表示的參數基因組成。

其表示分別為：

從圖1可以看出，XA，XB表示染色體的長度分別為3和2，這意味著在遞階染色體結構中，雖然兩條染色體的長度相同，而其表示的長度可能不同。因此，遞階遺傳算法能夠搜索出所有參數中適合最終目標函數的參數的長度。而且，根據具體問題，染色體可以設計為多級遞階結構，從而形成多層的染色體結構。
本文采用二級遞階結構染色體描述BP網絡結構和參數，其中，控制基因串表示隱節點，參數基因串表示網絡的權重和相應的閾值。遞階遺傳算法在操作過程中，不僅改變控制基因串的狀況，而且改變參數基因串的取值。因此，訓練過程中網絡參數和拓撲結構可同時優化。