【《基于多源信息融合的变压器故障诊断分析案例》5300字】

基于多源信息融合的变压器故障诊断分析案例目录TOC\o"1-3"\h\u23129基于多源信息融合的变压器故障诊断分析案例 1287831.1引言 113691.2信息融合 248731.2.1信息融合模型和结构 2201951.2.2信息融合采用的主要技术 4199741.3D-S证据理论 5215571.3.1基本概念 591731.3.2Dempster合成规则 619501.3.3推理过程 7145171.4基于D-S证据理论和GWO-BP网络的变压器故障诊断系统 7211971.4.1基于GWO-BP网络和D-S证据理论的故障诊断实现步骤 8297881.4.2数据分析 962321.5故障诊断实例 101.1引言当变压器这样一个大型复杂系统发生故障时，反应故障状态的特征参量有很多。不过对于现在的研究技术只能利用油色谱分析数据去判断，因此很难全面准确地判断故障。又因为变压器结构复杂、产生故障因素多、运行环境不够稳定、根据故障所提取出的特征向量具有不确定、非线性和多样性等众多因素，导致实际运行过程中，仅根据单一的算法去判断故障会存在较多问题，并且模型的精度与时效性也不够高。为了能够准确而又全面地诊断故障，本章利用信息融合的方法，采用电气试验数据，油色谱数据，油化实验数据等多源信息。将神经网络和证据理论利用结合的方式，构建出一个基于多源信息融合的诊断模型。根据实验分析，并且与上一章单一信息源的故障诊断模型进行比较，多源信息融合的模型在精度上有大幅度的提升，具有更好的诊断效果。图1.1数据融合流程图1.2信息融合变压器的工作原理及模型都较为简单，但是在生产制造与运行环境过程中会出现一些较为复杂的操作。由于故障类型的不同，会有各种不同的干扰因素出现在运行过程中，因此显示出的故障信息会有不同的变化，这样会导致各种不同的问题，同样也会对变压器的故障诊断领域上造成很多困难。目前有种新兴起的方法，数据融合（DF），也被称为多源信息融合（MSIF）。此技术专门来处理不确定信息以及应用，简单来说就是在同时面对多种信息源，能够进行多方面、多级识别以及多层级的处理，进而产生新的有用信息源。多源信息是数据融合的对象，数据融合的硬件基础是多传感器系统，数据融合的核心是协调优化与综合处理。在早期，此技术是被用来研究有效组合的数据（信息）和增强计算能力的方法，并且这些全部应用在军事背景，所以有很长一段时间信息融合是在封闭的状态里。随着深入研究内容与扩大应用领域，关于这个方向的研究和成果开始慢慢展露在各个学术会议中与参考文献里，使每个领域的研究者们慢慢了解到信息融合技术的重要性。目前为止，信息融合技术已经很成功的应用在很多领域里，例如识别自动目标、识别自动威胁、监控生产的过程、导航自动飞行器、复杂工业的控制过程与医疗诊断等领域，虽然各个领域的应用背景所差无几，可是全部的基础都可以作为不确定性问题研究的拓展。其基本的融合过程示意图如图1.1所示：1.2.1信息融合模型和结构由于思考问题的角度不同，普遍被大众所接受的是把所有的融合过程抽象分为三级：分别是数据层，特征层和决策层[46-47]。（1）数据层融合:对未经过处理的原始数据直接进行分析处理。优点在于尽可能保留多的信息，不过缺点是处理的信息量过于庞大时，所需要的时间会长，并且实用性也较差。图1.2数据层融合框图（2）特征层融合:特征层融合是属于中间层级的融合，也被称为文件级别的融合。用初始数据所提取出的特征信息进行分析，根据特征信息对多源数据进行分类等处理。决策分析的结果是与特征信息息息相关，所以融合后得出的结果很大程度上给出了决策分析所需要的信息。特征层融合的优点是可以实现压缩客观信息，提高实时处理的效率。不过缺点在于会导致一些信息的丢失，所以对于传感器的预处理要有更加严格的要求。图1.3特征层融合框图（3）决策层融合:是一个高层次的融合。在每一个传感器完成低层融合的基础上，根据每个传感器的决策及可信度还有一定的准则进行综合评判，最后给出一个统一的决策结果。在进行决策层融合的情况下，是直接面对决策目标的，所以融合之后的结果会直接影响到决策的水平。此外，在融合的过程中，一个或多个信息在同时失效的情况下也能继续工作，因此它具有容错性的特点。一个系统中，经常配合各级融合同时工作。图1.4决策层融合框图对于以上三种不同层次的融合方法大致地划分融合过程发生在哪个阶段，同时提出选择不同结构或者功能上的融合模型，在实际应用中的领域所需也是不同的。了解到数据融合的主要性，一些学者开始尝试研究建立出一个基于数据融合的统一理论的框架，虽然这个框架到目前还没有形成，但是提出了很多抽象模型，这些抽象模型在一些领域具有完整的适用性及意义，与此同时，尝试实现一定的通用性。所共有的特点是融合时的多级处理。目前根据已存在的模型分为两种，第一种是功能型，根据节点顺序进行了构造（UK情报环、Boyd控制回路（OODA环）[48]），其中突出的是融合过程；第二种是数据型，根据提取出的数据进行建造（瀑布模型和Disparity模型[49]），最主要的是突出融合对象。在1999年MarkBedworth等进行研究综合的几种模型中，提出了一种新的混合模型。1.2.2信息融合采用的主要技术融合算法是实现融合的基础工具，融合的算法可能是属于完全不同的领域中[50]，通常目前所使用的融合算法基本可以分为以下几类[51]:（1）量测信号的数值算法：主要是算法基于多个不同的传感器量测信号，实现状态估计需要通过融合的方式。有非回归形式的加权平均、最小二乘法和回归形式的Kalman滤波等的状态估计方法。（2）统计的方法的算法：特点是靠多源数据的统计特性，模式分类是目标，也属于统计模式分类的算法，主要有学习矢量量化、自适应共振理论（ART）、模糊K-均值聚类、聚类分析、模糊ART网络等。（3）不确定性测度的算法：是统计推断的拓展与延伸，主要有模糊积分法、Bayes规则、Dempster-Shafer理论以及模糊逻辑等，基于各种不确定测度条件下的融合方法。（4）人工智能的算法：其算法是根据人工智能的学习机制和推理机制实现对不确定数据的学习和基于学习进行推理，主要有人工神经网络、统计学习以及遗传算法等。1.3D-S证据理论证据理论是把需要分析的问题都分解成许多个子集，分别进行处理，然后通过Dempster合成规则进行融合，最后根据决策规则得出结果的一种不确定推理方法[52]。在本质上是根据获取得到的大量信息中对模糊信息采取整体识别的方法，根据相关规则进行组合，这样是为了获取观察对象的统一描述。想要进一步提高诊断的精度，可以将多个传感器所收集的特征向量进行融合、识别并加以诊断[53]，流程见下图1.5。图1.5D-S证据理论的信息融合诊断模型1.3.1基本概念（1）识别框架识别框架[54]是可能的假设或者方案所组成的集合，他们之间彼此独立，用表示，=a1,a2,…,an，表示在故障诊断中的物理含义是故障的集合。若2（2）基本概率分配函数（BPA），在识别框架下，假如集函数m：2→[0,1]（2a：mφ=0，并且其中，m是识别框架下的基本概率分配或者也被称为MASS函数[60]，使m（A）>0（3）信度函数也被称为信任函数，在识别框架下，集函数m：2→[0,1]是框架∀A∈在公式（5-3）中，Bel（A）说明对A的总信度。（4）似然函数也被称作似然度函数，在识别框架下，集函数m：2→[0,1]是框架∀A∈在公式（5-4）中，Pl2→[0,1]是信度函数Bel的似真函数。（5）信任区间，在证据理论中，识别框架中的某一命题A，根据基本概率分配计算得出命题的信度函数Bel（A）与似然函数Pl（A），那么称为区间[Bel（A），Pl（A）]是信任区间。图1.6命题的不确定性表示1.3.2Dempster合成规则在相同识别框架下，根据D-S合成规则，所有不完全对立证据的可信度函数计算得出总体的信度函数。即多个证据共同影响产生新的信度函数就是这个总信度函数[55]。假设∀A∈，上的mass函数mmA在公式（5-5）中K是归一化常数，其公式如下：K=B∩C≠∅对于∀A∈，上的n个mass函数mmA在公式（5-7）中K是归一化常数，其公式如下：K=1−A1.3.3推理过程（1）选择决策问题进行分析，建造识别框架，=（2）面对判决问题，构建出识别框架的证据体系Ei（3）面对不同证据源进行对比分析，之后按照识别框架上命题的集合特征，确定每个证据体的MASS函数mi（4）分别算出单个证据体影响下各个命题的信度区间[Beli（5）根据合成规则算出全部证据联合的影响下的MASS函数m（A）和信度区间[Bel，Pl]；（6）确定相关的决策规则，根据其规则判断最终结论。1.4基于D-S证据理论和GWO-BP网络的变压器故障诊断系统在故障诊断的模型中，将变压器看做一个信息源。变压器通过监测系统进行获取各种数据。由于数据过于庞大，导致数据间存在冗余、交叉与互补。因此应将得到的数据进行提取、筛选，找到有用的故障特征数据[56-57]，然后将这些数据进行归一化的处理，将处理后的数据作为不同故障诊断的证据体，利用GWO-BP网络与D-S证据理论相结合进行处理所得的证据体，并根据决策规则进行融合最终得到诊断结论[58-59]。流程如下图1.6所示。图1.6基于GWO-BP网络与D-S证据理论的决策融合诊断系统1.4.1基于GWO-BP网络和D-S证据理论的故障诊断实现步骤（1）数据预处理神经网络的输入为H2，CH4，Xp其中，Xp是原始数据，min和max（2）神经网络初步诊断模块通过前两章对神经网络的研究分析，BP1的输入为H2，CH4，（3）基本概率分配将超出注意值的数据通过概率分配进行处理，其中具体数据的注意值见表2-1、2-2、2-3、2-5。分配出与之对应的MASS函数，表示故障特征量对故障的信任程度。使用特征气体法和电气试验法对故障进行判断时，通常认为证据自身存在一些不确定因素，用m（）进行表示。若确定出对应的诊断方法，m（）为一个常数。（4）证据合并在同一时间选取两种方法判断出变压器状态的结果作为证据体。经过上述一系列的处理过程，整个模型从经过数据、特征、知识的融合，在很大程度上避免了单一判断方法的不足，全面提高了整个模型的精度。1.4.2数据分析某220KV的故障电力变压器，油色谱数据和电气、油化试验数据如下表所示。表5-1DGA数据uL/LHCHCCC8781721163.4表5-2电气、油化试验数据绕组直流电阻不平衡系数（%）吸收比极化指数铁芯接地电流（mA）微水含量（uL/L）0.561.261.7337.622对上述的故障数据采用特征气体法和电气试验法进行概率分配。根据各种诊断方法在变压器实际诊断的应用中的分析与已有文献的经验[60]，1与2的证据体的不确定度分别设定值为m1（）=0.2，m2（）=0.15。根据表5-1中的故障数据，发现m1（F）：m1f1，fm2F：m2计算K值：K==1−1−0.2×0.2−0.2×0.65=0.83（5-11）合并之后计算出每个决策的MASS函数：mf1=1K[m1=1m1mfm=1K×m1（根据上述的计算公式分析，两组证据体进行融合增强了对证据体f1事实上，融合的本质是把各种不同的证据体在同一个识别框架下进行融合，得到一个新的证据体。关键在于构建基本概率分配（MASS函数）。通过MASS函数转换过程后，将每一个诊断自网络的输出值作为识别框架上命题的基本概率分配。经过这一系列的操作就能完成基本概率赋值的客观性，同时也可以避免构造基本概率分配的繁琐性等问题。由于诊断自网络与诊断能力不同，因此每个子网络上都有一个可靠性系数，同时也被称作证据的折扣。表示对其中某一个证据的信任度。根据每个子网络对诊断的实际处理和已有相关文献的经验[61]。把BP1与BP2两个网络的可靠性系数设为0.86与0.85。这也是在经过大量试验后的经验性取值，但是较为科学的研究方法需要以后深入研究探索[62]。1.5故障诊断实例在已查阅相关文献的基础上，搜集了多种220kv的油浸式变压器的油色谱实验数据、油化试验数据和电