基于BP模糊神经网络的电气系统故障诊断方法的研究

作者:李萍 刊名:科技视界 上传者:焦艳会

【摘要】本文阐述了BP神经网络模型在水电站电气元件故障诊断中的意义。以专家经验为依据,结合查阅文献的手段,建立了电站电气元件的故障知识库。与此同时,构建了基于模糊综合评判的神经网络数学模型。最后,以一个水电站电气元件故障诊断实例论述,验证该方法的可行性。

全文阅读

科技视界 Science&TechnologyVision Science&TechnologyVision 科技视界 科技·探索·争鸣 水电站各电气设备组成的是一个错综复杂的系统。而该系统的可靠性直接关系到整个机组的稳定运行,因此,保证电气系统的良好性能,对于整机长期、安全地运行具有重要的作用。 但是,由于受绝缘老化、电流过大等因素的影响,机组运行的过程中,常常会出现跳闸、继电保护器失灵、差压控制器不作用等故障。 以文献[1]为例,对某水电站 10 年间的运行事故进行统计。在该段期间的运行过程中,单调速器发生的故障,竟高达 20 次之多,而且每次出现的故障症状与可能导致的原因之间并非明确的对应关系,存在着模糊性。由此,故障的诊断工作异常困难,以至于许多时候,检修环节无从着手。若事故发生在丰水期,维护的时间愈长,其经济损失也愈大。对于电气元件的故障征兆和诱发原因之间错综复杂的关系,本文以专家经验为依据,创建了知识库,并构建了电气设备的 BP 神经网络故障诊断系统。 目的是为了能够准确、及时地根据机组电气设备故障特征来判断准确的故障原因。 1 电气设备故障推理知识库的构建 水电站电气设备故障推理知识库,其本质是一个问题求解的知识集合,它包含着各种基本事实、规则以及其他相关信息。库中的知识源于多名行业内经验丰富的专家,其精度的高低,是决定着系统分析能力的关键。 在本文中,推理知识库的构建(表 1)主要分为两个步骤进行。 1.1 文献搜集 对近 60 年来,100 多例国内水电站电气设备及自动化元件的故障案例进行统计,并将所有案例中出现的事故征兆和故障原因进行逐一地剖析、整理。 例如,某台水轮发电机组在运行的过程中,监控系统显示电气元件事故报警,出现的故障征兆是系统有功负荷降低,通过剖析故障原因得出的结论是:反馈传感器发生了故障,则分别将其加入到库中的征兆和原因两个部分。 1.2 走访多家电站进行知识搜集 访问专家进行知识搜集,对搜集到的知识进行处理。 建立的部分故障诊断知识库如表 1 所示。 表 1 部分电气元件故障诊断知识库 在电气设备的故障诊断系统中,知识库的具体形式是产生式。如: IF 绕组过热 AND 熔断器烧断,THEN 线圈发热。 2 BP 神经网络模型的建立 BP 神经网络,是采用 Back Propagation 算法进行训练的网络[2]。该 网络的结构是:输入层、输出层以及隐藏层(中间层)(如图 1 所示)。其中,隐藏层的数目不能少于 1 个。在模型的构建过程中,仅选用一个隐藏层。 BP 算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。 其主要目的是通过将输出误差反传,把误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值(整个环节,实质上是一个权值调整的过程)。因此,若在输出层得不到与理想值相符的输出,则将转变为反向传播过程,即修改各神经元权值,保证误差信号始终处于最小值[3]。 输入层(i) 隐层(j) 输出层(k)图 1 BP 神经网络结构图 在建立电气设备故障诊断系统的模型中,具体操作为:(1)假定系统发生故障时可能引起的征兆为 n,可得输出向量:X(x1,x2…,xn)。(2)若诱发此征兆的原因为 m,则输出向量:Y(y1,y2,…,ym)。 该系统中,输入层、隐藏层、输出层的神经元数目分别为 n、h、m;而输入层、隐藏层之间的连接权重由 wij 表示,隐藏层、输出层的连接权重则由 wjk 表示。 其中,h 值与问题描述有关,由经验可得,其取值范围在 n 2 +1,3 n 之 间

参考文献

引证文献

问答

我要提问