基于模糊神经网络的牵引变压器全局故障诊断方法

作者:刘循;赵时旻;董德存 刊名:中国铁道科学 上传者:高莉莉

【摘要】在传统的油中溶解气体分析方法的基础上,利用模糊神经网络强有力的关系处理能力,研究提出牵引变压器全局故障诊断方法。依据模糊神经网络理论,通过对数值逻辑故障诊断模型和物理逻辑故障诊断模型2类模糊神经网络故障诊断模型的分析,考虑信息采集节点的向量特性、变化趋势特性以及模糊神经网络的反馈特性,给出牵引变压器全局故障诊断模型,以故障征兆特征变化趋势表征故障征兆与故障类别间的因果关系,确立增益参数、权系数判定矩阵与决策矩阵。试验结果表明:该方法能够更好地分析牵引变压器各类故障产生的原因,明确故障特征类型,避免用单一特征数据集诊断牵引变压器故障带来的局限性,可以提高故障诊断的准确率。

全文阅读

油浸式牵引变压器(以下简称牵引变压器)具有低耗材、高效能、高可靠性等优点,被广泛运用在电气化铁道供电系统中。目前,对油浸式牵引变压器故障诊断主要采用DGA(DissolvedGasesA-nalysis,油中溶解气体分析)诊断方法[1,2]。但是DGA诊断方法在实际应用中,一方面信息采集内容过于单一,另一方面很难在溶解气体含量低的情况下进行故障诊断,尤其在多故障并发情况下难以区分故障类别。根据牵引变压器的工作原理和新型信息采集技术的发展应用,除了能获得油中气体比例信息外,还可获得油中水分、铁芯与接地部分的绝缘电阻等信息。因此,本文通过增加信息采集内容,结合原有DGA诊断方法,利用模糊神经网络设计故障诊断规则,构建牵引变压器的全局故障诊断模型。1模糊神经网络故障诊断模型模糊神经网络故障诊断模型主要由输入空间、模糊神经网络故障诊断规则和输出空间组成,其中,模糊神经网络故障诊断规则是基于模糊综合评判方法实现的。在构建模糊神经网络故障诊断规则时,依据是否考虑输入空间的向量特性,存在数值逻辑与物理逻辑故障诊断规则,相应的有数值逻辑与物理逻辑2种故障诊断模型。11数值逻辑故障诊断模型在数值逻辑故障诊断模型中,输入空间是故障征兆集,输出空间是故障类别集。任一故障征兆神经元都是经模糊化处理的故障征兆隶属函数,取值范围为[0,1]。根据模糊扩散定理[3,4],输出神经元为相同取值范围的故障类别隶属函数。111故障征兆集故障征兆集为X=(X1,X2,…,Xi,…,Xm)[0,1]im(1)式中:Xi为第i个故障征兆神经元;m为故障征兆神经元总数。112故障类别集故障类别集为Y=(Y1,Y2,…,Yj,…,Yn)[0,1]jn(2)式中:Yj为第j个故障类别神经元;n为故障类别神经元总数。113权系数判定矩阵权系数判定矩阵为R=(Rij)mnim,jn(3)式中:Rij为第i个故障征兆神经元与第j个故障类别神经元的权系数。114限定条件(1)并集交换律:(X1,X2)=(X2,X1)(4)(2)交集交换律:(X1,X2)=(X2,X1)(5)(3)交集转换式:(X1,X2)=1-(1-X1,1-X2)(6)(4)并集转换式:(X1,X2)=1-(1-X1,1-X2)(7)115激励函数选择在模糊神经网络中,通常使用的激励函数有线性函数、硬限幅函数、双曲正切函数与S函数。从数学角度分析,S函数具备可微分性和饱和非线性特性;从生物角度分析,人对远远底于或高于自己智力和知识水平的问题,往往很难产生强烈的思维反应,而S函数从形式上比其他函数更具有“柔软性”。因此,激励函数选用S函数[5]。116数值逻辑故障诊断规则数值逻辑故障诊断规则为Y=XR=f(mi=1XiRij)=S(mi=1XiRij)(8)式中:为合成算子;f为非线性激发函数;为逻辑或;为逻辑与;S()为S函数。与传统的神经网络模型表达式Y=mfj=1ijxj-j相比,除运算规则不同外,仅仅相差1个门限值j。造成此现象的原因在于模糊神经网络的运算以逻辑计算为基础,输入与输出空间以隶属函数表示,因而传统算术计算中的门限值j已经不具备任何物理意义,对神经元功能也没有任何影响,所以本文予以略去。12物理逻辑故障诊断模型物理逻辑与数值逻辑的故障诊断模型在输入与输出空间内容上有相同之处,输入空间是故障征兆集,输出空间是故障类别集。不同之处在于实际故障诊断中,一方面需要考虑模糊神经网络的激发与抑制特性;另一方面需要考虑电流、电压等检测要素在数值变化或输入方向上存在的向量特性。为达到简化评判流程的目的,可在诊断流程的操作中将物理

参考文献

引证文献

问答

我要提问