诊断及优化（共7篇）
诊断及优化 篇1
高升采油厂采油作业1区共10座采油站, 油井总井275口, 开井186口, 开发方式以稀油注水、 稠油注汽为主。2013年由于油井供液能力在不断变化, 配套生产参数不能及时调整, 造成油井出砂、 偏磨、乳化等问题日趋严重;部分油井由于措施不及时, 导致油井泵管柱漏失、断脱, 使得油井维护类措施工作量增加149井次, 影响产量4614 t。
1现状
传统的油井管理和分析主要基于油井示功图、 生产管理指标等方式对油井工况进行分析。由于以上分析方法是依靠技术管理人员人工分析, 存在着分析工作量大, 不同区块、单元对油井工况分析的标准不统一、不规范, 工况分析结果的准确性率低、误差大, 极易造成措施不当, 造成无效的成本投入和浪费;同时, 也影响着油井生产时率, 减少油井产油量。根据油井工况分析存在的问题, 需建立1套油井优化与诊断系统, 搭建信息化网络平台[1], 使各级管理者可以时时了解油井动态生产信息, 掌握油井生产运行状况, 同时形成完整的油井工况评价体系。
2油井优化与诊断系统研制
借助网络平台办公现代化, 研制出1套油井优化与诊断系统。利用信息参数通过网络信息平台的共享, 形成了1套完整的油井工况评价体系, 实现了油井工况分析的覆盖面、时效性及连续性, 提高了油井生产工况分析判断结果的准确性, 以及油井措施有效率及其生产时率, 进而使高升油田原油生产效益达到最大化。
油井优化与诊断系统主要包括2部分:建立数据库及制作评价模板;建立油井宏观控制图网上应用及成果管理平台。首先, 将单井基础信息表、井斜数据表等油井基础数据表进行整合并建立数据库, 形成以数据库为基础的应用系统。其次, 根据各区块油井基础数据信息及实际生产情况制作评价模板, 建立油井工况评价标准[2]。根据模板及评价结果建立宏观控制图应用体系, 它由整体评价报表、模板信息一览、工况对比分析、生产整体状况、工况历史跟踪、措施实施跟踪、成果统计汇总、成果数据管理8个部分组成。
2.1数据库
对单井基础信息、井斜数据、井身结构数据、 油井日数据、采油井月数据、抽油机示功图与动静液面、采油方式代码、井别代码、套管代码、管柱数据等数据信息进行关联, 建立统一应用的数据库。
2.2宏观控制图模板
利用Web发布程序实现对油井宏观控制图的网上应用, 各级管理者可以在网上直接查询并跟踪油井生产状态变化, 该应用系统共分为8个部分, 分别为整体评价报表、模板信息一览、工况对比分析、生产整体状况、工况历史跟踪、措施实施跟踪、成果统计汇总、成果数据管理, 利用上述功能实现对油井的管理与掌控。
2.2.1整体评价报表
该功能使各级管理人员可从整体上直观地掌握全厂、全作业区等不同级别下油井整体生产状况及与上月对比情况, 全面了解每月上传成果情况曲线图。技术人员可快速查看采油作业区整体油井生产状况柱状图, 查看上传成果数与开井数、上图井数与上传成果数的差异明细, 包括具体井号及相应的生产指标, 从宏观上快速把握各区块及油田的整体生产及变化情况。
2.2.2模板信息一览
各级管理人员及技术人员可查看不同区块评价模板的评价方法以及不同模板适用范围, 具体查看模板各线参数取值信息。根据生产的变化对需要调整的参数可上报管理人员, 调整模板后重新上传至网上应用系统, 确保模板应用的准确性。
2.2.3工况对比分析
基于该功能可实现任意分单位、区块、分模板进行工况对比, 查看不同时间油井工况的整体分布与变化。技术人员可对任意井进行历史工况跟踪, 查看油井措施实施历史及其评价结果数据, 详细了解油井工况及其变化井的具体情况, 并能够快速生成油井日、月生产曲线, 对油井产量等指标实现快速查询与跟踪。
2.2.4生产整体状况
利用此功能可对所辖单位油井生产整体工况分布进行快速直观统计, 对比不同时间油井工况运行情况; 可按照“举升方式、评价方法、单位、生产日期/年月等”进行生产整体状况查询, 系统通过饼图对查询结果进行直观地展示。
2.2.5工况历史跟踪
针对重点关注井, 可快速查询不同生产时间下工况变化, 对油井工况变化进行跟踪, 并预测油井工况变化趋势。此外, 还可通过设定查询条件, 如管辖单位、生产井号、生产年月及模板类型等快速地实现各类查询, 并在同一界面直观显示多井工况变化, 综合分析多井工况变化原因。
2.2.6措施实施跟踪
建立了措施实施跟踪管理流程。由技术人员对油井工况情况进行评价, 并将评价后的结果与措施意见提交给审核人员, 由审核人员审核后告知技术人员进行实施、填写实施报告等, 实现了油井从措施实施到措施效果的有效跟踪, 形成了对措施实施及效果跟踪的制度化管理。
2.2.7成果统计汇总
根据成果统计汇总, 各级管理及技术人员可及时查看任意单位、用户或区块工况上传情况, 以便督促各单位成果上传。
2.2.8成果数据管理
针对各下辖单位成果进行跟踪管理, 并可将上传成果数据按举升方式、评价方法及任意单位对上传成果数据管理。系统用户权限划分三级:系统管理员、高级用户和普通用户;其中, 管理员拥有最高权限, 即模板上传、下载及修改权限;高级用户和普通用户只有下载模板权限, 无权修改模板。如上传成果有误, 高级用户可将其修改或删除, 有效保证了模板的标准性和唯一性。
3现场应用
自2013年1月应用油井优化与诊断系统以来, 累计提出措施304井次, 增油71 674.4 t。其中:措施工作量143井次 (调补层28井次、堵水5井次、 酸化10井次、 压裂8井次、 注汽92井次) , 增油68 037.4 t, 措施有效率由85.5%提高到87%, 提高了1.5个百分点;管理工作量161井次 (检泵95井次、泵径升级9井次、间开10井次、下调冲速47井次) , 增油3637 t (表1) 。
2014年3月, 对雷642826井进行宏观控制图分析后, 发现这口井在断脱漏失区内, 对该井实施憋压措施发现该井管漏, 并于2014年4月对该井进行检泵作业。检泵前日产液14.5 t, 日产油5.8 t;检泵恢复稳定后, 该井日产液23.7 t, 日产油7.8 t。 截至2014年底, 累计增液1 219.8 t, 增油331.3 t。
2014年6月, 对高36245井进行宏观控制图分析后, 发现这口井在参数偏大区内, 通过分析商定实施注汽措施。2014年7月, 对该井进行了注汽。 注汽前, 日产液7.6 t, 日产油4.1 t;注汽后, 该井峰值日产液25.4 t, 日产油14.1 t。截至2014年底, 累计增液847.2 t, 增油202.1 t。
4效益评价
4.1经济效益
自2013年应用油井优化与诊断系统以来, 累计增油71 674.4 t, 按照原油800元/t计算, 实现创效5734万元。该成果科研支出费用为97万元, 成果期间实施措施费用为1878万元 (表2) 。
经济效益=原油增产效益-科研支出-措施费用=3759万元。
4.2社会效益
应用油井优化与诊断系统, 建立了一个完整、 连续的油井分析平台, 避免了参数重复录取的现象, 降低了地质人员的工作量;同时, 使油井时时处于生产监测范围之内, 各级管理者均可第一时间掌握油井生产动态变化情况;在油井参数异常时及时采取措施, 为区块的高效开发提供了数据支撑和技术支持, 有效提高了油井生产效率, 保证了区块开发的正常生产, 开发效果得到明显改善, 具有显著的社会效益。
5结论
1) 应用油井优化与诊断系统搭建了统一的工况管理和分析平台, 实现了各级单位对油井工况的统一管理和考核, 提升了整体工况精细化管理水平。
2) 可准确快速地进行油井工况评价, 及时跟踪油井的生产动态, 较人工绘制工况图, 极大地提高了工作效率。
3) 便于各级人员从宏观上掌握所辖单位油井工况情况, 及时发现问题和潜力井, 及时采取调整措施, 并对实施情况进行跟踪, 对于增产节能起到了关键作用。
参考文献
[1]王杰, 范敏, 黄汉光.油田自动化系统中油井监控技术的应用[J].西南石油学院学报, 1996, 18 (4) :47-51.
[2]檀朝东.油水井远程监控液量自动计量及分析系统[J].石油矿场机械, 2007, 36 (1) :49-52.
Q公司财务诊断分析及优化研究 篇2
以下为Q公司的资产负债情况分析表1:
从资产负债表结构可以看出, 公司资产结构不够合理, 流动资产小于流动负债, 营运资本为负数, 表明部分长期资产由流动负债提供资金来源。由于流动负债在1年或1个营业同期内需要偿还, 而长期资产在1年或1个营业同期内不能变现, 偿债所需资金不足, 企业短期偿债能力较弱, 需另外筹资。
二、利润表诊断分析
以下为Q公司的利润表2:
公司本期实现营业收入114, 000.37万元, 较上年同期增长31.87%;营业利润6, 497.43万元, 较上年同期减少5.04%;归属于母公司所有者的净利润为7, 075.95万元, 较上年同期增长8.60%, 主要原因为:报告期主营业务收入及利润增加。公司营业收入、营业成本增长较为配比, 销售费用、管理费用较上年增长幅度更大, 公司销售净利率为6.19%, 盈利水平比同行业可比企业略高。
三、现金流量表诊断分析
以下为Q公司的现金流量表3:
从现金流量表可以看出, 公司经营活动现金流为正, 投资活动现金流为负, 筹资活动现金流为正, 说明企业处于成长阶段。在这种状态下, 企业经营状况良好, 开始逐步扩大经营规模, 伴随着增加建设项目投资、购置新的固定资产, 企业单靠经营活动收入无法满足其快速扩张的要求。
四、杜邦分析体系
表4可以看到, 2012年权益净利率提高0.89%, 主要是权益乘数提高所引起的, 但财务杠杆的提高, 同时也会增加企业财务风险。因此, 公司在保持合理的资本结构基础上, 应进一步提高销售净利率和总资产的周转率, 从而确保股东权益的增加。
五、公司财务诊断结果小结
(一) 通过财务报表分析诊断得出的结论
从资产负债表结构可以看出, 公司资产结构不够合理, 流动资产小于流动负债, 营运资本为负数, 表明部分长期资产由流动负债提供资金来源。由于流动负债在1年或1个营业周期内需要偿还, 而长期资产在1年或1个营业周期内不能变现, 所以企业短期偿债能力较弱, 需另外筹资。
从利润表可以看出, 公司销售净利率较低, 销售费用、管理费用较上年增长幅度较大且超过收入增长幅度, 并且酒店餐饮盈利水平较低, 应进一步开源节流, 严格控制成本、费用项目开支。
从现金流量表可以看出, 投资活动 (在建项目) 现金支出主要来源于筹资活动, 由于项目建设投入较大且回收期较长, 而经营活动现金流量基本上自给自足, 偿还借款没有足够的现金来源, 企业的短期偿债压力较大。
(二) 通过杜邦分析诊断得出的结论
通过杜邦分析, 可以看出Q公司的权益净利率较去年有所提高, 影响权益净利率变动的不利因素是销售净利率和总资产周转率有所降低, 有利因素是权益乘数提高, 但财务杠杆的提高, 同时也会增加企业财务风险。因此, 公司在保持合理的资本结构的基础上, 要进一步提高销售净利率和总资产的周转率, 从而确保股东权益的增加。
六、Q公司财务优化对策研究
(一) 增强Q公司偿债能力
1、努力提高自身盈利能力及现金流量水平
企业要从根本上提高偿还债务的能力, 应该制定科学长远的战略规划, 提高经营管理水平, 优化产品结构, 加强成本管理, 开拓有效市场, 不断提高企业自身的经营、盈利能力。
2、优化资本及资产结构
(1) 改善资产结构。
(2) 改变负债比重。
(3) 改善资本结构, 增加权益资本。
3、降低融资成本
结合Q公司的实际情况, 可以着重从以下几个方面来考虑:
(1) 增资扩股
(2) 加大自身的内部积累
(3) 增加向银行的借款规模
(4) 进行适度的项目融资
(5) 发行企业债券
(6) 加大取得政府扶持资金的力度
(二) 提升Q公司运营能力
1、提升Q公司非流动资产周转率
具体方法为:
(1) 对长期资产投资进行可行性研究, 对其投资回报率及回收期进行预测, 确保资产投资的有效性。
(2) 合理安排资产投入, 不盲目扩张, 防止资金流断裂。
(3) 加强对资产使用效率的监督考核, 考虑对不良资产进行清理。
(4) 研究挖掘资产的经济效率潜力, 以获取更大的盈利。
2、盘活长期资产提高运营能力
(1) 进行资产转让
(2) 利用固定资产进行对外投资
(3) 开展有偿租赁
3、增加多元化经营收入
Q公司的旅游产业可以在新的发展观、新的优势观、新的资源观这三个方面实现创新。利用现有的资源将博物馆、旅游集 (换乘) 、购物、文化创意园区、高档酒店等多种功能、设施融为一体。
(三) 改善Q公司盈利能力
1、提高主营业务
在有限的资源里如何更好地配置资源是每个企业都不得不重视的问题。公司利润一般由主营业务利润、其他业务利润、投资收益、非经常性损益以及前期损益调整等构成。其中主营业务利润是公司利润的主要组成部分, 具有稳定性和持久性, 是利润中最为可靠和可预期的部分。
2、降低成本费用
基于对Q公司的盈利能力分析, 可以看出提高总资产报酬率将有效地提高该公司的盈利能力。提高总资产报酬率则应着手降低营业成本。提高销售净利率, 需要提高销售收入, 加强企业的成本管理以提高边际毛利贡献率, 同时加强企业的费用控制。
七、总结
本文主要依据Q公司2012年度的财务数据, 通过采用财务报表分析及杜邦分析体系进行了深刻分析, 发现了Q公司存在的财务问题, 并提出了优化的具体建议。
企业根据本文提出的优化建议, 将其与企业的业务结合起来进行实施, 相信会对于企业今后的发展产生治病强身的作用, 为企业的健康成长助一臂之力。
诊断及优化 篇3
矿用可伸缩式截割部掘进机主要用于煤及半煤岩巷道的掘进, 是煤矿巷道开拓的主要设备之一, 其工作条件要求岩石硬度f≤6[1]。截割部作为掘进机的一个主要部件, 由截割头、伸缩部、截割减速机、截割电机、罩板等部件组成。在矿用掘进机的几大组成部分中, 伸缩机构使用最为频繁, 也是故障发生几率较大的机构之一。掘进机的伸缩机构位于截割头与截割减速器的之间, 主要由截割头轴、轴承、伸缩内筒与外筒、保护筒以及花键套等组成。当设备正常启动后, 伸缩油缸动作, 使伸缩部具有一定的伸缩行程, 截割部便可以进行煤炭截割作业。
1.1 矿用掘进机伸缩机构故障判断
矿用掘进机伸缩部的常见故障及产生原因有以下几方面。
1) 截割部轴承故障。掘进机截割部的主轴两端主要依靠两盘轴承进行固定, 在伸缩油缸的作用下, 伸缩内筒上的花键套与主轴花键套的相互移动可以使伸缩部达到一定的伸缩量。轴承损坏是伸缩部最为常见的故障之一, 经分析得知, 造成这一问题的主要原因是伸缩部油封存在严重的漏油现象。此外, 由于矿井的地质条件比较复杂, 掘进机在截割矸石过程中需要承受较大的震动力, 这样便导致轴承两端端盖的螺丝断裂, 由此引起伸缩机构故障, 从而导致掘进机无法正常工作。
2) 伸缩部主轴故障。掘进机在井下作业过程中, 常常会出现截割部电动机正常运转, 但切割头不转的现象, 导致这一问题的主要原因为伸缩部主轴折断。
3) 伸缩油缸故障。目前, 煤矿使用的掘进机大部分是依靠伸缩油缸的运动来实现截割的伸缩。伸缩油缸分为单伸缩油缸和双伸缩油缸。经分析得知, 无论哪一类油缸, 密封损坏都是导致发生故障的主要原因。当油缸密封出现问题之后, 伸缩油缸无法正常工作导致伸缩部无法正常伸缩。
4) 伸缩部轴头故障。掘进机截割头由两根螺丝固定在伸缩部上。在井下长时间作业过程中, 由于截割头需要频繁拆卸, 从而导致伸缩部轴头的螺丝底扣磨损, 因此造成截割头螺丝无法紧固而发生掉头的情况, 进而引起伸缩部无法使用。
1.2 掘进机伸缩机构故障的预防措施
1) 加强配件管理。物资管理部门应建立完善的掘进机主要零部件和机械设备运行档案, 并在重要备件, 如伸缩部、截割减速器等上面合适的位置进行打号管理, 准确记录其使用时间及作业面的地质构造情况, 并按照实际使用情况记录掘进机在使用过程中更换配件的详细情况和各种常见故障类型。在对设备进行修理时, 对老化比较严重的零部件进行重点检查和更换, 以此来确保掘进机伸缩机构性能完好, 进而保证井下掘进作业顺利开展。
2) 加大检修力度。随着煤矿采掘作业量的增大, 掘进机的使用频率大幅度提高, 在长时间、高负荷运行下, 伸缩机构非常容易发生故障。为了有效预防并降低伸缩机构各种故障的发生几率, 应当加大对掘进机的检修力度。如可根据掘进机使用情况规定大中修的频次, 然后组织实施。
3) 做好使用管理工作。对掘进机应当进行定期的维护保养, 严格按照“五定原则” (定人、定机、定油、定量、定时) 对掘进机的各个关键部件进行维护保养, 一旦发现伸缩机构出现异响或是漏油等现象时, 必须提前做好更换准备工作, 防止故障扩大影响掘进机作业效率[2]。每周应当打开一次截割头, 对伸缩机构轴承的磨损情况进行检查, 并加入适量的润滑油。发现异常情况要及时上报, 及时解决处理。伸缩机构的维护与保养工作应按照掘进机四检制度的要求进行。每月检查一次保护筒, 重点看其前端的磨损程度, 当磨损比较严重时应及时更换。
2 矿用掘进机多级伸缩机构的优化设计
要想从根本上解决煤矿井下掘进机伸缩机构的故障问题, 就必须对其结构进行优化设计。掘进机工作时的稳定性很重要。掘进机多级伸缩机构的优化设计采用了集中润滑系统, 通过向注油孔定期注油, 保证各销轴和回转摩擦盘充足的润滑。通过安装集中润滑系统, 或者向辅助油缸注油, 以增加掘进机各部位润滑的时间, 提高掘进机在工作时的稳定性。掘进机工作时应尽量避免电缆接触油类, 掘进机的伸缩悬臂段的伸缩功能主要是由布置在左右两侧的油缸负责推动, 悬臂内的花键一端与减速器的输出轴相连接, 使其能够随着减速器的输出轴旋转, 但却不会出现移动的现象[3]。而另一端的花键则是与截割主轴后端的花键孔啮合, 可以相对滑动。当伸缩油缸动作时, 会使与保护套筒连接在一起的截割主轴作轴向伸缩运行, 这样截割头便会不断旋转并切入到煤层当中完成截割。为此, 选用具有具备自动润滑能力的轴承, 将伸缩保护筒左侧的防尘圈设计为可拆分式, 这样方便更换, 有利于减轻维护工作量。这种轴承本身的承载能力要明显高于青铜材质的滑动轴承, 同时轴承本身自带润滑能力, 能够有效防止润滑不良产生的拉伤或是烧结, 进一步确保伸缩机构的可靠性, 不但能够使设备在长时间的运行过程中不出现故障, 而且还具有良好的抗污染能力[4]。
3 结束语
实践表明, 通过采取有效的预防措施, 并对掘进机伸缩机构进行优化设计后, 其故障发生几率明显下降, 这为掘进机的正常运行提供了可靠保障。
参考文献
[1]侯波, 杨奇顺.悬臂式掘进机主要技术参数的选择[J].煤矿机械, 2000 (8) :6-8.
[2]李凤莲, 李红春.PLC在液压支架集中控制系统中的应用[J].煤矿机电, 2004 (1) :7-9.
[3]蔡璐, 徐欢.掘进机伸缩部优化设计[J].煤矿机械, 2012 (4) :4-5.
诊断及优化 篇4
在网络日益扩大的今天, 网络想着异构性, 动态性和智能化发展, 但同时也对网络故障的诊断提出了越来越高的要求。网络故障可细分为硬件故障及软件故障, 已有的诊断技术主要是针对物理故障的诊断, 技术已经较为成熟。
路由器, 是用于连接internet局域网和广域网的网络设备, 具备类似于交换机的功能, 能够实现将多个逻辑上分离的子网连接, 能够进行网络地址的判断分配以及IP路径的选择, 被广泛应用于各种场合。随着网络的铺开面日益扩展, 路由器往往需要连接起异构网络, 并且还能适应各种动态的变化, 导致路由器配置错误出现的网络软件故障出现得越来越频繁。因此, 快速进行路由器配置诊断以及优化纠错就成为了网络支持技术工作者们十分常见的一项工作。
1 路由器概述
1.1 路由器的硬件
路由器的硬件, 包含输入端口、输出端口、微处理器、交换开关、复位开关和其他硬件等。一般路由器上由线卡提供输入端口, 并且端口线卡上带有微处理器。交换开关集成了总线和网络共享存贮器和交叉点。作为共享存贮器的内存可以采用多种硬件, 常用的有DRAM等。路由器配置的硬件核心是其处理器。路由查找与数据包转发都由其实现。
1.2 路由器的软件与网络
路由器有自带的IOS系统, 能够进行全面的配置, 进行路由器名称、登录密码、接口配置、网络线路等配置。路由器与交换器的区别就在于路由器是作用于网络层的。路由查找选择、传输确认、线路连接与中断、流量控制都是在网络层完成。RIP、BGP等路由协议的配置是路由器配置中非常重要的一部分, 也是编程配置诊断系统的关键。
路由器是作用于OSI参考模型的网络层的设备, 是构成TCP/IP国际互联网主体的重要网关设备。从网络角度看, 路由器分为本地路由器与远程路由器。
2 路由器程序配置诊断系统设计
2.1 诊断系统的结构
路由器的诊断系统, 在更宏观的角度上多数从属于构件化的全网络设备配置管理系统的诊断体系的一个分支。通常为了保持全网设备诊断系统的扩展性和定制及维护升级性能, 其结构常开发成系统平台。
构件化的诊断平台, 通过系统总线来控制调度, 系统内各构件可以在公共区进行数据交换。作为登录管理构件的路由器而言, 与UI构件、冲突消解构件、权限管理构件等要进行整合。
2.2 路由器诊断技术
现在用于路由器诊断的方法有很多, 常用方法主要有以下几种:
2.2.1 数据挖掘
数据挖掘技术也经常呗应用于路由器配置的诊断, 通过挖掘路由器配置与其所连接的网络之间的数据关系来定位路由器的不正确配置。常用的方法最多的是利用决策树算法等进行配置命令的分类提取, 将正确的配置文件从知识库中调出, 进行匹配对比, 从而进行配置错误的定位与纠错。
2.2.2 服务协议文法
通过建立协议配置服务文法的原型, 用于为相应地路由协议程序进行配置诊断。较为麻烦的是, 当前路由协议有多种, RIP、BGP、PIM等每一种都需要建立对应的服务文法原型。
2.2.3 贝叶斯法和其他
贝叶斯理论是概率与分布的估计来评估给定数据的后验概率。这种方法会假设用贝叶斯框架可以将路由器中的不正确配置定义成统计学上的不规则事件, 通过likelihood函数等进行分布变换, 以此在没有完全信息的情况下, 进行概率性的估计。贝叶斯框架下, 将路由器的错误配置作为概率统计的不规则函数, 利用Joint Baycs等算法进行估计性诊断。在这个基础上有3种诊断方法:Naive Bayes、Joint Bayes、Structured Bayes。这些方法的有点就是无论路由器的错误配置是否被发现, 都不需要对数据进行预处理。
2.3 决策树算法的诊断系统设计
决策树算法将大量数据进行分类, 预处理过滤出决策所需的数据。
其中配置信息的预处理通过类型标识进行筛选。通过决策树算法获得路由协议配置的关系。如下图2。
从而, 获得配置命令的知识库, 这样能够获得正确的配置命令的实例。然后, 从知识库中查找出相应地配置种类的命令信息。通过拓扑结构的程序将现有配置命令信息与正确的配置命令差异性对比, 对其值进行纠正, 并对缺失文件进行补充。
3 结语
随着网络以及无线网络的普及, 网络技术已经深入到了国民经济的各个领域之中, 并且得到了广泛的应用, 未来还会有更深入的前景。在这样的背景下, 网络故障导致的经济及社会损失都变得越来越大。为了快速处理网络故障, 就必须具备更加具有针对性的故障诊断和系统优化技术。路由器作为最为常见的网络设备之一, 是网络技术工作者们需要关注的重点之一。除了在硬件上熟悉掌握各元器件的结构, 原理和功能及安装技术, 还必须具备必要的路由器程序配置的技术, 才能更好的维护网络的安全与稳定。
参考文献
[1]尚伟.路由器配置软件的设计与实现[M].内蒙古工业大学, 2006.
[2]罗高奇.局域网常见故障诊断及优化方案[J].中国西部科技, 2009 (30) :31-33.
[3]常景超.网络设备配置策略计数研究[J].电脑知识与技术, 2008 (12) :35-37.
[4]彭超.浅析网络故障诊断及排除[J].民营科技, 2007 (03) :30-32.
[5]范洁.基于属性相关性的统计树规则生成算法[J].计算机仿真, 2012 (18) :22-23.
诊断及优化 篇5
尽管已有 大量的现 代诊断技 术应用于 电力变压 器故障诊 断中[1], 但进一步 的理论研 究和应用 结果表明 , 这些诊断 方法仍存 在许多不 足之处 : 文献 [2] 提出了一 种基于粗 糙集理论 的变压器 故障诊断 方法 ,能够较好 地处理不 完备信息 , 但故障类 别划分结 果较为模 糊 , 尤其不能 区分对多 重故障的 诊断 ; 文献 [3] 采用了信 息融合技 术来解决 变压器故 障诊断问 题 ,模糊均值 算法受样 本的分布 和初始参 数影响较 大 ; 文献 [4] 基于证据 理论的故 障诊断方 法 , 当故障样 本量发生 变化时 , 易发生信 息组合爆 炸问题 ,难以获得 准确的故 障诊断结 果 。
因此 ,在全面了 解电力变 压器故障 情况和故 障诊断相 关技术背 景的基础 上[5,6], 本文提出 基于粗糙 集优化的 电力变压 器综合故 障诊断方 法 ,提高了变 压器故障 诊断的准 确性 。 该方法既 有很高的 学术理论 价值 ,又有很高 的工程实 用价值 。
1RS优化的信息融合故障诊断模型
基于粗糙 集 (Rough Set,RS) 优化的信 息融合故 障诊断方 法是依据 粗糙集理 论本身具 有严谨的 内在逻辑 关系 , 无需对预 处理信息 进行经验 或知识积 累 , 是处理模 糊性和不 精确性问 题的较为 理想的数 学工具 。 因而利用 粗糙集理 论对电力 变压器故 障系统大 量数据进 行前期处 理 ,能够在保 留关键信 息的前提 下对故障 数据进行 最大限度 的约简 , 既去除了 大量冗余 信息 , 缩减了故 障信息的 规模 ,又保证了 变压器故 障诊断数 据的客观 性和精确 性 。 再将粗糙 集约简后 的变压器 故障数据 用于信息 融合技术 中 , 通过Dempster -Shafer证据理论 (D -S证据理论 ) 方法进行 数据融合 , 利用证据 理论实现 对非精确 信息的正 确推理 , 解决了信 息融合数 据的组合 爆炸问题 , 从而得到 精确的诊 断结果 。 其故障诊 断系统框 图如图1所示 。
通过仿真 验证了以 粗糙集为 工具 、 以信息融 合理论为基础 ,可以有效 地实现对 油浸式电 力变压器 故障信息 的检测与 隔离 。 因此 ,粗糙集和 信息融合 相结合的 电力变压 器故障诊 断方法相 比于其他 的故障诊 断方法具 有非常明 显的优势 。
2粗糙集理论的决策表约简法
2.1样本数据的选取
依据样本 数据的选 取原则 , 通过收集 华北电网 虹桥220 k V变电站多 台油浸式 电力变压 器的历史 故障数据 , 共得到近 百个样本 ,选择其中 比较有代 表性的6个样本整 理成原始 样本决策 表 , 如表1所示 , 诊断结果 对应的实 际故障类 型为 :1、无故障 ;2、低能放电 ;3、 高能放电 ; 4 、 中低温过 热 ; 5 、 高温过热 。
2.2决策表的约简
粗糙集理 论的核心 思想实质 上是在保 持其分类 能力不变 的情况下 , 通过知识 约简 , 导出问题 的分类或 决策规则 。 若用粗糙 集理论处 理决策表 时 ,则要求决 策表中的 各值均用 离散值表 示 。
本文先利 用等频率 划分离散 法对原始 决策数据 进行离散 化 , 再由粗糙 集约简法 进行故障 数据的约 简 , 等频率划 分离散法 是根据给 定的参数 将这个属 性的取值 从小到大 进行排列 , 最后平均 划分为k段 , 即得到断 点集 。
其中以C2H2/C2H4为例,经等频离散化后的结果如表2所示 。 然后再进 行样本数 据的约简 ,其结果见 表3。 表3中 ,0表示C2H2/ C2H4的属性值 落在区间 {[0.000,0.002]} 中 ,1表示其属 性值落在 区间 {[0.002 ,0.005] 、[0.005 , 0 . 007 ] 、 [ 0 . 007 , 0 . 008 ] 、 [ 0 . 008 , 0 . 051 ] 、 [ 0 . 051 , 0 . 211 ] } 中 , 2表示其属 性值落在 区间 {[0.211 ,1.131] , [1.131 ,1.165] 、 [ 1 . 165 , 1 . 210 ] 、 [ 1 . 210 , 1 . 343 ] } 中 。 其他的输 入特征矢 量的离散 化和约简 形式同上 ,在此不一 一列出 。
其中在对12种故障样 本气体含 量的比值 各自实现 条件属性 的约简后 , 若删除第K个条件属 性时的决 策属性与 未删除前 的决策属 性没有什 么不同 ,则说明该 条件属性 可以省略 ; 反之 , 该条件属 性则不可 省略 。 以此方法 对这12个条件属 性再进行 约简 , 其形成的 最终决策 表如表4所示 , 约简后的 故障特征 属性由原 始决策表 中的12个减少为 现在的5个 , 决策表规 模大大减 小 , 为下一步 的PNN网络训练 作好了优 化工作 。
3信息融合的故障诊断
D - S证据理论 可以用来 融合来自 多信息源 的相容命 题 , 并对这些 相容命题 的交集 ( 合取 ) 命题所对 应的基本 信任分配 函数赋值 。 相容命题 是指命题 之间有非 空交集存 在[7]。
设Bel1和Bel2是同一识 别框架 Θ 上的信任 函数 ,m1和m2分别是对 应的基本 概率分配 函数 , 焦元分别 是A1, … , Ak和B1, … Br, 则组合后 新的基本 概率分配 函数m = m1⊕m2, ⊕ 定义为组 合算子 :
式中 , 若K≠1, 则m确定一个 基本信任 分配函数 ; 若K=1 , 则认为m1和m2是完全矛 盾的 。
4诊断结果判定
本实验将 收集到的 油浸式电 力变压器 的100组数据作 为原始样 本 , 运用以下 两种方法 进行故障 诊断 :(1) 直接采用D-S证据理论 算法进行 信息融合 ;(2) 采用经RS优化后的 信息融合 技术进行 故障诊断 。
先以低能 放电故障 类型为例 , 对比两种 方法的融 合诊断结 果 , 如表5所示 ,m1( f1 ) 与m1( f2 ) 值相近 , 仅从D S证据理论 融合结果 不能分离 出故障传 类型 , 这是由于 直接采集 到的变压 器原始故 障数据中 存在大量 信息 ,易造成信 息融合爆 炸问题 。 而经RS优化后的D-S融合结果 中 ,m(f2) 最大 , 即该测量 数据偏离 正常值的 程度也是 最大的,充分利用粗糙集理论 约简大量冗余和互补 信息 , 并且保证关键信息 不丢失, 因而可以正 确分离出 变压器故 障类型 。 另外 ,单一D-S证据理论 融合结果 经3次融合仍 不能诊断 出故障类 型 ,RS优化后D-S融合结果 一次融合后即可正 确诊断出故障类型 , 可大大提 高故障诊 断系统的快速 性 。 将上述的100组样本数 据通过这 两种方法进 行故障诊断的结果整理 成如下的直观的状态 图。
( 1 ) 单一信息 融合技术 的故障诊 断结果
信息融合 故障诊断 结果如图2所示 , 圆圈所对 应的数值 表示该样 本经诊断 后的故障 类型序号 ,星号所对 应的数值 表示该样 本的实际 故障类型 序号 。 诊断误差 图中的误 差值0表示诊断 后的故障 类型序号 与实际故 障类型序 号相同 , 诊断结果 正确 ; 误差值2、-3表示诊断 后的故障 序号与实 际故障序 号的差值 , 诊断结果 不正确 。 最后经过 仿真发现 诊断结果 中有21个故障类 型与样本 实际故障 类型不一 样 ,其故障诊 断准确率 为79%。
( 2 ) RS优化的信 息融合故 障诊断结 果
粗糙集优 化的信息 融合诊断 结果如图3所示 , 最后经过 仿真发现 诊断结果 中只有3个故障类 型与样本 实际故障类 型不一样 ,其故障诊 断准确率 为97%。
可见 ,基于粗糙 集优化的 信息融合 的电力变 压器故障 诊断准确 率比单一 信息融合 技术的准 确率要高 ,其方法应 用于变压 器故障诊 断中 , 可以去除 大量冗余 信息 , 简化故障 诊断系统 的规模 ,且大大提 高了故障 诊断的准 确性和快 速性 。
5结束语
该研究成 果在油浸 式电力变 压器故障 诊断方面 具有广阔 的应用前 景 , 将粗糙集 理论与信 息融合技 术结合 ,利用粗糙 集在处理 模糊性和 不确定性 问题上的 优势对原 始故障数 据进行约 简 , 既不受样 本分布的 影响 ,又对不完 备信息具 有较强的 适用性 ,可在保证 关键信息 不丢失的 情况下简 化诊断网 络规模 ,增强诊断 系统的抗 干扰性 。 进而利用 信息融合 进行故障 类型分类 ,令故障特 征与故障 类别一一 对应 , 且可区分 多重故障 类型 , 使诊断网 络有较高 的准确性 和快速性 。 另外 ,将电力变 压器在线 监测技术 与故障诊 断技术相 结合 ,把在线监 测得到的 数据整合 到变压器 故障分析 中 , 能够更及 时 、 更精确地 诊断出变 压器故障 类型 。
摘要：针对现有的故障诊断技术在应用于电力变压器故障诊断中,存在的冗余信息过多、诊断结果不准确等不足之处,将粗糙集理论与信息融合技术相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再采用证据理论方法对预处理信息进行融合,进而进行故障模式的分类,可简化故障诊断网络规模,且相比于单一的信息融合的诊断方法,能够更快速、更精确地诊断出变压器故障类型。其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。
诊断及优化 篇6
1粒子群优化算法的原理
粒子群优化算法是一种进化计算技术,是由Kennedy与Eberhart于1995年提出的源于对鸟群捕食行为的研究,是一种基于迭代的优化工具,是一种群智能算法。由于它的原理简单,所需参数少,计算快速以及算法的容易实现,目前已广泛应用于目标函数优化、神经网络训练、数据挖掘、模糊系统控制以及其他的应用领域。
粒子群优化算法的基本思想是,每个优化问题的潜在解都是搜索空间的一只鸟,这里称为“粒子”,所有的粒子都有一个被优化的函数决定的适应值,每个粒子还有一个速度向量决定他们飞翔的方向和距离,然后粒子们就追随当前的最优粒子在解空间中搜索[1]。粒子群优化算法初始化为一群随机粒子(随机解),然后通过迭代找到最优解。在D维搜索空间中,第i个粒子的位置为Xi=(xi1,xi2,…,xiD),i=1,2,…,m,其速度为Vi=(vi1,vi2,…,viD),在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。一个是粒子本身所找到的最优解叫做个体极值pbest,另一个是整个种群目前找到的最优解,这个极值是全局极值gbest。在找到这两个最优值时,每个粒子根据如下公式来更新自己的速度和新的位置:
式中:i=1,2,…,m,m是该群体中粒子的总数;d=1,2,…,D;为第k次迭代粒子飞行速度矢量的第d维分量;为第k次迭代粒子i位置矢量的第d维分量;pid为粒子i个体最好位置pbest的d维分量;pgd为粒子群体最好位置gbest的第d维分量;c1,c2表示群体认知系数,也被称作学习因子,通常c1=c2=2;rand()是随机函数,一般产生介于(0,1)之间的随机数。粒子群优化算法以它特有的记忆使其可以动态跟踪当前的收缩情况来调整其搜索策略。与进化算法比较,粒子群算法是一种更高效的并行搜索算法。
2粒子群优化算法的改进
由式(1)可以看出来公式右边由三部分组成,第一部分是粒子的更新前的速度,而后两部分反映了粒子速度的更新,Shi与Elbert的研究发现,式(1)的第一部分由于具有随机性且其本身缺乏记忆能力,有扩大搜索空间、搜索新的区域的趋势。因此具有全局优化的能力。在考虑实际优化问题时,往往希望先采用全局搜索,使搜索空间快速收敛于某一区域,然后采用局部精细搜索以获得高精度的解。
因此,在式(1)的前乘以惯性权重ω,ω较大则算法具有较强的全局搜索能力,ω较小则算法倾向大于局部搜索。一般的做法是将ω初始为0.9,并使其随迭代次数的增加线性递减至0.4,已达到上述期望的优化目的。通常惯性权重函数ω由下式来确定:
式(3)中:ωmax、ωmin分别是ω的最大值和最小值;iter、itermax分别是当前迭代次数和最大迭代次数。
3粒子群优化算法的实现
BP算法是最常用的神经网络训练方法,它是基于梯度的学习方法,但由于其算法内在的原因会出现训练收敛较慢,易陷入局部最优值等问题,采用PSO代替BP训练神经网络,用PSO调节和优化具有全局性的网络参数,用BP神经网络学习方法优化具有局部性的参数。用PSO作为一种粗优化或离线学习过程,用BP神经网络学习作为一种细优化或在线学习过程,就这样将这两种方法进行综合使用。
(1)初始化BP网络结构,设定网络的输入层、隐含层、输出层的神经元个数。
(2)初始化粒子群及每个粒子的位置、速度,以及个体极值和全局最优值。
(3)计算每个粒子的适应度。
(4)比较适应度,确定每个粒子的个体极值点和全局最优极值点。
(5)利用PSO算法的式(1)、式(2)、式(3)对每个粒子的位置和速度进行更新。
(6)计算算法的误差。
(7)检查是否符合结束条件,如果算法误差满足预设精度或迭代次数满足最大迭代次数,则停止迭代,输出神经网络的最终权值和阈值,否则返回第3步,算法继续迭代。
4异步电机的故障诊断
4.1神经网络训练
选用异步电机转子故障为研究对象,使用涡流传感器采集转子水平和垂直方向上的振动信号,通过放大、滤波和A/D转换,由DSP对振动信号进行频谱分析[2]。分别提取振动信号频谱中的8个频段上的不同频谱峰值作为特征量,当作神经网络的输入,而与其转子振动频谱分量对应的不平衡、不对中、油膜涡动、转子径向碰摩、喘振、轴承座松动6种故障信息作为神经网络的输出。建立起输入层为8节点,隐含层为11节点,输出层为6节点的三层BP神经网络。从故障诊断的实践中形成训练样本,并给出样本的目标输出,如表1所示,转子震动故障原因与征兆表。
在表1中每一故障分别选3组频谱,构成18组学习样本。该算法为有教师学习算法,在样本目标输出中“1.00”表示对应故障发生,“0.00”表示对应故障不发生。
4.2训练结果比较与分析
故障诊断调用Matlab程序分别进行BP神经网络和基于PSO优化的BP神经网络的训练,选取表1中的3、6、9、12、15、18组样本故障数据作为检验数据,如表2所示,得到基于BP算法的网络输出结果,如表3所示,得到基于PSO算法的网络的输出结果。
本系统中,PSO的固定粒子数取20,ω初始值可取稍大些为1.2,后迭代次数由1.2线性递减为0.4,迭代步数取20 000次[3,4]。从表2、表3的对比可以看出,基于PSO算法神经网络的训练结果相对于基于BP算法的神经网络有较高的准确度。
基于BP算法的神经网络训练曲线(见图1)。
基于PSO算法的神经网络训练曲线(见图2)。
图2及图2中横坐标代表网络训练次数,纵坐标代表网络性能即系统误差。从图中训练曲线可以看出:PSO算法迭代次数为597次时,系统误差就达到了0.001,而BP算法迭代次数为10 000次时,还未达到系统精度,陷入局部极小值0.166 8。图2与图1相比,训练曲线变得曲折,说明PSO算法易于跳出多个局部极小值向全局最优值搜索。因此,采用基于粒子群优化算法训练的BP神经网络对异步电机进行故障诊断要优于基于传统BP算法的诊断方法。
5结论
应用神经网络对电机进行故障诊断是目前一个十分活跃的研究领域,而加入了粒子群优化算法的电机故障诊断又为其提供了新的思路和方法。本文应用基于粒子群优化算法和BP神经网络对异步电机转子的常见故障进行了诊断。仿真结果表明,基于PSO算法的BP神经网络对异步电机故障征兆能给出较理想的输出结果,其迭代次数少,收敛快,诊断精度高,性能优于BP算法,具有较好的工程应用价值和非常广阔的应用前景。
参考文献
[1]潘昊,候清兰.基于粒子群优化算法的BP网络学习研究.计算机工程与应用,2006;(16):41-42
[2]李占峰,韩芳芳,郑德忠.基于BP神经网络的电机转子故障研究.河北科技大学学报,2001;22(3):24-25
[3] Bocaniala C D,da Costa J S.Tuning the parameters of a classifier for Fault Diagnosis-particle swarm optimization vs genetic algorithms. ICINCO,2004;(1):157-162
诊断及优化 篇7
航空电子系统中设备电路的复杂性和非线性使得在对其进行故障诊断时很难建立适宜的精确数学模型。模糊理论能够有效地描述不确定信息, 可以用来表示航空电子系统输入征兆与输出故障类型之间的关系。输入与输出之间的不同组合就构成了模糊规则集合。航空电子系统的日趋复杂化, 使得生成的诊断规则的数目随着输入征兆的增加而不断增长, 模糊规则集合变得越来越庞大、冗余度越来越高, 这会使故障诊断耗费大量时间。而航空电子系统的正常运行是保证飞机安全飞行的重要条件, 要求必须能够对航空电子系统的故障进行快速、准确的诊断来避免飞行事故的发生。因此, 有必要对模糊规则进行去除冗余的优化选择, 在保证诊断出的故障数目尽量多的前提下, 使用较小的模糊规则集合, 以此缩短诊断时间, 提高诊断效率。
模糊规则集合的优化可以看成是一个以规则冗余性最小和准确诊断出的故障数目最多为目标的多目标优化问题。多目标遗传算法[1]通过模拟自然界中生物的进化过程来寻求多样的全局最优解, 具有很好的全局搜索性能, 对优化问题没有特殊要求, 适用于处理没有精确数学模型的多目标优化问题。多目标遗传算法通常被归结为两类:基于Pareto优胜关系[2]的多目标遗传算法和非基于Pareto优胜关系的多目标遗传算法。传统的规则优化问题多是采用一种非基于Pareto优胜关系的多目标遗传算法——权重系数法[2], 其适应度赋值方法是通过权重系数将多个目标函数组合成一个单目标函数, 即把多目标函数的优化问题转化成了单目标函数的优化问题。由于权重系数法较易实现, 所以很多多目标优化问题都采用这种方法[3,4,5], 但是只有在根据实际经验给出合理精确的权重系数值时, 权重系数法才能得到真正的全局最优解。航空电子系统本身的复杂性和经验知识的缺乏导致要获得合理精确的权重系数值很困难, 采用这种方法进行优化难以获得比较好的效果。基于以上考虑, 本文采用了一种基于Pareto优胜关系的遗传算法——MOGA-Ⅱ来对模糊规则集合进行优化, 在不要求专家知识或操作经验的情况下, 能够从所有的模糊规则中得到紧凑无损[6]的模糊规则集合, 即其冗余性小, 而诊断准确度高。
1 故障诊断模糊规则描述
航空电子故障诊断系统中, 我们采用模糊规则来描述征兆与故障之间的关系, 形式如下:
Rule Rj:Ifx1isX1, andx2isX2, ...
andxiisXi, ...andxnisXnThen Class Cj
Rj是第j条模糊规则的标签, xi (i=1, 2, …, n) 代表属性, Xi是属性处于不同状态的语言描述, 比如低、偏低、正常、偏高、高。Cj是诊断结果的类别, 在这里, 它们代表故障类型。
征兆就是对属性所处状态的描述, 如xiisXi。在故障诊断中, 经预处理得到了征兆后, 就可以通过模糊匹配, 判断出将要发生的故障。如果逆推, 根据已经出现的故障, 也可以找出故障产生的可能原因。例如航空电子系统中收发机部件的某单元电路包括电容、扼流器、二极管等, 该单元电路故障检测时存在的如下两条模糊规则:
模糊规则1 如果电容的电压偏高, 那么电容将发生故障。
模糊规则2 如果电容的电压偏高, 扼流器电压正常, 二极管电压偏低, 那么电容将发生故障。
在模糊规则1中, 电容的电压偏高就会导致电容出现故障, 而扼流器电压正常和二极管电压偏低这两个征兆就是无需考虑的条件。所以, 相对于模糊规则1, 模糊规则2就是一条冗余的模糊规则。由征兆进行模糊匹配诊断故障时, 大量的这种冗余规则会造成诊断时间上的浪费。因此, 需要通过优化去除冗余。
2 模糊规则多目标遗传算法优化
2.1 模糊规则优化问题描述
本文以航空电子系统中雷达故障诊断的64个模糊规则为例, 采用遗传算法进行优化, 模糊规则以设备属性状态作为输入, 雷达可能发生的故障作为输出。每个个体代表一个可能的模糊规则集合, 我们称之为规则集个体, 其长度为64, 其上的每一个基因代表一个模糊规则。规则集个体上某基因位置值为1表示对应的模糊规则包含在该规则集个体中, 为0则表示对应的模糊规则不包含在该规则集个体中。64条模糊规则任意组合编码成264条规则集个体。
用遗传算法优化模糊规则时选择两个目标函数来衡量规则集个体的优劣程度。第一个目标函数f1 (S) 称作无损度函数, 用规则集个体所含的模糊规则诊断出的故障数目占总的64条模糊规则所能诊断出的故障数目的比值表示规则集个体诊断故障的能力。第二个目标函数f2 (S) 称作紧凑度函数, 用规则集个体中未包含的模糊规则的数目占总的模糊规则数目的比值表示规则集个体冗余的减小程度。在优化过程中, 两个目标函数的值都是朝着最大化方向发展, 具体表示为:
Maximize
Maximize
式中, S0代表模糊规则总数目为64, S代表规则集个体所包含的模糊规则数目, 即参与诊断过程的模糊规则的数目, NCP (S) 代表规则集个体所包含的S条模糊规则能够诊断出的故障数目, SCP (S0) 代表所有的64条模糊规则能够诊断出来的故障数目。
2.2 模糊规则的优化算法
采用基于Pareto优胜关系的MOGA-Ⅱ[7]方法优化模糊规则集合的流程如图1所示。
在MOGA-Ⅱ优化模糊规则集合的过程中, 对规则集个体进行适应度赋值是优化算法的关键, 它将影响到能否获得全局最优解。规则集个体适应度值越大其对应的模糊规则集合越紧凑, 故障诊断能力的无损度越高, 在优化过程中, 被选择进入下一代的机会就越大。MOGA-Ⅱ是基于Pareto优胜关系的, 它会在比较每条规则集个体和种群中其他规则集个体的关系后给规则集个体赋予一定的适应度值[2], 具体过程如下:
(1) 规则集个体排序
通过比较前面定义的两个目标函数值的大小对规则集个体排序。这里以规则集个体a和规则集个体b为例描述排序的过程:
① 如果a的无损度和紧凑度函数值都比b大, 则a在b之前;
② 如果a的无损度和紧凑度函数值都比b小, 则a在b之后;
③ 除上述两种情况以外的所有情况, 则a与b顺序相同。
排序后, 为种群中每条规则集个体赋予等级值, 将排在最前面的规则集个体等级值设为1, 序号相同的规则集个体赋予相同的等级值, 等级值依次递增, 值越小规则集个体越优。
(2) 规则集个体适应度赋值
对规则集个体排序后, 要为其赋予适应度初值。采用公式 (3) 中的非线性插值函数对最高级别至最低级别的规则集个体赋予适应度初值。
其中, N代表种群中规则集个体的数量, m代表同一级别所包含的规则集个体的数量, fit是赋给个体的适应度初值。采用式 (3) 对个体赋予适应度初值, 使得处于同一级别数量较少的个体适应度值相对较大, 被选择的机率增大, 以此保持种群的多样性, 有利于搜索全局最优解。
如果数量较多、相似度较大的较优规则集个体全被选择进入下一代, 那么优化就容易朝着单方向发展, 这样就可能会造成适应度值很高、与其他规则集个体相似度不大的规则集个体无法被选择进入下一代, 难以得到全局最优的模糊规则集合, 除了在个体适应度初值赋值时选择好插值函数, 我们还需进一步通过共享函数对种群中相距太近的规则集个体的适应度值进行修正, 限制相同或相似个体的数量, 保持种群的竞争力, 防止过早收敛到局部最优解。共享函数定义如下:
(4)
其中, dij是个体i和个体j在目标函数构成的空间中对应点的欧式距离, σshare为小生境参数。当代种群中有N条规则集个体, 对它们的目标函数值进行比较, 分别找到两个目标函数各自的最大值maxf1 (S) 、maxf2 (S) 和最小值minf1 (S) 、minf2 (S) , 最后通过式 (5) 计算得到σshare。
将规则集个体的适应度初值与其共享函数值作商, 再将商值与其等级值的倒数求和得到修正后的适应度值。对于规则集个体来说, 与其距离越近、相同或相似个体的数量越多, 计算得到的共享函数值越大, 其修正后的适应度值越小, 被选择进入下一代的机会就会减小。
3 仿真结果
本文使用MOGA-Ⅱ方法和权重系数法分别对模糊规则集合进行了优化。为了比较的方便, 两种优化仿真采用相同的参数, 设置如表1所示。
处理非线性问题时, 交叉概率值通常要设得比较小。考虑到这里的模糊规则集合优化问题属于非线性问题, 我们设置了一个比较小的交叉概率值。
3.1 MOGA-Ⅱ方法仿真
采用MOGA-Ⅱ算法进行模糊规则去冗余优化, 得到的仿真结果如图2所示。
图2的 (a) 、 (b) 和 (c) 分别显示了第1代、第10代和第20代的仿真结果。横轴代表无损度函数值, 纵轴代表紧凑度函数值, 两条虚线分别代表优化后种群中规则集个体的两个目标函数达到的最大值。从图2可以看出, 随着仿真代数的增加, 无损度值和紧凑度值大的规则集个体越来越多, 能够达到的目标函数值也越来越大。即规则集个体能够诊断出的故障数目在增加, 而使用的模糊规则数目在减少。
航电系统的模糊规则优化中, 需要在尽量保证诊断能力无损的前提下选择紧凑度较大的解决方案。根据这个原则, 选择给出了第1代、第10代、第20代仿真后最优规则集个体的目标函数值, 如表2所示。
无损度等于1, 表示优化后的这条规则集个体诊断出来的故障数目与优化前的64条模糊规则诊断出的故障数目相同, 即诊断能力无损。而紧凑度等于0.75, 说明该规则集个体包含64× (1-0.75) =16条模糊规则, 即诊断故障仅使用了优化前25%的模糊规则。由数据比较结果可知, 第20代的最优解诊断无损度和规则紧凑度值都更大, 在实际诊断中更适合被采用。
为了验证遗传算法MOGA-Ⅱ优化模糊规则后诊断效率的提高程度, 我们在自己开发的航空电子故障诊断系统软件中, 输入了1000条样本数据, 以对应样本输入, 若经模糊推理得到的故障输出与样本输出相同则表示诊断正确为判据, 使用优化前的64条模糊规则和优化后的16条模糊规则分别进行故障诊断, 诊断出的故障数目相同。诊断时间如表3所示。
从表中数据可以看出, 优化后相对于优化前节约了3/4的故障诊断时间, 诊断效率明显提高了。
3.2 权重系数法仿真
权重系数法仿真时需要确定权重系数。固定的系数值会使得最优解搜索沿着直线方向进行, 很难在多目标解集构成的曲面上获得全局最优解, 所以需要采用变化的权重系数值。航空电子系统的复杂性和操作经验值的缺乏导致权重系数法的优化过程中无法获得合理权重系数值。为了仿真的简便, 每一代的权重系数值在仿真优化过程中都是随机产生的, 两个系数值的和为1。
图3给出了权重系数法的第20代仿真结果。优化过程中使用了1000个规则集个体, 从图3可以看出, 大量不同的规则集个体在优化过程中由于具有相同的目标函数值而重叠在一起, 这是因为权重系数法在无法获得合理值的情况下, 容易单向收敛到局部最优解。与图2的 (c) 中MOGA-Ⅱ的第20代仿真结果进行比较, 可以看出, 权重系数法得到的无损度达到1的规则集个体中, 模糊规则使用最少的规则集个体所含规则数为64× (1-0.58) ≈27条, 而MOGA-Ⅱ得到的无损度达到1的规则集个体中, 模糊规则使用最少的规则集个体所含规则数仅为16条。由此可知, 相同的仿真条件下, MOGA-Ⅱ所得的规则集个体较权重系数法所得的更加逼近最优, 而权重系数法很难得到全局最优的紧凑无损的模糊规则集合。
4 结 论
本文采用了多目标遗传算法——基于Pareto优胜关系的MOGA-Ⅱ方法和非基于Pareto优胜关系的权重系数方法分别对航空电子故障诊断系统的模糊规则进行去冗余优化, 并得出以下结论:
(1) 在不需要操作经验的情况下, MOGA-Ⅱ去除了模糊规则集合的冗余, 同时保证了诊断的准确度。相对于优化前, 能够以数目较少的模糊规则进行快速、准确的故障诊断, 大大缩减了诊断时间, 提高了诊断效率。
(2) 通过与传统的规则优化方法——权重系数法的仿真比较, 可以看出, 权重系数法虽然实现简单、易于使用, 但它只是利用简单的线性函数, 根据多次不同权重的计算来获取解集, 易收敛到局部最优解, 不能保证得到全局最优的规则集。而MOGA-Ⅱ不需要提供专家知识或操作经验值就能达到全局优化, 更适合对模糊规则集合进行多目标优化。
参考文献
[1]毛一梅, 乐嘉锦.基于遗传算法的Web服务组合优化[J].计算机应用与软件, 2008, 25 (11) :199-201.
[2]崔逊学.多目标进化算法及其应用[M].北京:国防工业出版社, 2006.
[3]Abadeh MS, Habibi J, Luca C.Intrusion detection using a fuzzy genet-ics-based learning algorithm[J].Journal of Network and Computer Ap-plications, 2007, 30 (1) :414-428.
[4]Ishibuchi H, Murata T.Minimizing the fuzzy rule base and maximizingits performance by a multi-objective genetic algorithm[C]//Proceed-ings of the Sixth IEEE International Conference on Fuzzy Systems, 1997, 1 (1) :259-264.
[5]罗景峰, 刘艳秋.遗传算法在全终端网络可靠性优化中的应用[J].计算机应用与软件, 2008, 25 (5) :12-14.
[6]陈茵, 闪四清, 刘鲁, 等.最小冗余的无损关联规则集表述[J].自动化学报, 2008, 34 (12) :1490-1496.
【诊断及优化】推荐阅读：
临床分析及诊断05-09
诊断步骤及方法05-14
诊断及护理措施09-26
汽车故障成因及诊断07-15
诊断要点及方法07-31
在线监测及故障诊断08-16
猪瘟的诊断及防制06-06
羔羊痢疾的诊断及防治08-27
羔羊痢疾的诊断及治疗10-07
口蹄疫的诊断及防治07-22