李 勇
(重庆港渝商业管理公司)
随着我国工业化水平的不断提高,工业生产中的电气设备的数量也呈现出井喷式发展,电气设备的质量也得到极大的提升,并持续进行着更新换代。电气设备已经成为工业生产领域提升产品质量、扩大生产规模的关键因素。在工业生产领域,一条完整的生产线往往由多个不同功能的电气设备构成,一旦电气设备出现故障,将会降低产品质量,出现经济损失,甚至会酿成生产事故。因此,如何对电气设备进行监测与故障诊断,已经成为工业领域需要研究的重点课题。当前阶段,主要的电气设备在线监测与故障诊断方法包括基于贝叶斯算法的在线监测与故障诊断方法、基于小波变换算法的在线监测与故障诊断方法和基于分布式算法的在线监测与故障诊断方法。其中,最常用的是基于小波变换算法的电气设备在线监测与故障诊断方法。由于电气设备在线监测与故障诊断方法在工业生产领域具有重要的应用价值,因此发展前景十分广阔,并成为很多专家学者研究的重点课题。
但是,电气设备之间往往存在着强烈的电磁干扰,这些电磁干扰信号的变化会在瞬间完成,具有强烈的非线性和无序性。由于传统的方法是通过采集到的电气设备运行信号完成电气设备在线监测与故障诊断的,难以克服电磁干扰信号造成的影响,从而降低了故障诊断的准确性。
针对上述传统算法存在的弊端,本文提出一种基于优化神经网络算法的电气设备在线监测与故障诊断方法。利用小波包分解方法对电气设备运行的信号进行故障特征提取,利用神经网络对电气设备的故障进行识别与分类。
对电气设备进行在线监测与故障诊断,能够保证电气设备运行的安全,避免经济损失,因此电气设备的在线监测与故障诊断方法具有重要的应用价值。电气设备在线监测与故障诊断的相关方法具体如下所述。
设置电气设备的故障残差信号能够用进行描述,其计算公式为
式中,()uk和()yk分别为对电气设备检测的输入信号与输出信号,Ψ为故障信号的残差函数,利用该函数能够在线监测电气设备的输入信号和输出信号。电气设备在没有故障的情况下,故障残差函数值为零。电气设备的故障诊断结果是由故障残差的阈值决定的,利用故障残差能够描述故障特征,能够用下述公式进行描述
电气设备的故障检测结果是由故障残差与阈值iτ的对比结果决定的,即
在进行电气设备在线监测与故障诊断的过程中,通过式(2)获得的电气设备故障特征序列会发送到故障诊断单元进行故障诊断。电气设备的故障序列能够用下述公式进行描述
电气设备故障序列()fk和故障信号序列()kφ的二元关系能够描述为电气设备故障特征的FSM矩 阵。当电气设备的故障矩阵FSMij中存在取值为1的元素时,则表明电气设备存在故障。
电气设备在线监测与故障诊断的系统框架如图1所示。
图1 电气设备在线监测与故障诊断框架
根据上面阐述的方法能够实现电气设备的在线监测与故障诊断。但是这种方法也存在着一定的弊端:①由于不同电气设备之间存在着强烈的电磁干扰,这些干扰是非线性和无序性的,因此,τi必须进行频繁调整;②电磁干扰同时也会产生颤振现象,从而对电气设备故障信号产生干扰;③电气设备故障的特征矩阵必须能够在电气设备的整个运行过程中都能够监测到,但电气设备故障具有瞬时性,因此变得难以监测;④受到电气设备故障信号与故障序列的二元限制,更多的故障细节会发生丢失,从而降低了故障监测的精度。
利用传统算法进行电气设备在线监测与故障诊断的过程中,无法避免电磁信号造成的干扰,从而降低了电气设备故障监测的准确性,为此,提出一种基于优化神经网络算法的电气设备在线监测与故障诊断方法。
在对电气设备故障诊断的过程中,首先需要对电气设备的运行信号进行小波包分解,实现对电气设备故障信号的特征提取。具体方法如下所述。
利用下述公式能够描述小波包对电气设备运行信号的分解过程
电气设备运行信号经过小波包分解后,就能够得到各个频段中的特征。
由于电气设备出现故障时,靠近故障部位的信号能量相对较大,远离故障部位的信号能量相对较小,因此,可以通过有关频带中信号能量的改变实现对故障特征的提取,利用下述公式能够对电气设备的故障特征进行提取
式中,xjk为对电气设备信号3jS进行重构后得到的幅值。
由于电气设备出现故障后会改变各个频带中的信号能量,因此将信号的能量变化作为特征向量进行重构,特征向量的结构如下所述
但是,当故障较大时,相关频段内的信号能量也会增大,这就增加了运算量,因此,需要进行归一化处理
归一化处理后的电气设备故障的特征向量能够用下述公式进行描述
电气设备在线监测与故障诊断的过程可分为两个过程,即在线监测过程与故障诊断过程。这两个过程可利用图2中的四个步骤实现。
图2 电气设备在线监测与故障诊断过程
利用小波包分解只能获得电气设备的故障特征,因此还需利用神经网络对电气设备的故障进行识别与分类。
神经网络的结构是由输入层、输出层和隐含层三部分构成的,其中,Wir为输入层中神经元i与隐含层中神经元r之间的连接权值,Vrj为隐含层中神经元r与输出层中神经元j之间的连接权值。利用下述公式能够描述隐含层神经元的输出函数
利用下述公式能够描述输出层神经元的输出函数
式中,Tr和θr分别为隐含层和输出层中的连接阈值。文中f(·)为sigmoid函数,即:
由于传统的神经网络算法具有学习效率低、只能通过先验知识进行故障识别,因此需要利用梯度下降法进行改进。
利用梯度下降法对神经元连接的权值调整的速度进行调整,从而减少电气设备故障识别分类的误差
式中,η为连接权值调节的速度,0.01≤η ≤1。
利用下式对连接权值进行调整
式中,Δωpq为神经网络中某层神经元p与下一层神经元q之间的连接权值的修正值,xp为神经元p的输出值,δq为神经元q端点等效误差,其值由输出层的误差反向传递而来。
电气设备在线监测与故障诊断的过程具体如下所述:
1)对运行中电气设备的信号进行采样,获得原始信号数据;
2)利用式(5)和式(6)对原始信号进行分解;
3)利用式(7)对电气设备运行信号进行特征提取;
4)利用式(9)对故障特征进行归一化处理;
5)将故障特征数据输入到改进神经网络中进行学习,在学习的过程中利用梯度下降法对连接权值和权值调整的速度进行自适应调整,建立电气设备故障识别分类模型;
6)获得电气设备故障的识别分类结果。
为了验证本文算法的有效性,需要进行一次仿真实验。利用仿真软件Matlab 7.1构建实验环境,分别利用本文算法和传统算法进行电气设备在线监测与故障诊断实验。
本文中的电气设备在线监测与故障诊断的神经网络结构为三层网络模型,其中输入层中的神经元数目为i=8,隐含层神经元中的数目为r=6,输出层神经元的数目为j=7,神经网络的初始学习效率为0.1。
在实验的过程中,选取某市供电公司供电系统的电气设备作为实验对象。常见的故障有过流、过压、接地、过热等故障,对电网供电系统的进行多次实验样本统计,得到1000组样本数据,并将其中的800个样本输入到神经网络中进行训练,剩余200个样本数据用于故障诊断。
由于电气设备之间存在着强烈的非线性、无序的电磁干扰,电气设备运行信号中既包括故障信息,也包括干扰信息。在这种干扰环境下,首先利用故障诊断的准确率来衡量不同算法的性能。在相同的条件下,传统算法和改进算法对电气设备故障诊断的准确率如图3所示。
图3 不同算法电气设备故障检测准确率
根据图3中的实验结果能够得知,在相同的条件下,本文算法取得的电气设备故障检测的准确率最高,这是由于传统算法能对电气设备的故障特征进行准确提取,并对神经网络中的学习过程进行了优化,从而提高了故障诊断的准确率。
对上述实验结果进行了数据整理与分析,得到的电气设备故障诊断结构如下表所示。
表 不同算法性能比较
从表中的实验结果能够得知,本文算法的电气设备故障诊断速度远快于传统算法,这表明本文算法在经过对神经网络的改进后,能够克服传统算法的缺陷,提高了算法的泛化能力,鲁棒性较高。这充分体现出本文算法在电气设备在线监测与故障诊断方面的优势。
本文提出一种基于优化神经网络算法的电气设备在线监测与故障诊断方法。利用小波包分解方法对电气设备运行的信号进行故障特征提取,利用神经网络对电气设备的故障进行识别与分类,并利用梯度下降法对学习方法进行了改进。实验结果表明,利用本文算法进行电气设备在线监测与故障诊断,能够提高故障诊断的准确率,缩短了故障诊断的时间,取得了令人满意的效果。
[1]刘训非. 基于改进遗传算法的刨煤机故障诊断研究[J]. 煤矿机械, 2013, 34(12): 259-261.
[2]朱晓明. 引入可溯源机制的火电汽轮机高频故障自动检测系统设计[J]. 科技通报, 2013, 29(11): 153-156.
[3]谢平, 杨玉昕, 江国乾, 等. 基于局部均值分解的滚动轴承故障诊断新方法[J]. 计量学报, 2014, 35(1): 73-77.
[4]张曙光. 矿山机电设备的故障诊断技术与管理[J]. 硅谷, 2013, (21): 115-116.