基于自組織映射神經(jīng)網(wǎng)絡(luò)對低壓斷路器的故障診斷

張夢成， 遲長春

(上海電機學(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行控制、保護、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，因此，應(yīng)及時有效地維護低壓開關(guān)設(shè)備。通過有效維護工作，以規(guī)避故障對設(shè)備和配電系統(tǒng)造成的嚴重后果。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行維護的狀態(tài)檢修法，依靠電器實際運行狀態(tài)下得到的特性參數(shù)，判斷是否需要進行檢修。狀態(tài)檢修除了能夠減小工作量及降低維護費用之外，還提高了對故障的針對性，增強了設(shè)備運行的可靠性、經(jīng)濟性，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，依靠機械振動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行機械故障診斷?？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[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確度。文獻[5]采用標準粒子群算法尋找最佳的特征子集和最小二乘支持向量機模型參數(shù)，用改進后的分類器對故障樣本進行訓(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，斷路器是具有保護和控制裝置的開關(guān)設(shè)備，當遇到欠電壓、過載及短路等故障時，可自動切斷電路，維持電路安全穩(wěn)定;繼電器是一種當輸入量(電、磁、聲、光、熱)達到一定值時，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、轉(zhuǎn)換電路等作用，但無短路保護與瞬時過載功能;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，在開關(guān)設(shè)備正常運行的情況下，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，且分斷電流遠遠小于短路電流，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行故障預(yù)測。

斷路器主要組成機構(gòu)為：觸頭系統(tǒng)、滅弧系統(tǒng)、操作機構(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)，進而預(yù)測其未來的發(fā)展趨勢[8]。斷路器的機械特性參量(觸頭行程、分合閘時間、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，機械特性參數(shù)可以更好地表示斷路器操作期間發(fā)生的機械異常狀況?？紤]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。反映操動機構(gòu)、拉桿聯(lián)動部件的性能及其觸頭狀態(tài)，故障原因主要為：螺栓松動，觸頭接觸不良。

(2) 剛分速度。反映觸頭彈簧與分閘彈簧的儲能及操動機構(gòu)性能，故障原因為：螺栓松動，彈簧損壞，機構(gòu)卡澀。

(3) 觸頭開距。反映轉(zhuǎn)軸和拉桿運行狀態(tài)是否異常，故障原因為螺栓松動。

(4) 過沖。反映觸頭彈簧的狀態(tài)和觸頭受到壓力變化，故障原因為緩沖器失效。

(5) 三相不同期性。反映三相觸頭聯(lián)動狀況，故障原因為螺栓松動。

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

(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，故障原因為觸頭壓力過低，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，故障原因為短路環(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。它可以實現(xiàn)數(shù)據(jù)矢量量化時數(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)元固定于一個低維網(wǎng)格上，采用鄰域?qū)W習(xí)方式實現(xiàn)神經(jīng)元在該網(wǎng)格上的拓撲有序[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個學(xué)習(xí)過程，依次為

(1) 競爭。對于每個輸入向量，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[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)元的個數(shù)，一般設(shè)m個；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。將實驗樣本構(gòu)成的矩陣

P=[x1x2…xm]T

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

(3) 找尋獲勝神經(jīng)元。通過計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個輸入向量與第j個神經(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]?？傮w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 實驗建立和結(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)進行信號提取，檢測對象為選取的8個故障特性。對各個故障狀態(tài)分別進行數(shù)據(jù)采集，形成標準故障樣本庫。

3.1 建立標準故障樣本庫

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)的機械特性。經(jīng)200次實驗，得到各狀態(tài)下8種機械特性的標準樣本,每種故障標準樣本中有8個特征。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

在本實驗中，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。取特征指標的個數(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。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(Support Vector Machine, SVM)算法進行比較。

表3 經(jīng)歸一化處理后的樣本集

3.2 實驗結(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，將標準故障樣本中的狀態(tài)類型以及相應(yīng)類型的8種機械特性作為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)增加進一步提高。當訓(xùn)練步數(shù)為500時，斷路器8種故障被完全區(qū)分開。當訓(xùn)練步數(shù)提高到1 000，同樣是每種故障劃分為一個類別，沒有實際意義，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次時正常、緩沖器失效、螺栓松動等故障狀態(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種類型標準樣本的狀態(tài)在二維陣列中由神經(jīng)元的(x，y)坐標得以清晰地聚類區(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行驗證，將64個測試樣本輸入BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并通過表3的測試樣本檢測故障診斷識別率，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械故障診斷模型。針對電器故障征兆參數(shù)的不同機械特性，利用自組織特征映射神經(jīng)網(wǎng)絡(luò)的模式識別功能可以診斷出故障。由此設(shè)計一個低壓成套開關(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)濟運行將起到重要作用，為低壓成套電器故障診斷的進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)計實現(xiàn)了低壓斷路器故障檢測模型,并進行Matlab仿真實驗。結(jié)果表明：該算法可以初步解決斷路器故障診斷問題,在實際生產(chǎn)實踐中有著重要的現(xiàn)實意義。雖然本文對SOM算法作出了一些實效性的應(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。在本實驗中,實驗環(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。