基于_RBF_神經(jīng)網(wǎng)絡的自動化電器設備故障診斷方法

1、收稿日期 :2005-06-06作者簡介 :劉愛民 (1961- , 女 , 沈陽人 , 沈陽工業(yè)大學電氣工程學院博士研究生 , 從事高壓電器及其人工智能等研究 ; 林辛 (1961- , 女 , 教授 , 博士生導師 , 從事高壓電器及其永磁機構(gòu)等研究。文章編號 :1001-2265(2005 12-0067-03基于 (RBF 神經(jīng)網(wǎng)絡的自動化電器設備故障診斷方法劉愛民 , 林莘 , 劉向東(沈陽工業(yè)大學 電氣工程學院 , 沈陽 110023摘要 :為了對自動化電器設備的故障狀態(tài)進行準確的識別 , 文章引入了 (R BF 神經(jīng)網(wǎng)絡的故障診斷方法 。并針對其不能學 習新狀態(tài)類型的缺陷 , 提

2、出了一種改進的算法 。 并將該算法應用于電器設備的故障診斷 , 改進的算法除了能夠?qū)σ阎臓?態(tài)進行準確的識別外 , 還能夠發(fā)現(xiàn)并學習未納入訓練樣本集的狀態(tài)類型 , 從而具備了新狀態(tài)類型的識別功能 。關鍵詞 :電器設備 ; (R BF 神經(jīng)網(wǎng)絡 ; 狀態(tài)識別 ; 故障診斷 ; 可信度 中圖分類號 :TM762 文獻標識碼 :AF ault Diagnosis Method of H igh V oltage Circuit B reaker B ased on (RBF Artificial N eural N etw orkLI U Ai 2min , LI N X in , LI U X

3、iang 2dong(School of Electrical Engineering , Shenyang University of T echnology , Shenyang 110023, China Abstract :A new fault diagnosis method for automated electric appliance based on (R BF artificial neural netw theory is proposed in this paper. And als o does the paper present a m odified calcu

4、lation method the can not study new state type and than use it to electric appliance fault diagnosis. The m odified not state but als o identify and find a state type not in the table of training state type. K ey w ords automated electric ; ; ; reliability0 引言電力系統(tǒng)中的設備故障不僅會影響和困擾電力系統(tǒng)正常運 行 , 造成巨大的損失 ,

5、而且會帶來一系列安全和經(jīng)濟等潛在問 題 , 嚴重時甚至導致整個系統(tǒng)的癱瘓 。 因此 , 對設備尤其是關鍵 設備故障進行早期預測 、 監(jiān)測及診斷是保證系統(tǒng)安全運行的重 要環(huán)節(jié) , 也是近年來人們關注并致力研究的問題 。作為自動化 電器設備之一的高壓斷路器是發(fā)電和用電之間的聯(lián)系環(huán)節(jié) , 其 重要性不言而喻 。 對高壓斷路器狀態(tài)檢測和故障診斷技術(shù)進行 深入研究 , 有利于實現(xiàn)科學的狀態(tài)檢修 , 從而最大限度地提高電 力系統(tǒng)運行的可靠性 。 從國際 、 國內(nèi)的統(tǒng)計數(shù)字來看 , 斷路器的 故障中 , 機械故障占大多數(shù) 。 因此 , 故障診斷的重點是對高壓斷 路器的機械特性進行檢測 。近幾十年來 , 各國

6、學者已經(jīng)圍繞斷 路器的機械特性狀態(tài)檢測方法這一課題進行了多方面的研究 。 除了采用分析振動信號以識別斷路器的狀態(tài)的研究方法之外 , 近年來 , 有學者嘗試采用新的方法 。如提出一種模型輔助診斷 (M AiD 方法 , 還有采用統(tǒng)計過程控制法 (SPC 、 通過測量開關動 作時觸頭兩端的電壓 , 以及來自電流互感器的電流等信息 , 從而 判斷斷路器的狀態(tài)及壽命期限 。 最近有的文獻采用模態(tài)分析和 振動信號分析方法確定機械故障 , 更有將光纖技術(shù)應用于斷路 器的狀態(tài)檢測 , 取得了較好的效果 。從總體上來看 , 目前 , 無論 是在國外還是在國內(nèi) , 現(xiàn)有的實用化狀態(tài)檢測技術(shù)及產(chǎn)品的發(fā) 展都還處于

7、初級階段 , 還不夠成熟 , 有的是由于方法上的局限 性 , 有的是由于過高的成本等原因 , 目前還不能夠被廣泛使用 14。另外斷路器機構(gòu)上具有多樣性和復雜性 :其結(jié)構(gòu)的多樣性 導致了故障形式的多樣性 。 故障形式的多樣性給傳感器的選擇 帶來了困難 ; 其工作狀態(tài)的多樣性給斷路器的在線檢測和故障 診斷帶來了困難 ; 故障的隨機性和模糊性使斷路器的狀態(tài)變量 與故障特征變量之間存在復雜的時變非線性映射關系 。 所以要 想通過有限的傳感器來準確了解內(nèi)部多個機械部件的狀態(tài)是極 其困難的 。 因此 , 有必要對斷路器的狀態(tài)檢測方法作更深入的 研究 , 提出更具有實用性的方法 5。對高壓斷路器進行在線檢測

8、 , 僅有在線檢測的狀態(tài)參數(shù)是遠遠不夠的 , 如何從大量狀態(tài)參數(shù)中提取有用的信息 (即狀態(tài)特 征量 是值得研究的課題 。對部分狀態(tài)參數(shù) (如載流部件溫度 而言 , 由于量值跟狀態(tài)之間的對應關系比較簡單 , 故已經(jīng)有比較 成熟的方法進行判斷 。 而對于另外一些狀態(tài)參數(shù) (如主軸轉(zhuǎn)角 、 振動信號等 , 則難以直接從在線檢測的量值判斷斷路器當前工 作狀態(tài) 。 即使能夠從這些狀態(tài)參數(shù)提取狀態(tài)特征量 , 但如何從 這些特征量反過來判定斷路器的狀態(tài) , 仍然是一個難題 。人工神經(jīng)網(wǎng)絡技術(shù)為解決這些問題提供了一條有效的途 徑 。 狀態(tài)識別問題本質(zhì)上是模式識別的問題 。 基于神經(jīng)網(wǎng)絡的 故障診斷問題可以看成

9、模式識別 。在最近的十多年里 , 人工神 經(jīng)網(wǎng)絡在模式識別領域發(fā)揮了重大作用 。 不少學者對其進行了 研究 , 促進了模式識別理論的發(fā)展 。使得這種方法在很多領域 得到了應用 , 在電氣設備的故障診斷和模式識別中也同樣得到 了應用 . ANN 在電力系統(tǒng)中的應用研究有對電力變壓器進行繼762005年第 12期 控制與檢測電保護及故障診斷 、 電機的故障診斷 ,ANN 在電網(wǎng)狀態(tài)監(jiān)測與 診斷上也有用武之地 69?；跀嗦菲鞯囊陨咸攸c , 結(jié)合斷路器狀態(tài)檢測中的重點和 難點和神經(jīng)網(wǎng)絡在電力系統(tǒng)應用研究中受到了廣泛的關注及在 電力系統(tǒng)故障診斷的可行性 , 本文將以斷路器狀態(tài)檢測部分關 鍵參數(shù) (如動

10、觸頭行程主軸轉(zhuǎn)角的檢測 和對機構(gòu)動力學特性的 仿真分析作為狀態(tài)檢測提供理論依據(jù) , 從檢測到的狀態(tài)參數(shù)提 取有用信息 , 從各種狀態(tài)特征量判斷斷路器所處的工作狀態(tài) , 對 基于人工神經(jīng)網(wǎng)絡的狀態(tài)識別方法進行研究 。 在總結(jié)基于神經(jīng) 網(wǎng)絡的狀態(tài)識別算法的基礎上 , 針對其不能學習新狀態(tài)類型的 缺陷 , 提出了一種改進的算法 。并將該算法應用于高壓斷路器 的狀態(tài)識別 , 實例表明 , 改進的算法除了能夠?qū)σ阎臓顟B(tài)進行 準確的識別外 , 還能夠發(fā)現(xiàn)并學習未納入訓練樣本集的狀態(tài)類 型 , 從而具備了新狀態(tài)類型的識別功能 。1 基于 RBF 網(wǎng)絡的狀態(tài)識別原理1. 1 R BF 網(wǎng)絡簡介目前在電力系統(tǒng)

11、中廣泛采取人工神經(jīng)網(wǎng)絡模型 BP 模 型 。 然而 ,BP 網(wǎng)絡是一種全局逼近型的神經(jīng)網(wǎng)絡 , 即對輸入空 間的任意一點 , 網(wǎng)絡的輸出 , 正是由于 BP , , 其緩慢 。 RBF 神經(jīng)網(wǎng)絡 (RBF 拓撲圖如圖 1所示 10。 RBF 神經(jīng)網(wǎng)絡與BP 網(wǎng)絡相同 , 主要區(qū)別在于 :隱層神經(jīng)元激活函數(shù)為徑向基函數(shù) , 如高斯函數(shù) f (x =exp -(x -c 2/2b 2, 這里 b 、 c 分別為高 斯函數(shù)的中心值和標準偏差值 (如圖 2 ; 另外隱層節(jié)點數(shù)可由 算法自動確定 11。圖 1徑向基函數(shù)網(wǎng)絡結(jié)構(gòu)示意圖圖 2高斯函數(shù)由圖 2知 , 高斯函數(shù)的作用范圍是 有界的 , 即當輸入

12、接近某隱節(jié)點的基函 數(shù)中心時 , 該隱節(jié)點將產(chǎn)生較大輸出 ; 否 則 , 該節(jié)點的輸出為零 。當一個不屬于已知類別的新樣本輸 入 R BF 網(wǎng)絡時 , 所有判決輸出都將趨近于0, 從而能夠?qū)π聵颖咀鞒鲇行Ь芘小?1. 2基于 RBF 網(wǎng)絡的狀態(tài)識別將 NN 應用于狀態(tài)識別 , 其基本思想就是在已知設備的狀態(tài) (用狀態(tài)特征量來表征 和對應的狀 態(tài)類型 (用狀態(tài)編碼來表征 的情況下 , 利用 NN 模型的自學習 功能 , 實現(xiàn)狀態(tài)特征量跟狀態(tài)編碼之間的映射關系 。 一旦學習完畢 , 就可以將設備當前的狀態(tài)特征量輸入網(wǎng)絡 , 并將網(wǎng)絡的輸出 跟已有的狀態(tài)編碼比照 , 從而判斷狀態(tài)特征量所對應的設備狀

13、 態(tài)類型 。 上述過程涉及到輸入向量的處理 、 狀態(tài)類型的量化編碼 等 。輸入向量即指輸入網(wǎng)絡的狀態(tài)特征量 。 由于用來表征設備 狀態(tài)的特征量千差萬別 , 本文對輸入向量進行了歸一化處理 。 若 將經(jīng)歸一化處理后的的輸入向量用 B =Ai 表示 , 則A i =a ij =max i =1, ma ij (3其中分母表示 aij 所在列的最大值 , aij 表示第 i 組第 j 個元素經(jīng) 歸一化處理后的值 。由于狀態(tài)類型通常是用文字來描述的 , 為了用 NN 對其進行 處理 , 需要將狀態(tài)類型進行量化編碼 。 即若令 Si 表示第 i 種狀 態(tài) , 則S i =b ij , j =1, 2,

14、3 , p b ij =0 j p -i +11 j =p -i -1(42(. , 可以發(fā)現(xiàn)它存 在一定的局限性 :網(wǎng)絡只能輸出訓練樣本中已有的狀態(tài)類型所 對應的狀態(tài)編碼 , 即只能識別已知的狀態(tài) 。 而實際應用中 , 在網(wǎng) 絡設計階段很難羅列設備所有的可能狀態(tài) , 因而訓練樣本總是 有限的 , 其對應的狀態(tài)數(shù)目可能只是設備所有狀態(tài)總數(shù)中很少 的一部分 。 這樣在對訓練樣本中沒有的狀態(tài)類型進行識別時 , 必 然得不到正確的結(jié)果 。 為解決上述問題 , 本文對上節(jié)所述基于RB F 網(wǎng)絡的狀態(tài)識別算法進行了改進 , 引入可信度的概念 。 給出識別結(jié)果的可信程度 , 通過適當?shù)呐卸ㄒ?guī)則 , 對新的

15、狀態(tài)進行 識別 , 然后將其作為新的訓練樣本輸入網(wǎng)絡 , 對原已形成的網(wǎng)絡 權(quán)值和閾值進行修正 。 修正后的網(wǎng)絡能夠?qū)π碌臓顟B(tài)類別進行 準確識別 , 從而使改進的狀態(tài)識別算法具有了識別新狀態(tài)類型 的功能 。 若用 Si 表示第 i 個輸出向量 , 則S i =b ij , j =1, 2, 3, , p(5其中 , p 表示輸出向量的總數(shù) 。 若用 表示可信度 , 則a =max |b ij |j =1, p|b ij |(6其中 , 分子表示第 i 個輸出向量中絕對值最大的元素 ; 分母表示 第 i 個輸出向量中各元素絕對值的和 , 考慮到算法誤差 , 若分母小于 1則按 1對待 。 即設定

16、一個可信度閾值 , 將其作為判定某 一輸出是否屬于某一狀態(tài)類型的依據(jù) 。 可信度閾值的確定要綜 合考慮狀態(tài)識別算法的誤差和樣本之間的相似程度 。 有了可信度的概念 , 我們就可以定量評價由神經(jīng)網(wǎng)絡輸出結(jié)果得出狀態(tài) 類型識別結(jié)果的可信程度 。 同時 , 利用這個概念有助于對新狀態(tài) 類型的識別 。 具有學習新狀態(tài)類型特點的改進算法流程圖如圖3所示 。在高壓斷路器的狀態(tài)識別中 , 有多種狀態(tài)特征量可以作為NN 的輸入向量 。 故障診斷就是通過提取設備狀態(tài)的特征向量 ,86 控制與檢測組合機床與自動化加工技術(shù)圖 3, .故障之中選出 4種常見的典型故障如表 1所示 。表 1故障原因及對應的故障代碼1系

17、統(tǒng)正常2主軸摩擦力偏大故障3絕緣拉桿底部的軸銷脫落故障4中間相拐臂軸銷脫落故障5外側(cè)拐臂軸銷脫落故障2. 2改進的狀態(tài)識別算法在斷路器狀態(tài)識別中的應用從對操動機構(gòu)各種故障的仿真結(jié)果可以看出 , 不同的故障 類型對機械特性的影響是不同的 , 反映在主軸上 , 其轉(zhuǎn)角曲線具 有明顯不同的形狀 。 為了定量說明不同故障類型對應的主軸轉(zhuǎn) 角曲線的差異 , 以便于對斷路器的狀態(tài)識別 , 需要對主軸轉(zhuǎn)角曲 線進行參數(shù)化描述 。 結(jié)合斷路器分閘的物理過程 , 分析各種故障 情況下的主軸轉(zhuǎn)角曲線 :曲線由三部分組成 。 在曲線的起始階 段 , 由一條近似直線的線段構(gòu)成 ; 在曲線的尾部 , 也由一條近似 直線

18、的線段構(gòu)成 ; 而曲線的中部分可看作不同曲率半徑的圓弧 (直線可看作具有無窮大曲率半徑的圓弧 , 它們分別用斜率 k 1和 k 2及曲率半徑 r 來描述 , 利用仿真得到斷路器操動機構(gòu)主軸 轉(zhuǎn)角曲線幾何特征量 k 1, k 2和 r 構(gòu)造特征向量 ; 然后以這些特征 向量為學習樣本 , 并將其作為輸入向量進行歸一化處理 、 故障 狀態(tài)類型進行量化編碼 , 然后以這些特征量為學習樣本對 RBF 網(wǎng)絡進行訓練 , 最終使之具有對這些故障類型的識別能力 。 本文 在有關領域?qū)＜医y(tǒng)計和大量試驗基礎上建立學習樣本如表 2所 示 。表 2 斷路器 5種典型故障的學習樣本及識別結(jié)果編號狀態(tài)編碼 故障樣本網(wǎng)絡

19、輸入k =A k =A x =A 網(wǎng)絡輸出可信 度 100001正常 017640014000101999 200010主軸摩擦力偏大 1010001001999 300100絕緣拉桿底部軸銷脫落 01877001840010001998 401000中間相拐臂軸銷脫落 0175810110100001999 510000外側(cè)拐臂軸銷銳落 018210017100000. 997 6待識別樣本 019600-0. 3000100. 526 表 2給出了作為訓練樣本的輸入向量 (編號 15 及待識別 的輸入向量 (編號 6 , 實際上待識別輸入向量對應油緩沖器故 障 。 經(jīng)過上述處理后 , 將表

20、 2中的第 15號輸入向量及對應的 狀態(tài)編碼作為訓練樣本 , 并執(zhí)行改進算法 。 然后將第 16號輸 入向量輸入網(wǎng)絡 , 其中第 15號輸入向量用來對網(wǎng)絡識別結(jié)果 進行驗證 , 第 6號作為待識別的輸入向量 。令可信度閾值 等 于 0. 6, 執(zhí)行改進算法 。 從表 2可以看出 , 對于作為訓練樣本的 輸入向量 (第 15號 的識別結(jié)果是準確無誤的 , 并且其可信度 也很高 。 對于待識別的第 6, 網(wǎng)絡首先給出了屬于 第 2(第 6種狀態(tài)類型 。 , 從而具 , 將表 2中的第 6號樣本重新輸入 網(wǎng)絡進行識別 , 得到的識別結(jié)果如表 3所示 。表 3 新樣本的識別結(jié)果6網(wǎng)絡輸出 可信度100

21、0000. 997從表 3可以看出 , 改進算法對新樣本的識別結(jié)果是準確的 。 3 結(jié)論本文將人工 NN 引入高壓斷路器的狀態(tài)識別領域 , 針對 R BF 網(wǎng)絡的狀態(tài)識別算法的局限性引入可信度的概念 , 提出一 種改進算法 。 將該算法應用于從仿真得到的狀態(tài)特征量的識 別 , 識別結(jié)果表明 , 該算法不僅能夠?qū)σ阎亩喾N狀態(tài)進行準確 的識別 , 而且能夠判定新的狀態(tài)類型并對其進行學習 , 從而具有 了新狀態(tài)類型的識別功能與其它人工智能技術(shù)一樣 , 人工神經(jīng)網(wǎng)絡用于設備故障診 斷與監(jiān)測也有局限性 , 例如 , 過度訓練 、 樣本的過擬合及透明度 較低等 。 尤其對于復雜在線故障的診斷 , 要求及

22、時 、 迅速準確地 做出判斷 , 并提出相應解決策略 , 往往需要探索新的智能算法和 網(wǎng)絡結(jié)構(gòu) , 不斷地改進神經(jīng)網(wǎng)絡的算法 , 以期更有效地進行設備 故障監(jiān)測與診斷 。 對于較為復雜的體系 , 探索新的智能算法 、 構(gòu) 造合理的網(wǎng)絡結(jié)構(gòu) 、 選擇合理的建模參數(shù)以及選取適宜的樣本 以建立高精度的神經(jīng)網(wǎng)絡預測模型等是長期而艱巨的任務 。 參考文獻 1Michael S tanek , K laus Frohlich. M odel -aided diagnosis -a new method for online condition assessment of high v oltage cir

23、cuit breakersJ.IEEE T ransactions on P ower Delivery. 2000, 15(2 : 585259012楊蘭均 , 張偉政 , 等 . SPC 法檢測高壓斷路器機械故障 J.高電壓技術(shù) , 1998(2 :502551(下轉(zhuǎn)第 72頁 962005年第 12期 控制與檢測 絡模糊 PID 控制 。圖 6圖 7為設計的神經(jīng)網(wǎng)絡模糊 PID 控制器在無刷直流電 動機控制下的實現(xiàn)結(jié)果圖 。從圖中可以看出 , 新的控制器在仿真過程中取得了好的對 比結(jié)果 , 比常規(guī)的恒定 PID 參數(shù)的控制方法要優(yōu)越 , 在實驗中 , 無刷直流電動機的啟動 , 速度跟隨以

24、及負載擾動情況下來看 , 新 的控制器的設計是成功的 。圖 4 階躍響應圖 5 系統(tǒng)擾動響應圖 6 神經(jīng)網(wǎng)絡模糊控制下的響應圖 7 神經(jīng)網(wǎng)絡模糊 的擾動5 結(jié)束語本文在用 DSP 控制無位置無刷機的過程中 , 在傳統(tǒng)的雙PI D 環(huán)調(diào)節(jié)的基礎上結(jié)合模糊邏輯和神經(jīng)網(wǎng)絡 , 建立了神經(jīng)模糊控制 , 將神經(jīng)網(wǎng)絡和模糊控制有機結(jié)合發(fā)揮各自優(yōu)點 , 實驗結(jié) 果表明 , 本文所設計的神經(jīng)模糊 PI D 控制方法在系統(tǒng)中運行良 好 , 既實現(xiàn)對轉(zhuǎn)速指令的跟蹤又實現(xiàn)負載突變時轉(zhuǎn)速的動態(tài)調(diào) 節(jié) , 系統(tǒng)的動靜態(tài)性能和魯棒性均優(yōu)于常規(guī) PI D 控制 。參考文獻 1陶永華 1新型控制及其應用 M.北京 :機械工業(yè)

25、出版社 ,2003:101-19512SH UANG C ONG,RUIXI ANG S ONG. An improved Bspline fuzzy -neural netw ork contoller A .Intelligent C ontrol and Automaion. Hefei :Univ.of Sci. &T echnol. of China ,2000. 1713-1717. 3RUANO A E ,C ABRIT C ,Oliveira J V ,et al. Supervised trainingalg orithms for B -spline neural netw orks and fuzzy systemA.IF 2S A W orld C ongress and 20th NAFIPS Internatinal C on ference. Van 2couver Univ. 14北京 :機械工業(yè)出版社 -94、 神經(jīng)控制與決策控制 M.哈爾濱 :哈爾濱工業(yè)大學出版社 , 19961(編輯 趙蓉 (上接第 69頁 3D. Birtwhistle et al. A new technique for condition m onitoring ofmv metal