基于神经网络与遗传算法的汽轮机组数据挖掘方法 data mining based on neural network and genetic algorithm for steam turbine unit.pdfVIP

第28卷第3期 电力自动化设备 V01．28No．3 Power ElectricAutomation 2()08年3月 Equipment Mar．2008④ 基于神经网络与遗传算法的 汽轮机组数据挖掘方法 郭庆琳，祖向荣 (华北电力大学计算机科学与技术学院，北京102206) 摘要：针对当前专家系统知识获取瓶颈的难题。提出了基于神经网络与遗传算法的汽轮机组数据 挖掘方法。将汽轮机组历史故障数据首先进行模糊化及离散化处理。接着构造一个多层的前向神 经网络．然后通过教师示教的方式训练构造好的神经网络，最后进行基于遗传算法的神经网络优 化。以神经网络为知识本体。提出了汽轮机组故障诊断分类规则的挖掘算法．其实现过程有4个步 骤：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。实现了基于神经网络 与遗传算法的汽轮机组数据挖掘和故障诊断仿真系统。其诊断正确率达到了84％。 关键词：神经网络；遗传算法；数据挖掘；故障诊断；规则修剪；汽轮机 中图分类号：TM 206．3；TP 3ll；TP 当前汽轮机组故障预报及诊断中，专家系统故 遗传算法的理论基础是遗传算法的二进制表达式及 障诊断技术已广泛应用于实际系统。取得了良好效果。 模式的含义。模式是能对染色体之间的相似性进行 但传统的专家系统，如C4．5、原神经网络等，由于其 解释的模板…。 立足的符号信息处理机制的固有缺陷。导致存在许 假定在给定的时间步t。一个特定的模式s在群 多问题，主要有：知识获取的瓶颈问题，知识脆弱性， 体P(￡)中包含m个成因参数。首先，暂不考虑交叉 推理单调性等。从专家那里获取知识与表达困难，且 和变异操作。每个成因参数根据适应值的大小获得 带有定性和主观的特点，难于定量和客观表示[t-z]。不同的复制概率。成因参数i的复制概率为 数据挖掘应用挖掘算法能从观测的数据中提取故障 n pi可(i)／王八歹) (1) 诊断模式。由于庞大的数据集非常复杂，且非线性、 持续性及噪音普遍存在，因此需要一种不同于传统 则在群体P(t+1)中，模式s的成因参数的数量的期 的新的理论和方法来解决数据挖掘中的问题。神经 望值为 n 一 网络作为一种非线性自适应系统．具有通过自学习 (2) 提取信息内部特征的优点。非常适合数据挖掘。 』=1 其中，f(s)表示模式s在t时刻所有成因参数的适应 汽轮机组故障预报及诊断可以看成是一个模式 值的均值，称为模式s的适应值。 分类挖掘问题，每一个故障对应一组特征集。现将 若记P(t)中所有个体的适应值的平均值为 汽轮机组历史故障数据进行模糊及离散化处理。采 用神经网络与遗传算法数据挖掘方法，提取隐含、潜 ，=2f(J)／n (3)