張夢成， 遲長春

(上海電機(jī)學(xué)院 電氣學(xué)院, 上海 201306)

在低壓配電系統(tǒng)中，低壓成套電器設(shè)備的主要功用是對電能進(jìn)行控制、保護(hù)、測量、轉(zhuǎn)換和分配。其具有應(yīng)用廣、重要性高和使用量大等特點(diǎn)，因此，應(yīng)及時(shí)有效地維護(hù)低壓開關(guān)設(shè)備。通過有效維護(hù)工作，以規(guī)避故障對設(shè)備和配電系統(tǒng)造成的嚴(yán)重后果。傳統(tǒng)的檢修方式存在的缺陷有工作量大、成本高、檢修不到位等，因此，出現(xiàn)了一種分析是否有必要進(jìn)行維護(hù)的狀態(tài)檢修法，依靠電器實(shí)際運(yùn)行狀態(tài)下得到的特性參數(shù)，判斷是否需要進(jìn)行檢修。狀態(tài)檢修除了能夠減小工作量及降低維護(hù)費(fèi)用之外，還提高了對故障的針對性，增強(qiáng)了設(shè)備運(yùn)行的可靠性、經(jīng)濟(jì)性，但這一方法也對設(shè)備監(jiān)測技術(shù)帶來了新的挑戰(zhàn)[1]。低壓成套開關(guān)電器的故障檢測主要分為兩個(gè)階段：提取特征信號和狀態(tài)診斷。在提取特征信號方面，依靠機(jī)械振動(dòng)信號提取故障特征或通過合分閘線圈電流參數(shù)提取故障特征是目前常用的方法[2]。

本文采用機(jī)械特性參量(如剛分速度、開距、觸頭行程等)和線圈電流電壓參數(shù)相結(jié)合的方式作為特征樣本對低壓成套電器中發(fā)生故障概率較高的低壓斷路器進(jìn)行機(jī)械故障診斷?？剂康侥承┕收项愋?例如緩沖器失效)僅對低壓斷路器分閘過程有一定影響，為了檢測效果更好，對分閘過程故障診斷進(jìn)行討論[3]。

合理選用智能算法對故障診斷效果的優(yōu)劣有重要影響。文獻(xiàn)[4]采用徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)的低壓斷路器機(jī)械故障診斷，較之傳統(tǒng)反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)有更快的收斂速度和更高的準(zhǔn)確度。文獻(xiàn)[5]采用標(biāo)準(zhǔn)粒子群算法尋找最佳的特征子集和最小二乘支持向量機(jī)模型參數(shù)，用改進(jìn)后的分類器對故障樣本進(jìn)行訓(xùn)練和測試，取得了良好的效果，但該算法在程序上復(fù)雜度較高，且粒子群優(yōu)化算法較不穩(wěn)定。作為一種基于小樣本訓(xùn)練的識(shí)別算法，自組織映射(Self Organizing Map, SOM)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中，通過調(diào)節(jié)獲勝神經(jīng)元和網(wǎng)絡(luò)中鄰近范圍內(nèi)的其他神經(jīng)元權(quán)值和閾值，使SOM網(wǎng)絡(luò)的良好學(xué)習(xí)和泛化能力得以保證?；诘蛪撼商纂娖髦械臄嗦菲鞑灰硕啻卧诠收蠣顟B(tài)下工作，其訓(xùn)練樣本數(shù)量較少，SOM網(wǎng)絡(luò)對于斷路器的故障診斷有一定的優(yōu)勢。

1 低壓成套開關(guān)設(shè)備的分析

在低壓成套開關(guān)設(shè)備中，斷路器是具有保護(hù)和控制裝置的開關(guān)設(shè)備，當(dāng)遇到欠電壓、過載及短路等故障時(shí)，可自動(dòng)切斷電路，維持電路安全穩(wěn)定;繼電器是一種當(dāng)輸入量(電、磁、聲、光、熱)達(dá)到一定值時(shí)，輸出量將發(fā)生跳躍式變化的開關(guān)設(shè)備，起著調(diào)節(jié)、保護(hù)、轉(zhuǎn)換電路等作用，但無短路保護(hù)與瞬時(shí)過載功能;交流接觸器用于連接、承載和切斷主電路，區(qū)別于低壓斷路器的保護(hù)，在開關(guān)設(shè)備正常運(yùn)行的情況下，接觸器同樣可以完成電路通斷任務(wù)[6]。在低壓成套開關(guān)電器中，相對于斷路器，繼電器與交流接觸器在結(jié)構(gòu)上相對簡單，且分?jǐn)嚯娏鬟h(yuǎn)遠(yuǎn)小于短路電流，故障概率較低[7]。因此，以低壓斷路器為研究對象，對其常見的故障類型進(jìn)行故障預(yù)測。

斷路器主要組成機(jī)構(gòu)為：觸頭系統(tǒng)、滅弧系統(tǒng)、操作機(jī)構(gòu)等。通過對其故障的研究，發(fā)現(xiàn)斷路器故障存在一定規(guī)律。對某些參數(shù)分析得到斷路器性能狀態(tài)，進(jìn)而預(yù)測其未來的發(fā)展趨勢[8]。斷路器的機(jī)械特性參量(觸頭行程、分合閘時(shí)間、分合閘速度、分合閘不同期性等)直接影響到斷路器的分合和開斷性能。同時(shí)，機(jī)械特性參數(shù)可以更好地表示斷路器操作期間發(fā)生的機(jī)械異常狀況。考慮到對斷路器工作的影響，所選的特征樣本常見故障特性參量如下：

(1) 觸頭行程。反映操動(dòng)機(jī)構(gòu)、拉桿聯(lián)動(dòng)部件的性能及其觸頭狀態(tài)，故障原因主要為：螺栓松動(dòng)，觸頭接觸不良。

(2) 剛分速度。反映觸頭彈簧與分閘彈簧的儲(chǔ)能及操動(dòng)機(jī)構(gòu)性能，故障原因?yàn)椋郝菟ㄋ蓜?dòng)，彈簧損壞，機(jī)構(gòu)卡澀。

(3) 觸頭開距。反映轉(zhuǎn)軸和拉桿運(yùn)行狀態(tài)是否異常，故障原因?yàn)槁菟ㄋ蓜?dòng)。

(4) 過沖。反映觸頭彈簧的狀態(tài)和觸頭受到壓力變化，故障原因?yàn)榫彌_器失效。

(5) 三相不同期性。反映三相觸頭聯(lián)動(dòng)狀況，故障原因?yàn)槁菟ㄋ蓜?dòng)。

(6) 分閘反彈幅值。反映緩沖器狀態(tài)是否異常，故障原因?yàn)榫彌_器失效，螺栓松動(dòng)。

(7) 斷路器溫升過高。反映觸頭壓力大小及觸頭表面磨損情況，故障原因?yàn)橛|頭壓力過低，觸頭接觸不良，觸頭磨損。

(8) 欠電壓脫扣器噪聲。反映觸頭彈簧性能，故障原因?yàn)槎搪翻h(huán)斷裂。

2 SOM算法基本原理

2.1 SOM神經(jīng)網(wǎng)絡(luò)概述

SOM算法[9]是基于競爭學(xué)習(xí)的單層神經(jīng)網(wǎng)絡(luò)模型。它可以實(shí)現(xiàn)數(shù)據(jù)矢量量化時(shí)數(shù)據(jù)的非線性降維映射，使該算法成為一種常用的聚類和可視化工具[10-12]。在該算法中，表征為數(shù)據(jù)的神經(jīng)元固定于一個(gè)低維網(wǎng)格上，采用鄰域?qū)W習(xí)方式實(shí)現(xiàn)神經(jīng)元在該網(wǎng)格上的拓?fù)溆行騕13]。

SOM網(wǎng)絡(luò)采取無監(jiān)督聚類法的學(xué)習(xí)算法，主要分為3個(gè)學(xué)習(xí)過程，依次為

(1) 競爭。對于每個(gè)輸入向量，代入各自神經(jīng)元判別函數(shù)，取最大判別函數(shù)值作為獲勝神經(jīng)元。

(2) 合作。神經(jīng)元鄰域的空間位置由獲勝神經(jīng)元確定，從而為相鄰神經(jīng)元的合作建立基礎(chǔ)。

(3) 適應(yīng)。受激神經(jīng)元通過改變突觸權(quán)重，使該輸入向量的判別函數(shù)值增加，使得該神經(jīng)元對以后類似的輸入響應(yīng)逐漸增強(qiáng)[14]。

2.2 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SOM二維網(wǎng)格模型如圖1所示，輸入層神經(jīng)元通過權(quán)值與競爭層神經(jīng)元之間聯(lián)結(jié)，相鄰競爭層節(jié)點(diǎn)間同樣有局部互聯(lián)。在該網(wǎng)絡(luò)中，權(quán)值一般具有兩種類型，神經(jīng)元間的互聯(lián)權(quán)值與神經(jīng)元對外部輸入的連接權(quán)值，其數(shù)值決定神經(jīng)元間相互作用的強(qiáng)度[15]。

圖1 二維SOM網(wǎng)格模型

2.3 SOM網(wǎng)絡(luò)算法

(1) 初始化網(wǎng)絡(luò)。初始化的變量包括：① 規(guī)定輸入神經(jīng)元的個(gè)數(shù)，一般設(shè)m個(gè)；② 定義并給予輸入層與輸出層神經(jīng)元以較大權(quán)值[16]。

(2) 確定神經(jīng)網(wǎng)絡(luò)的輸入向量。將實(shí)驗(yàn)樣本構(gòu)成的矩陣

P=[x1x2…xm]T

輸入至SOM網(wǎng)絡(luò)，同時(shí)對數(shù)據(jù)進(jìn)行歸一化處理。

(3) 找尋獲勝神經(jīng)元。通過計(jì)算并找到輸入向量與連接權(quán)值的歐式距離數(shù)值最小的神經(jīng)元，使之成為獲勝神經(jīng)元。其中，映射層中第i個(gè)輸入向量與第j個(gè)神經(jīng)元的歐式距離，即

(1)

式中：dj為神經(jīng)元的歐式距離，xi(t)為wi,j(t)為輸入層的i神經(jīng)元和映射層的j神經(jīng)元之間的權(quán)值。在計(jì)算上述距離的過程中，找到距離最小的神經(jīng)元，記為獲勝神經(jīng)元j*。

圖2 優(yōu)勝鄰域過程模型圖

更新獲勝神經(jīng)元權(quán)值為

wi,j(t+1)=wi,j(t)+α(t)·

[xi(t)-wi,j(t)]

(2)

式中，α(t)為t時(shí)的學(xué)習(xí)率。

對自組織競爭網(wǎng)絡(luò)中獲勝神經(jīng)元臨近神經(jīng)元權(quán)值實(shí)現(xiàn)更新如下:

wi,j(t+1)=wi,j(t)+

α(t)η(v,k,t)[xi(t)-wi,j(t)]

(3)

對式(3)中的步驟循環(huán)，直至η(v，k,t)為0為止[17-18]。總體流程如圖3所示。

圖3 自組織映射神經(jīng)網(wǎng)絡(luò)總體流程圖

3 實(shí)驗(yàn)建立和結(jié)果分析

采集系統(tǒng)原理如圖4所示，通過安裝在待測斷路器上的傳感器測量該處的形變量，采集系統(tǒng)中所采用的傳感器包括：角位移傳感器、合閘彈簧壓力傳感器、線圈電流傳感器、線圈電壓傳感器、絕緣拉桿壓力傳感器和振動(dòng)加速度傳感器。經(jīng)數(shù)據(jù)采集和處理系統(tǒng)對斷路器的狀態(tài)進(jìn)行信號提取，檢測對象為選取的8個(gè)故障特性。對各個(gè)故障狀態(tài)分別進(jìn)行數(shù)據(jù)采集，形成標(biāo)準(zhǔn)故障樣本庫。

3.1 建立標(biāo)準(zhǔn)故障樣本庫

利用前文所述的測試方案并按圖4所示的樣本數(shù)據(jù)采集原理圖，采集斷路器正常狀態(tài)以及故障狀態(tài)的機(jī)械特性。經(jīng)200次實(shí)驗(yàn)，得到各狀態(tài)下8種機(jī)械特性的標(biāo)準(zhǔn)樣本,每種故障標(biāo)準(zhǔn)樣本中有8個(gè)特征。本文所提取的故障數(shù)據(jù)樣本和確定的故障特征分別如表1和表2所示。

圖4 樣本數(shù)據(jù)采集原理圖

表1 故障數(shù)據(jù)樣本

表2 故障類型

在本實(shí)驗(yàn)中，使用Matlab中的M語言來編寫SOM神經(jīng)網(wǎng)絡(luò)并用數(shù)據(jù)在網(wǎng)絡(luò)中學(xué)習(xí)訓(xùn)練。取特征指標(biāo)的個(gè)數(shù)為8，對應(yīng)于8種不同的故障類型，網(wǎng)絡(luò)的結(jié)構(gòu)是可以調(diào)整的而且樣本量不大，所以將競爭層神經(jīng)元設(shè)置為8×8=64個(gè)。歸一化后的樣本集如表3所示，T為檢測樣本，通過增加訓(xùn)練步數(shù)提升精度，用于與BP和支持向量機(jī)(Support Vector Machine, SVM)算法進(jìn)行比較。

表3 經(jīng)歸一化處理后的樣本集

3.2 實(shí)驗(yàn)結(jié)果和分析

各神經(jīng)元在經(jīng)過SOM網(wǎng)絡(luò)訓(xùn)練后,得出的競爭獲勝神經(jīng)元分類情況如圖5所示，六邊形灰色小方塊代表神經(jīng)元，小方塊之間的直線代表神經(jīng)元之間的直接連接，將標(biāo)準(zhǔn)故障樣本中的狀態(tài)類型以及相應(yīng)類型的8種機(jī)械特性作為SOM網(wǎng)絡(luò)的輸入向量。

圖5 競爭獲勝神經(jīng)元

表4為不同訓(xùn)練步數(shù)獲得的聚類結(jié)果，且訓(xùn)練步數(shù)?。?0、30、50、100、200、500、1 000，聚類結(jié)果由獲勝神經(jīng)元編號得以區(qū)分。由表4可知，故障聚類精度隨訓(xùn)練步數(shù)增加進(jìn)一步提高。當(dāng)訓(xùn)練步數(shù)為500時(shí)，斷路器8種故障被完全區(qū)分開。當(dāng)訓(xùn)練步數(shù)提高到1 000，同樣是每種故障劃分為一個(gè)類別，沒有實(shí)際意義，所以500已為最佳訓(xùn)練步數(shù)。結(jié)合表2、表4中訓(xùn)練500次時(shí)正常、緩沖器失效、螺栓松動(dòng)等故障狀態(tài)對應(yīng)神經(jīng)元編號，可知8種故障樣本競爭獲勝神經(jīng)元分別為36、25、21、4、18、1、32、6；結(jié)合圖5和圖6可知，8種類型標(biāo)準(zhǔn)樣本的狀態(tài)在二維陣列中由神經(jīng)元的(x，y)坐標(biāo)得以清晰地聚類區(qū)分。

表4 使用SOM網(wǎng)絡(luò)的分類結(jié)果

相鄰神經(jīng)元的距離遠(yuǎn)近程度情況通過顏色深淺不同的四邊形表示。由圖5可知，淺色所占的比例大且集中，說明神經(jīng)元間的聚合程度較好，在低壓斷路器故障檢測中,可利用此方法較精確地明確故障原因。圖6所示為SOM網(wǎng)絡(luò)訓(xùn)練臨近神經(jīng)元之間的距離情況，圖7為權(quán)值wi,j(t)矢量分布圖。

圖6 SOM網(wǎng)絡(luò)臨近神經(jīng)元間的距離

圖7 SOM權(quán)值矢量分布

為對故障診斷的正確率進(jìn)行驗(yàn)證，將64個(gè)測試樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并通過表3的測試樣本檢測故障診斷識(shí)別率，結(jié)果見表5所示。

表5 SOM網(wǎng)絡(luò)診斷結(jié)果及對比

由表5可知，通過SOM神經(jīng)網(wǎng)絡(luò)與BP算法以及SVM算法診斷結(jié)果來看，SOM算法精確度更高、穩(wěn)定性更好,在小樣本數(shù)據(jù)的診斷中更具優(yōu)越性。

SOM神經(jīng)網(wǎng)絡(luò)相對于其他網(wǎng)絡(luò)，對被控對象的數(shù)學(xué)模型依賴程度較低，可通過圖形可視化很容易對故障模式進(jìn)行分類。

利用SOM神經(jīng)網(wǎng)絡(luò)算法建立了一種低壓斷路器機(jī)械故障診斷模型。針對電器故障征兆參數(shù)的不同機(jī)械特性，利用自組織特征映射神經(jīng)網(wǎng)絡(luò)的模式識(shí)別功能可以診斷出故障。由此設(shè)計(jì)一個(gè)低壓成套開關(guān)系統(tǒng)故障診斷專家系統(tǒng)，對于低壓配電網(wǎng)中的開關(guān)設(shè)備的安全經(jīng)濟(jì)運(yùn)行將起到重要作用，為低壓成套電器故障診斷的進(jìn)一步研究提供了新思路和新方法。

4 結(jié) 語

本文在分析SOM神經(jīng)網(wǎng)絡(luò)原理基礎(chǔ)上,圍繞著低壓成套電器中低壓斷路器的故障檢測問題，利用SOM網(wǎng)絡(luò),初步設(shè)計(jì)實(shí)現(xiàn)了低壓斷路器故障檢測模型,并進(jìn)行Matlab仿真實(shí)驗(yàn)。結(jié)果表明：該算法可以初步解決斷路器故障診斷問題,在實(shí)際生產(chǎn)實(shí)踐中有著重要的現(xiàn)實(shí)意義。雖然本文對SOM算法作出了一些實(shí)效性的應(yīng)用,但對于SOM算法本身,仍有一些不足,比如關(guān)于學(xué)習(xí)速度、最終權(quán)值向量的穩(wěn)定性,SOM算法不能兼顧兩者，這將是要在下一步需要努力攻克的問題。在本實(shí)驗(yàn)中,實(shí)驗(yàn)環(huán)境等其他一些忽略的故障因素等問題,也是今后要考慮解決的。