基于_RBF_神经网络的自动化电器设备故障诊断方法

1、收稿日期 :2005-06-06作者简介 :刘爱民 (1961- , 女 , 沈阳人 , 沈阳工业大学电气工程学院博士研究生 , 从事高压电器及其人工智能等研究 ; 林辛 (1961- , 女 , 教授 , 博士生导师 , 从事高压电器及其永磁机构等研究。文章编号 :1001-2265(2005 12-0067-03基于 (RBF 神经网络的自动化电器设备故障诊断方法刘爱民 , 林莘 , 刘向东(沈阳工业大学 电气工程学院 , 沈阳 110023摘要 :为了对自动化电器设备的故障状态进行准确的识别 , 文章引入了 (R BF 神经网络的故障诊断方法 。并针对其不能学 习新状态类型的缺陷 , 提

2、出了一种改进的算法 。 并将该算法应用于电器设备的故障诊断 , 改进的算法除了能够对已知的状 态进行准确的识别外 , 还能够发现并学习未纳入训练样本集的状态类型 , 从而具备了新状态类型的识别功能 。关键词 :电器设备 ; (R BF 神经网络 ; 状态识别 ; 故障诊断 ; 可信度 中图分类号 :TM762 文献标识码 :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 引言电力系统中的设备故障不仅会影响和困扰电力系统正常运 行 , 造成巨大的损失 ,

5、而且会带来一系列安全和经济等潜在问 题 , 严重时甚至导致整个系统的瘫痪 。 因此 , 对设备尤其是关键 设备故障进行早期预测 、 监测及诊断是保证系统安全运行的重 要环节 , 也是近年来人们关注并致力研究的问题 。作为自动化 电器设备之一的高压断路器是发电和用电之间的联系环节 , 其 重要性不言而喻 。 对高压断路器状态检测和故障诊断技术进行 深入研究 , 有利于实现科学的状态检修 , 从而最大限度地提高电 力系统运行的可靠性 。 从国际 、 国内的统计数字来看 , 断路器的 故障中 , 机械故障占大多数 。 因此 , 故障诊断的重点是对高压断 路器的机械特性进行检测 。近几十年来 , 各国

6、学者已经围绕断 路器的机械特性状态检测方法这一课题进行了多方面的研究 。 除了采用分析振动信号以识别断路器的状态的研究方法之外 , 近年来 , 有学者尝试采用新的方法 。如提出一种模型辅助诊断 (M AiD 方法 , 还有采用统计过程控制法 (SPC 、 通过测量开关动 作时触头两端的电压 , 以及来自电流互感器的电流等信息 , 从而 判断断路器的状态及寿命期限 。 最近有的文献采用模态分析和 振动信号分析方法确定机械故障 , 更有将光纤技术应用于断路 器的状态检测 , 取得了较好的效果 。从总体上来看 , 目前 , 无论 是在国外还是在国内 , 现有的实用化状态检测技术及产品的发 展都还处于

7、初级阶段 , 还不够成熟 , 有的是由于方法上的局限 性 , 有的是由于过高的成本等原因 , 目前还不能够被广泛使用 14。另外断路器机构上具有多样性和复杂性 :其结构的多样性 导致了故障形式的多样性 。 故障形式的多样性给传感器的选择 带来了困难 ; 其工作状态的多样性给断路器的在线检测和故障 诊断带来了困难 ; 故障的随机性和模糊性使断路器的状态变量 与故障特征变量之间存在复杂的时变非线性映射关系 。 所以要 想通过有限的传感器来准确了解内部多个机械部件的状态是极 其困难的 。 因此 , 有必要对断路器的状态检测方法作更深入的 研究 , 提出更具有实用性的方法 5。对高压断路器进行在线检测

8、 , 仅有在线检测的状态参数是远远不够的 , 如何从大量状态参数中提取有用的信息 (即状态特 征量 是值得研究的课题 。对部分状态参数 (如载流部件温度 而言 , 由于量值跟状态之间的对应关系比较简单 , 故已经有比较 成熟的方法进行判断 。 而对于另外一些状态参数 (如主轴转角 、 振动信号等 , 则难以直接从在线检测的量值判断断路器当前工 作状态 。 即使能够从这些状态参数提取状态特征量 , 但如何从 这些特征量反过来判定断路器的状态 , 仍然是一个难题 。人工神经网络技术为解决这些问题提供了一条有效的途 径 。 状态识别问题本质上是模式识别的问题 。 基于神经网络的 故障诊断问题可以看成

9、模式识别 。在最近的十多年里 , 人工神 经网络在模式识别领域发挥了重大作用 。 不少学者对其进行了 研究 , 促进了模式识别理论的发展 。使得这种方法在很多领域 得到了应用 , 在电气设备的故障诊断和模式识别中也同样得到 了应用 . ANN 在电力系统中的应用研究有对电力变压器进行继762005年第 12期 控制与检测电保护及故障诊断 、 电机的故障诊断 ,ANN 在电网状态监测与 诊断上也有用武之地 69。基于断路器的以上特点 , 结合断路器状态检测中的重点和 难点和神经网络在电力系统应用研究中受到了广泛的关注及在 电力系统故障诊断的可行性 , 本文将以断路器状态检测部分关 键参数 (如动

10、触头行程主轴转角的检测 和对机构动力学特性的 仿真分析作为状态检测提供理论依据 , 从检测到的状态参数提 取有用信息 , 从各种状态特征量判断断路器所处的工作状态 , 对 基于人工神经网络的状态识别方法进行研究 。 在总结基于神经 网络的状态识别算法的基础上 , 针对其不能学习新状态类型的 缺陷 , 提出了一种改进的算法 。并将该算法应用于高压断路器 的状态识别 , 实例表明 , 改进的算法除了能够对已知的状态进行 准确的识别外 , 还能够发现并学习未纳入训练样本集的状态类 型 , 从而具备了新状态类型的识别功能 。1 基于 RBF 网络的状态识别原理1. 1 R BF 网络简介目前在电力系统

11、中广泛采取人工神经网络模型 BP 模 型 。 然而 ,BP 网络是一种全局逼近型的神经网络 , 即对输入空 间的任意一点 , 网络的输出 , 正是由于 BP , , 其缓慢 。 RBF 神经网络 (RBF 拓扑图如图 1所示 10。 RBF 神经网络与BP 网络相同 , 主要区别在于 :隐层神经元激活函数为径向基函数 , 如高斯函数 f (x =exp -(x -c 2/2b 2, 这里 b 、 c 分别为高 斯函数的中心值和标准偏差值 (如图 2 ; 另外隐层节点数可由 算法自动确定 11。图 1径向基函数网络结构示意图图 2高斯函数由图 2知 , 高斯函数的作用范围是 有界的 , 即当输入

12、接近某隐节点的基函 数中心时 , 该隐节点将产生较大输出 ; 否 则 , 该节点的输出为零 。当一个不属于已知类别的新样本输 入 R BF 网络时 , 所有判决输出都将趋近于0, 从而能够对新样本作出有效拒判。 1. 2基于 RBF 网络的状态识别将 NN 应用于状态识别 , 其基本思想就是在已知设备的状态 (用状态特征量来表征 和对应的状 态类型 (用状态编码来表征 的情况下 , 利用 NN 模型的自学习 功能 , 实现状态特征量跟状态编码之间的映射关系 。 一旦学习完毕 , 就可以将设备当前的状态特征量输入网络 , 并将网络的输出 跟已有的状态编码比照 , 从而判断状态特征量所对应的设备状

13、 态类型 。 上述过程涉及到输入向量的处理 、 状态类型的量化编码 等 。输入向量即指输入网络的状态特征量 。 由于用来表征设备 状态的特征量千差万别 , 本文对输入向量进行了归一化处理 。 若 将经归一化处理后的的输入向量用 B =Ai 表示 , 则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 组第 j 个元素经 归一化处理后的值 。由于状态类型通常是用文字来描述的 , 为了用 NN 对其进行 处理 , 需要将状态类型进行量化编码 。 即若令 Si 表示第 i 种状 态 , 则S i =b ij , j =1, 2,

14、3 , p b ij =0 j p -i +11 j =p -i -1(42(. , 可以发现它存 在一定的局限性 :网络只能输出训练样本中已有的状态类型所 对应的状态编码 , 即只能识别已知的状态 。 而实际应用中 , 在网 络设计阶段很难罗列设备所有的可能状态 , 因而训练样本总是 有限的 , 其对应的状态数目可能只是设备所有状态总数中很少 的一部分 。 这样在对训练样本中没有的状态类型进行识别时 , 必 然得不到正确的结果 。 为解决上述问题 , 本文对上节所述基于RB F 网络的状态识别算法进行了改进 , 引入可信度的概念 。 给出识别结果的可信程度 , 通过适当的判定规则 , 对新的

15、状态进行 识别 , 然后将其作为新的训练样本输入网络 , 对原已形成的网络 权值和阈值进行修正 。 修正后的网络能够对新的状态类别进行 准确识别 , 从而使改进的状态识别算法具有了识别新状态类型 的功能 。 若用 Si 表示第 i 个输出向量 , 则S i =b ij , j =1, 2, 3, , p(5其中 , p 表示输出向量的总数 。 若用 表示可信度 , 则a =max |b ij |j =1, p|b ij |(6其中 , 分子表示第 i 个输出向量中绝对值最大的元素 ; 分母表示 第 i 个输出向量中各元素绝对值的和 , 考虑到算法误差 , 若分母小于 1则按 1对待 。 即设定

16、一个可信度阈值 , 将其作为判定某 一输出是否属于某一状态类型的依据 。 可信度阈值的确定要综 合考虑状态识别算法的误差和样本之间的相似程度 。 有了可信度的概念 , 我们就可以定量评价由神经网络输出结果得出状态 类型识别结果的可信程度 。 同时 , 利用这个概念有助于对新状态 类型的识别 。 具有学习新状态类型特点的改进算法流程图如图3所示 。在高压断路器的状态识别中 , 有多种状态特征量可以作为NN 的输入向量 。 故障诊断就是通过提取设备状态的特征向量 ,86 控制与检测组合机床与自动化加工技术图 3, .故障之中选出 4种常见的典型故障如表 1所示 。表 1故障原因及对应的故障代码1系

17、统正常2主轴摩擦力偏大故障3绝缘拉杆底部的轴销脱落故障4中间相拐臂轴销脱落故障5外侧拐臂轴销脱落故障2. 2改进的状态识别算法在断路器状态识别中的应用从对操动机构各种故障的仿真结果可以看出 , 不同的故障 类型对机械特性的影响是不同的 , 反映在主轴上 , 其转角曲线具 有明显不同的形状 。 为了定量说明不同故障类型对应的主轴转 角曲线的差异 , 以便于对断路器的状态识别 , 需要对主轴转角曲 线进行参数化描述 。 结合断路器分闸的物理过程 , 分析各种故障 情况下的主轴转角曲线 :曲线由三部分组成 。 在曲线的起始阶 段 , 由一条近似直线的线段构成 ; 在曲线的尾部 , 也由一条近似 直线

18、的线段构成 ; 而曲线的中部分可看作不同曲率半径的圆弧 (直线可看作具有无穷大曲率半径的圆弧 , 它们分别用斜率 k 1和 k 2及曲率半径 r 来描述 , 利用仿真得到断路器操动机构主轴 转角曲线几何特征量 k 1, k 2和 r 构造特征向量 ; 然后以这些特征 向量为学习样本 , 并将其作为输入向量进行归一化处理 、 故障 状态类型进行量化编码 , 然后以这些特征量为学习样本对 RBF 网络进行训练 , 最终使之具有对这些故障类型的识别能力 。 本文 在有关领域专家统计和大量试验基础上建立学习样本如表 2所 示 。表 2 断路器 5种典型故障的学习样本及识别结果编号状态编码 故障样本网络

19、输入k =A k =A x =A 网络输出可信 度 100001正常 017640014000101999 200010主轴摩擦力偏大 1010001001999 300100绝缘拉杆底部轴销脱落 01877001840010001998 401000中间相拐臂轴销脱落 0175810110100001999 510000外侧拐臂轴销锐落 018210017100000. 997 6待识别样本 019600-0. 3000100. 526 表 2给出了作为训练样本的输入向量 (编号 15 及待识别 的输入向量 (编号 6 , 实际上待识别输入向量对应油缓冲器故 障 。 经过上述处理后 , 将表

20、 2中的第 15号输入向量及对应的 状态编码作为训练样本 , 并执行改进算法 。 然后将第 16号输 入向量输入网络 , 其中第 15号输入向量用来对网络识别结果 进行验证 , 第 6号作为待识别的输入向量 。令可信度阈值 等 于 0. 6, 执行改进算法 。 从表 2可以看出 , 对于作为训练样本的 输入向量 (第 15号 的识别结果是准确无误的 , 并且其可信度 也很高 。 对于待识别的第 6, 网络首先给出了属于 第 2(第 6种状态类型 。 , 从而具 , 将表 2中的第 6号样本重新输入 网络进行识别 , 得到的识别结果如表 3所示 。表 3 新样本的识别结果6网络输出 可信度100

21、0000. 997从表 3可以看出 , 改进算法对新样本的识别结果是准确的 。 3 结论本文将人工 NN 引入高压断路器的状态识别领域 , 针对 R BF 网络的状态识别算法的局限性引入可信度的概念 , 提出一 种改进算法 。 将该算法应用于从仿真得到的状态特征量的识 别 , 识别结果表明 , 该算法不仅能够对已知的多种状态进行准确 的识别 , 而且能够判定新的状态类型并对其进行学习 , 从而具有 了新状态类型的识别功能与其它人工智能技术一样 , 人工神经网络用于设备故障诊 断与监测也有局限性 , 例如 , 过度训练 、 样本的过拟合及透明度 较低等 。 尤其对于复杂在线故障的诊断 , 要求及

22、时 、 迅速准确地 做出判断 , 并提出相应解决策略 , 往往需要探索新的智能算法和 网络结构 , 不断地改进神经网络的算法 , 以期更有效地进行设备 故障监测与诊断 。 对于较为复杂的体系 , 探索新的智能算法 、 构 造合理的网络结构 、 选择合理的建模参数以及选取适宜的样本 以建立高精度的神经网络预测模型等是长期而艰巨的任务 。 参考文献 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杨兰均 , 张伟政 , 等 . SPC 法检测高压断路器机械故障 J.高电压技术 , 1998(2 :502551(下转第 72页 962005年第 12期 控制与检测 络模糊 PID 控制 。图 6图 7为设计的神经网络模糊 PID 控制器在无刷直流电 动机控制下的实现结果图 。从图中可以看出 , 新的控制器在仿真过程中取得了好的对 比结果 , 比常规的恒定 PID 参数的控制方法要优越 , 在实验中 , 无刷直流电动机的启动 , 速度跟随以

24、及负载扰动情况下来看 , 新 的控制器的设计是成功的 。图 4 阶跃响应图 5 系统扰动响应图 6 神经网络模糊控制下的响应图 7 神经网络模糊 的扰动5 结束语本文在用 DSP 控制无位置无刷机的过程中 , 在传统的双PI D 环调节的基础上结合模糊逻辑和神经网络 , 建立了神经模糊控制 , 将神经网络和模糊控制有机结合发挥各自优点 , 实验结 果表明 , 本文所设计的神经模糊 PI D 控制方法在系统中运行良 好 , 既实现对转速指令的跟踪又实现负载突变时转速的动态调 节 , 系统的动静态性能和鲁棒性均优于常规 PI D 控制 。参考文献 1陶永华 1新型控制及其应用 M.北京 :机械工业

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 :机械工业出版社 -94、 神经控制与决策控制 M.哈尔滨 :哈尔滨工业大学出版社 , 19961(编辑 赵蓉 (上接第 69页 3D. Birtwhistle et al. A new technique for condition m onitoring ofmv metal