发电机智能故障诊断

5.9　发电机智能故障诊断

5.9.1　发电机故障诊断理论

1）传统的发电机故障诊断方法

在传统的基于数学模型的诊断方法中，经典的基于状态估计或过程参数估计的方法被应用于发电机故障检测。这种方法的优点是能深入发电机系统本质的动态性质，可实现实时诊断，而缺点是需建立精确的发电机数学模型，选择适当决策方法。因此，当发电机系统模型不确定或非线性时，此类方法就难以实现了。

2）基于模糊逻辑的发电机故障诊断方法

故障诊断部分是一个典型的模糊逻辑系统，主要包括模糊化单元、参考电机、底层模糊规则和解模糊单元。其中，模糊推理和底层模糊规则是模糊逻辑系统的核心，它具有模拟人的基于模糊概念的推理能力，该推理过程是基于模糊逻辑中的关系及推理规则来进行的。模糊规则的制定有两种基本方法：第一，启发式途径来源于实际发电机操作者的语言化的经验；第二，是采用自组织策略从正常和故障发电机测量获得的信号进行模糊故障诊断的制定，将此方法通过计算机仿真实现，对发电机故障有较好的识别能力。

3）基于遗传算法的发电机故障诊断方法

遗传算法是基于自然选择和基因遗传学原理的搜索算法，它的推算过程就是不断接近最优解的方法，因此它的特点在于并行计算与全局最优。而且，与一般的优化方法相比，遗传算法只需较少的信息就可实现最优化控制。由于一个模糊逻辑控制器所要确定的参变量很多，专家的经验只能起到指导作用，很难根据指导准确地定出各项参数，而反复试凑的过程就是一个寻优的过程，遗传算法可以应用于该寻优过程，有效地确定出模糊逻辑控制器的结构和数量。

4）基于神经网络的发电机故障诊断方法

设计神经网络的关键在于如何确定神经网络的结构及连接权系数，这就是一个优化问题，其优化的目标是使得所设计的神经网络具有尽可能好的函数估计及分类功能。具体地分，可以将遗传算法应用于神经网络的设计和训练两个方面，分别构成设计遗传算法和训练遗传算法。许多神经网络的设计细节，如隐层节点数、神经元转移函数等，都可由设计遗传算法进行优化，而神经网络的连接权重可由训练遗传算法优化。这两种遗传算法的应用可使神经网络的结构和参数得以优化，特别是用DSP来提高遗传算法的速度，可使故障响应时间小于300μs，不仅单故障信号诊断准确率可达98%，还可用于双故障信号的诊断，其准确率为66%。

近年来，发电机故障诊断的智能方法在传统方法的基础上得到了飞速发展，新型的现代故障诊断技术不断涌现：神经网络、模糊逻辑、模糊神经网络、遗传算法等都在发电机故障诊断领域得到成功应用。随着现代工业的发展，自动化系统的规模越来越大，使其产生故障的可能性和复杂性剧增，仅靠一种理论或一种方法，无论是智能的还是经典的，都很难实现复杂条件下发电机故障完全、准确、及时地诊断，而多种方法综合运用，既可是经典方法与智能方法的结合，也可是两种或多种智能方法的结合，兼顾了实时性和精确度，因此多种方法的有机融合、综合运用这一趋势将成为必然，也将成为发电机故障在线诊断技术发展的主流方向。

5.9.2　人工神经网络在大型发电机故障放电模式识别中的应用

1）故障放电信号的特征提取

对于大型发电机故障放电在线监测的模式识别问题，识别结果的正确与否关键在于放电信号特征的提取，提取的特征应能比较全面地表征放电模式。本文采用三维φ^－q－n特征谱图的统计数据作为神经网络的输入，为此将一个工频周期的相位分成256个相位窗，将最大放电量分为256格，则把φ^－q平面分成256×256个小单元，统计一个工频周期内发生在每个单元内的放电次数，得到在φ^－q平面上每个单元内的放电次数，得到在φ^－q平面上每个单元内的n值。

在进行故障放电的模式识别时，没有考虑断股电弧放电的识别问题。因为这种放电十分强烈，放电重复率较低，这种放电无固定相位；对这种放电的识别，主要采用了传统的放电检测方法；在实际中采用的神经网络，主要是用来作为判断放电类型、进行老化跟踪的一种手段。

2）神经网络结构

（1）输入模式及输出模式。

考虑到处理的数据量太大，把上述256×256的二维数组压缩到20×16的二维数组，在转换成一个320维的向量作为神经网络的输入向量（x₁，x₂，…，x₃₂₀）；因有3种放电模式，故取输出层神经元个数M＝3，期望输出为（1，0，0）、（0，1，0）、（0，0，1），分别表示主绝缘内部放电、端部放电、槽放电，惯性系数分别取η＝0.5，α＝0.9。

（2）隐含层神经元个数。

为了确定比较合适的隐含层神经元个数，用每种放电20个工频周期的样本及期望输出组成网络的训练集，分别对不同隐含层神经元个数的网络进行训练，当误差水平达到0.000　2时结束。如图5－10所示为选取不同隐含层神经元个数时网络的学习次数。在每种放电模式余下的样本中任取10个样本组成网络的测试集，对各个神经网络分别进行测试，如图5－11所示为各个神经网络的识别正确率。

图5－10　学习次数与隐含层神经元个数的关系

图5－11　识别正确率与隐含层神经元个数的关系

综合考虑网络的学习次数和识别正确率，选取隐含层神经元个数L＝10。