电气设备故障诊断

电气设备故障诊断第一页，共五十五页，编辑于2023年，星期日序：传统人工智能的局限性及解决途径

传统AI的基础是逻辑推理，且是在冯·诺依曼串行机上实现的，它要具备两个条件才能进行：将处理的问题都化成符号序列表示要给出处理这些符号的规则传统AI能解决的问题完全局限于人的逻辑思维所能解决的问题之内，完全是一种逻辑思维的模拟．而人脑除逻辑思维外，还有形象思维与逻辑表象等，因而单靠传统的AI不能很好地模拟智能。另外，对于无法形式化的问题；难以用AI来求解。最主要的局限——难以学习，不具有学习的系统很难模拟智能。要在基于逻辑推理的系统中实现学习虽不能说不可能，至目前难有大的进展。第二页，共五十五页，编辑于2023年，星期日人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径ANN是一种模仿人脑行为及其活动过程的推理分析方法，它具有自学习能力，能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。一般认为，最早用数学模型对神经系统中的神经元进行理论建模的是美国心理学家麦卡洛克（W.McCulloch）和数学家皮茨（W.Pitts）。1943年建立了MP神经元模型。MP神经元模型首次用简单的数学模型模仿出生物神经元活动功能，并揭示了通过神经元的相互连接和简单的数学计算，可以进行相当复杂的逻辑运算这一令人兴奋的事实。第三页，共五十五页，编辑于2023年，星期日人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径ANN是一种模仿人脑行为及其活动过程的推理分析方法，它具有自学习能力，能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。1957年，美国计算机学家罗森布拉特提出了著名的感知器Perceptron模型。它是一个具有连续可调权值矢量的MP神经网络模型，经过训练可达到对一定输入矢量模式进行识别的目的。1959年，当时的另外两位美国工程师威德罗和霍夫提出了自适应线性元件（Adaptivelinearelement）它是感知器的变化形式，尤其在权失量的算法上进行了改进，提高了训练收敛速度和精度。他们从工程实际出发，不仅在计算机上模拟了这种神经网络，而且还做成了硬件，并将训练后的人工神经网络成功地用于的小通讯中的回波和噪声，成为第一个用于解决实际问题的人工神经网络。第四页，共五十五页，编辑于2023年，星期日人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径ANN是一种模仿人脑行为及其活动过程的推理分析方法，它具有自学习能力，能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。1969年，人工智能的创始人之一明斯基和帕伯特在合著的《感知器》一书中对以单层感知器为代表的简单人工神经网络的功能及局限性进行了深入分析。他们指出，单层感知器只能进行线性分类，对线性不可分的输入模式无能为力，而其解决的办法是设计出具有隐含层的多层神经网络，但是要找到一个有效修正权矢量的学习算法并不容易。这一结论使得当时许多神经网络研究者感到前途渺茫，客观上对神经网络理论的发展起了一定的消极作用。第五页，共五十五页，编辑于2023年，星期日人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径ANN是一种模仿人脑行为及其活动过程的推理分析方法，它具有自学习能力，能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。美国学者霍普菲尔德对人工神经网络研究的复苏起到了关键性的作用。1982年，他提出了霍普菲尔的网络模型，将能量函数引入到对称反馈网络中，网络稳定性有了明显的判据，并利用提出的网络的神经计算能力来解决条件优化问题。另外，霍普菲尔德网络模型可以用电子模拟线路来实现，从而由此还兴起了对新一代电子神经计算机的研究。1984年，提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径另一个突破性的研究成果是儒默哈特等人在1986年提出的解决多层神经网络权值修正的算法误差反向传播法，简称BP算法，找到了解决明斯基和帕伯特提出的问题的办法，从而给人工神经网络增添了活力。第六页，共五十五页，编辑于2023年，星期日人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径ANN是一种模仿人脑行为及其活动过程的推理分析方法，它具有自学习能力，能从一系列的数据中综合出规律性的知识——较为有效地解决了专家系统知识获取困难。神经网络在电力系统中得到应用1975年Dillon等人首先运用自学习机对电力系统负荷预报进行了研究；1986年S．Y．OH利用模识识别和联想记忆的方法进行大规模电力系统的安全估计，并对一个实际系统进行了分析；1988年D．J．Sobajic和Y．H．Pao应用BP算法进行了电力系统动态安全估计方面的研究；1989年S．Ebron等人提出用BP模型进行配电网馈电线的初期故障检测。特别是近十年来，利用ANN进行动态安全分析、警报处理、谐波负荷识别、经济调度、系统初期故障诊断、无功的实时控制以及同步电机模拟、预想事故选择等方面的研究越来越多，为电力系统的规划、运行和控制提供了新的方法。第七页，共五十五页，编辑于2023年，星期日人工神经网络(ANN)原理

人工神经元网络模型(ArtificialNeuralNetwork—ANN)——又称连接机制模型(ConnectionismModal)——并行分布处理模型(ParallelDistributedProcessingModel)，由大量简单元件广泛连接而成的，用以模拟人脑行为的复杂网络系统．研究这一系统的根本目的是探索人脑信息处理、储存和搜索的机制属于AI的一个分支第八页，共五十五页，编辑于2023年，星期日1.组成ANN的基本单元—神经元神经元——人脑的基本细胞单元是。人脑是由几百亿个神经元紧密连接而组成的。神经元由树突、细胞体、轴突与突触等部分组成。每一神经元通过树突接收和组合从其它许多神经元送来的信号;如果组合的信号足够强，则该神经元处于激话(activation)状态，产生一个输出信号(反之则处于抑制状态)。通过轴突与突触的许多分支终端传递到周围神经元的输入端一树突，到达神经元输入端的信号的强度取决于突触的强度(权值，Weight)。生物神经网络就是通过改变突触的强度而学习的——突触是基本记亿单元。第九页，共五十五页，编辑于2023年，星期日2.神经元的节点函数——传递函数第十页，共五十五页，编辑于2023年，星期日3.神经元与神经元间连接方式第十一页，共五十五页，编辑于2023年，星期日ANN的基本特征人工神经网络由大量处理单元(神经元、处理元件等)广泛互联组成，反映了人脑的基本特性。以神经元连接与并行机制来简化、抽象及模拟人脑的逻辑及形象思维能力。——高度非线性的大规模或超大规模的动力系统，主要表现为连续时间的非线性动力性、网络的全局作用、大规模并行处理及高度的鲁棒性和学习联想特性。在神经网络系统中，信息的存储与处理(计算)是合为一体的，网络通过大量神经元之间的相互联系存储知识与信息，神经元之间的大规模并行分布式的相互作用实现知识信息的处理。组织成大规模的复杂系统，提供了大量可供调节的变量；实现了并行处理的机制(网络内或层内各个神经元可以并行工作和调整)，实现集体计算，使信息处理速度加快；信息分布存储在网络内神经元的连接权值上，提供了联想与记忆的能力；同时由于网络结构造成的高度冗余，从而具备高度的容错性与鲁棒性；基于连接权值可变性，网络拓扑具有强的自适应能力；具备从示例自动学习的显著学习能力，使神经网络能应用于具有更多未知理论的领域；神经元处理单元通常很简单，方便实现规模化集成。第十二页，共五十五页，编辑于2023年，星期日ANN的功能a．有导师学习(SupervisedLearning)——针对对应模式b．无导师学习(UnsupervisedLearning)．根据环境的变化自行组织。c．联想存储(记忆)．有自联想和异联想自联想记忆——设在训练过程中由ANN存入K个样本向量，现输入向量X’＝X(t)+V，其中X(t)是样本向量之一,V是偏差向量，要求输出y’≈X(t)。异联想记忆——两样本间具有一定的对应关系，要求从有噪声(干扰)的一组样本联想出另一组样本中与其相对应的没有或有很小干扰的祥本。自联想记忆是异联想记忆的特例d．优化与调度计算．ANN可用于优化计算，典型的是Hopfield模型。该模型可用于约束优化问题的近似计算，并已成功地用于旅行推销员问题(TravellingSalesmanProblem—TSP)及其它一些优化问题的求解。

第十三页，共五十五页，编辑于2023年，星期日ANN与传统AI(包括专家系统)在模拟智能方面的主要区别传统AI模拟了人的逻辑思维ANN主要模拟了人的形象思维

传统AI适于处理象规划、决策和语义理解等较高级的问题，ANN适于解决象模式识别和联想记亿等较低级的认识问题

传统的AI系统中实现学习很难ANN一个重要特征是能够学习

第十四页，共五十五页，编辑于2023年，星期日在传统的专家系统中，知识是以规则的形式显示表示的ANN可从样本中通过学习产生规则。ANN的学习过程是自适应式的，当重复地向ANN提供输入／期望的输出对时，ANN进行自身的调整与组织，逐步完成期望的由输入到输出的映射．ANN的这种无需显式表示规则和不要求大量的人力、以及能够通过学习获得合适的结构的特征使其很适于处理困难的模式识别问题。第十五页，共五十五页，编辑于2023年，星期日ANN与传统AI(包括专家系统)在模拟智能方面的主要区别传统的AI是基于串行的方式实现的ANN是并行、分布、联想式的用传统AI解决问题时，通常要花费大量的人力和时间将具体的问题表示成符号序列的形式ANN模型有些是面向‘数据’的，因而要求的人力少传统AI系统是采用算法或规则方式的，仅能完成设定的任务，在这种系统中出现任何程度的不可预测的情况(不常出现)时，通常会误操作。ANN是非线性动力学系统，具有不可预测的特性，与人类有类似的行为．在较大的范围内进行学习在ANN中，以输入与期望的输出对表示的知识是分布存贮于所有处理单元上的．ANN的联想特征，使得当输入信息不完全时，仍可选出最接近的匹配模式，产生对应于完全输入信息的输出。ANN的分布存储与联想特征使得当输入不完整、有噪声时仍能得出合理的输出响应，具有很强的容错能力。这使得ANN远比传统AI更适于解决复杂的模式识别问题。第十六页，共五十五页，编辑于2023年，星期日ANN的主要研究领域A．用ANN解决问题时，决定各神经元间的连接及其权值的学习算法包括：确定模型结构、性质、训练方法及其效率的研究ANN是高度非线性动力学系统，具有非常复杂的行为．每个神经元本身是非常简单的非线性元件，但由它们广泛连接而成的ANN具有十分复杂的集体行为，这正是非线性系统的基本特征．研究的重点是ANN的集体行为而非单个神经元的性能，因而研究的方法是综合而非分解。B．ANN的微电子或光学实现ANN具有高度的并行处理与分布式存贮的特性，在冯·诺依曼型机上无法实现．研究ANN的硬件实现是一重要课题．两种实现途径：光学实现，可以表示出三维空间上的互连，更能体现ANN的特点，而人脑中的神经网络也是三维互连的；电子线路或VLSI的特征是二维的．C．探索生物神经网络的结构及运行机制模仿人脑，直接方法是研究人脑——十分困难要理想地模拟人的信息处理、储存和搜索的机制，只能采用这种途径，当然也需要由其它途径加以促进。

第十七页，共五十五页，编辑于2023年，星期日NN的特征——拓扑特征

(1)单层自反馈NN(小容量存储)；第十八页，共五十五页，编辑于2023年，星期日NN的特征——拓扑特征

(2)多层前馈NN(可大容量存储)第十九页，共五十五页，编辑于2023年，星期日NN的特征——拓扑特征

(3)多层反馈NN(可大容量存储)第二十页，共五十五页，编辑于2023年，星期日NN的特征——学习特征

1．有教师学习NN对输入模式的训练在教师指导下完成。按照一定的学习算法，不断调整输出模式与所提供的正确样本(教师)之间的误差，实现输出的最佳解。有导师学习算法的种类很多，如误差校正学习、增强权值学习、随机学习、赫布学习、竞争和协同学习等。典型的NN如B—P网、联想网等第二十一页，共五十五页，编辑于2023年，星期日NN的特征——学习特征

2．无教师学习无教师学习又可称为自组织学习。NN对输入模式的训练在无教师指导下完成。NN仅依靠局部信息和内部自适应调整，控制其输出。NN是在无教师指导下，完成训练和输出最佳解。最典型的是科霍思自组织网络第二十二页，共五十五页，编辑于2023年，星期日NN的稳定性特征和收敛特征

神经网络对外部环境信息进行处理时，稳定性是必须考虑的重要因素。如果NN在外部环境刺激下不出现大的扰动，则NN是稳定的，反之，NN是不稳定的。作为非线性动力学系统的NN，寻求全局最终稳定点(收敛点、平衡点等)。如果NN只存在局部稳定点，则该NN只能说是局部稳定NN，而不是全局稳定NN。NN的收敛性通常表示为所希望的NN输出与实际计算的NN输出之间的最终最小误差。NN的收敛和稳定是相互联系、相辅相成的。李雅普诺夫(Lyapunov)直接方法是判定NN全局稳定的常用方法。第二十三页，共五十五页，编辑于2023年，星期日主要ANN模型神经网络的特性来源于网络中神经元的互连结构

根据神经网络连接方式的不同：不含反馈的前向网络(如感知器、BP网络等)反馈网络(如Hopfield网络、Hamming网络等)层内有相互连接的随机网络(如Boltzman机等)自组织型神经网络等常用的学习规则：相关规则(如Hebb规则)纠错规则(如及广义学习规则、Boltzman机的模拟退火规则等)基于自适应学习的无教师学习规则等。神经网络的模式判断性能决定于其网络模型，包括网络结构、网络学习算法和学习样本第二十四页，共五十五页，编辑于2023年，星期日基于纠错学习规则的前向神经网络具有结构简单、学习算法方便、善于联想记忆与模式识别等显著优点，在着重信息处理与模式识别的故障诊断研究中得到了广泛的应用。

第二十五页，共五十五页，编辑于2023年，星期日相关规则(Hebb)非监督学习规则(unsupervisedlearning)在生理学上就是Pavlov的条件反射原理，当用一个毫无意义的刺激信号（如铃的响声）同时伴有另一个刺激信号（如食物）反复加给动物的时候，经过一段时间的训练后，动物就会建立一种联想.当再接受到刺激信号时，动物就会产生条件反射.这种类型的学习是完全开环的。当某一突触两端的神经元激活同步时，该连接的强度应加强，反之则应减弱。第二十六页，共五十五页，编辑于2023年，星期日竞争学习基于自适应学习的无教师学习规则在学习时网络每个输出单元相互竞争，最后只有一个最强激活者——修改其连接权值。第二十七页，共五十五页，编辑于2023年，星期日神经网络的实现

1957年弗兰克·罗森布拉特(FrankRosenblatt)发明并设计了Markl感知器神经计算机(具有20×20像素图像传感器，512个连接权)，用做一个特征识别器1．计算机实现——ANN模型由计算机模拟实现对于结构简单、小容量的ANN模拟可以用普通计算机来实现，但对于结构复杂、大容量的ANN的模拟，必须有与之相适应的大规模并行计算机、神经计算机等才能实现2．硬件实现——ANN的专用处理器实现包括高速神经芯片和系统(集成电路)、与处理器相连接的协处理器等。卡温·米德(CarverMead)在“AnalogVLSIandNeuralSystems”一书中有关于这方面详细的实现研究成果。3．光学或光电结合实现——ANN的光学元件或光电结合实现最新实现手段，在国外出版的许多专著中都有这方面的研究报道。包括光纤、光导、CCD摄像机、光电转换等实现手段。ANN的实现研究的主要目的就是建立第六代智能系统和第六代计算机——神经计算机。作为第六代智能系统应当具有模仿人的大脑行为的特征。作为第六代计算机应当具有大规模并行性，机器学习功能，自适应和自组织，目标的直接处理，智能处理器记忆单元等特征。建立高速神经芯片和系统、并行处理系统是ANN实现的关键。第二十八页，共五十五页，编辑于2023年，星期日ANN模型实现方式LVQ、BP、BM、AG、ARTI、CH、BAM集成电路BP、BM、AG、CH、BAM协处理器BP、BAM、CH总线定位处理器BAM、CH大规模集成电路感知器、BP、BM、AG、BAM、CH光学、光电结合感知器、AG电子元件第二十九页，共五十五页，编辑于2023年，星期日第三十页，共五十五页，编辑于2023年，星期日人工神经网络的诊断应用神经网络的应用包括：网络训练和网络应用两个层次。网络训练即是确定网络的模型，包括拓扑结构和节点函数及节点间联系；网络应用则是将需判别样本施加于网络输入端映射出网络输出或完整信息的过程在变压器实时监测诊断中，诸如绝缘的局部放电监测、色谱分析、常规试验等项目的分析均可以采用神经网络原理，且具有自组织、自学习、诊断效率高等显著优点。首先，将各种监测的特征量和响应的状态模式组织成二维的样本模型，作为网络的训练标准样本；然后，通过一定的学习算法，动态地调整网络内部结构和联系，以反映样本的本质意义；在应用中，将监测到的特征信息输入给网络，进行并行计算，得到网络输出，这个输出就是响应的实时监测状态模式，将用于状态判别。此外，采用自组织模型，神经网络还能够用于自动生成用于状态分析的特征量。根据自适应共振理论（AdaptiveResonanceTheory，简称ART），可以对任意多和任意复杂的二维模式进行自组织、自稳定，即具有自归一能力，根据某些特征量在全体中所占的比例，有时作为关键特征，有时又被当作噪声处理，实现在不需要事先已知样本结果时的非监督学习，将训练和应用融为一体。第三十一页，共五十五页，编辑于2023年，星期日1.变压器油中溶解气体的神经网络分析模型

第三十二页，共五十五页，编辑于2023年，星期日1.变压器油中溶解气体的神经网络分析模型

第三十三页，共五十五页，编辑于2023年，星期日1.变压器油中溶解气体的神经网络分析模型

第三十四页，共五十五页，编辑于2023年，星期日1.变压器油中溶解气体的神经网络分析模型

第三十五页，共五十五页，编辑于2023年，星期日2.用人工神经网络识别三相放电的数值仿真研究

放电模型用谱图二元表列数据进行识别用曲面拟合参数进行识别第三十六页，共五十五页，编辑于2023年，星期日放电试验模型第三十七页，共五十五页，编辑于2023年，星期日放电模型第三十八页，共五十五页，编辑于2023年，星期日用谱图二元表列数据进行识别用人工神经网络识别放电前,先将-q平面划分为18×20=360个小块,统计每秒内放电发生的,q处于各小块内的次数n,得到谱图二元表列数据,依次作为网络输入。由此,输入层L=360。有4种放电类型,取输出层N=4,相应地有4组期望输出T,取TT值分别为(1,0,0,0),(0,1,0,0,),(0,0,1,0),(0,0,0,1)。取隐含层M=20第三十九页，共五十五页，编辑于2023年，星期日用曲面拟合参数进行识别第四十页，共五十五页，编辑于2023年，星期日可应用的网络输入向量荧光屏显示图谱 放电的荧光屏显示图谱包含有丰富的信息。采用模拟量测量装置,并由CCD相机摄取荧光屏上图谱,将摄得图谱中的脉冲高度q作为φ的函数以数字量形式输出,作为神经网络的输入向量。三维φ-q-n谱图放电的统计特征量 如由φ-q谱图提取偏斜度、陡峭度、局部峰点数(以上3项正负半波分别提取,共6个特征量)、放电量因数(负、正半周平均放电量之比)、正负半波图形的互相关系数、修正的互相关系数;由φ-n谱图提取偏斜度、陡峭度、尖峰数(也是6个特征量);总计15个特征量作为网络输入。放电脉冲波形特征量,如相关模型参数第四十一页，共五十五页，编辑于2023年，星期日可实现的网络识别功能电树枝长度判断

空穴尺寸判断

放电类型判断绝缘寿命终点判断第四十二页，共五十五页，编辑于2023年，星期日3.模糊神经网络在电气设备故障检测与诊断中的应用输入模糊规则输出转换规则训练样本的组织第四十三页，共五十五页，编辑于2023年，星期日应用中的注意问题——

神经网络与专家系统的结合

神经网络专家系统的基本原理神经网络专家系统的基本结构神经网络专家系统的知识表示基于神经网络系统的并行推理第四十四页，共五十五页，编辑于2023年，星期日神经网络专家系统的基本原理神经网络系统最主要的特征:大规模模拟并行处理信息的分布式存贮连续时间非线性动力学全局集体作用高度的容错性和鲁棒性自组织、自学习及实时处理直接输入范例，信息处理分布于大量神经元的互连之中，并且具有冗余性，许许多多神经元的“微”活动构成了神经网络总体的“宏”效应——与传统的AI的差别第四十五页，共五十五页，编辑于2023年，星期日神经网络专家系统的基本原理分布性是神经网络之所以能够触动专家系统中知识获取这个瓶颈问题的关键所在。神经网络是用大量神经元的互连及对各连接权值的分布来表示特定的概念或知识。知识萃取时，它只要求专家提供范围‘(或实例)器相应的解，通过特定的学习算法对样本进行学习，经过网络内部自适应算法不断修改权值分布以达到要求，把专家求解实际问题的启发式知识相经验分布到网络的互连及权值分布上。第四十六页，共五十五页，编辑于2023年，星期日神经网络专家系统的基本原理神经网络系统最主要的特征:大规模模拟并行处理信息的分布式存贮连续时间非线性动力学全局集体作用高度的容错性和鲁棒性自组织、自学习及实时处理直接输入范例，信息处理分布于大量神经元的互连之中，并且具有冗余性，许许多多神经元的“微”活动构成了神经网络总体的“宏”效应——与传统的AI的差别分布性是神经网络之所以能够触动专家系统中知识获取这个瓶颈问题的关键所在。神经网络是用大量神经元的互连及对各连接权值的分布来表示特定的概念或知识。知识苹取时，它只要求专家提供范围‘(或实例)器相应的解，通过特定的学习算法对样本进行学习，经过网络内部自适应算法不断修改权值分布以达到要求，把专家求解实际问题的启发式知识相经验分布到网络的互连及权值分布上。推理的基本原理：对于特定输入模式，神经网络通过前向计算，产生一输出模式，其中各个输出节点代表的逻辑概念同时被计算出来，特定解是通过输出节点和本身信号的比较而得到的，在这个过屋中其余的解同时被排除。在神经网络中，允许输入偏离学习样本，只要输入模式接近于某一输入模式，则输出亦会接近学习样本的输出模式，这种性质使得神经网络专家系统具有联想记忆的能力。神经网络专家系统的目标：利用神经网络的学习功能、大规模并行分布式处理功能、连续时间非线性动力学和全局集体作用实现知识获取自动化；克服“组合爆炸”和“推理复杂性”及“无穷递归”等困难，实现并行联想和自适应推理；提高专家系统的智能水平，实时处理能力及鲁棒性。第四十七页，共五十五页，编辑于2023年，星期日神经网络专家系统的基本结构第四十八页，共五十五页，编辑于2023年，星期日神经网络专家系统的基本结构(1)输入逻辑概念到输入模式的变换，并根据论域的特点，确定变换规则，再根据相应规则，将目前的状态变换成神经网络的输入模式；(2)网络内的前向计算：根据神经元特征，由输入计算即可产生神经网络的输出模式；(3)输出模式解释：随着论域的不同，输出模式的解释规则亦各异。解释的主要目的是将输出数值向量转换成高层逻辑概念。第四十九页，共五十五页，编辑于2023年，星期日神经网络专家系统的知识表示知识表示表现为内部和外部两种形式。外部形式：面向专家、知识工程师和用户，是一些学习范例(也可看作是一些if—then规则)。内部形式：即面向知识库的内部编码，它不是根据一般代码转换或编译程序，而是通过机器学习完成。机器学习程序可从范例中提取有关知识，并通过权矩阵及系统参数进行学习训练，