基于自組織映射神經網絡對低壓斷路器的故障診斷

張夢成， 遲長春

(上海電機學院 電氣學院, 上海 201306)

在低壓配電系統中，低壓成套電器設備的主要功用是對電能進行控制、保護、測量、轉換和分配。其具有應用廣、重要性高和使用量大等特點，因此，應及時有效地維護低壓開關設備。通過有效維護工作，以規避故障對設備和配電系統造成的嚴重后果。傳統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，出現了一種分析是否有必要進行維護的狀態檢修法，依靠電器實際運行狀態下得到的特性參數，判斷是否需要進行檢修。狀態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，增強了設備運行的可靠性、經濟性，但這一方法也對設備監測技術帶來了新的挑戰[1]。低壓成套開關電器的故障檢測主要分為兩個階段：提取特征信號和狀態診斷。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相結合的方式作為特征樣本對低壓成套電器中發生故障概率較高的低壓斷路器進行機械故障診斷。考量到某些故障類型(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劣有重要影響。文獻[4]采用徑向基函數(Radial Basis Function, RBF)神經網絡的低壓斷路器機械故障診斷，較之傳統反向傳播(Back Propagation, BP)神經網絡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，用改進后的分類器對故障樣本進行訓練和測試，取得了良好的效果，但該算法在程序上復雜度較高，且粒子群優化算法較不穩定。作為一種基于小樣本訓練的識別算法，自組織映射(Self Organizing Map, SOM)神經網絡訓練的過程中，通過調節獲勝神經元和網絡中鄰近范圍內的其他神經元權值和閾值，使SOM網絡的良好學習和泛化能力得以保證。基于低壓成套電器中的斷路器不宜多次在故障狀態下工作，其訓練樣本數量較少，SOM網絡對于斷路器的故障診斷有一定的優勢。

1 低壓成套開關設備的分析

在低壓成套開關設備中，斷路器是具有保護和控制裝置的開關設備，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，輸出量將發生跳躍式變化的開關設備，起著調節、保護、轉換電路等作用，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，區別于低壓斷路器的保護，在開關設備正常運行的情況下，接觸器同樣可以完成電路通斷任務[6]。在低壓成套開關電器中，相對于斷路器，繼電器與交流接觸器在結構上相對簡單，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測。

斷路器主要組成機構為：觸頭系統、滅弧系統、操作機構等。通過對其故障的研究，發現斷路器故障存在一定規律。對某些參數分析得到斷路器性能狀態，進而預測其未來的發展趨勢[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，機械特性參數可以更好地表示斷路器操作期間發生的機械異常狀況。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。反映操動機構、拉桿聯動部件的性能及其觸頭狀態，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性能，故障原因為：螺栓松動，彈簧損壞，機構卡澀。

(3) 觸頭開距。反映轉軸和拉桿運行狀態是否異常，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，故障原因為短路環斷裂。

2 SOM算法基本原理

2.1 SOM神經網絡概述

SOM算法[9]是基于競爭學習的單層神經網絡模型。它可以實現數據矢量量化時數據的非線性降維映射，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，表征為數據的神經元固定于一個低維網格上，采用鄰域學習方式實現神經元在該網格上的拓撲有序[13]。

SOM網絡采取無監督聚類法的學習算法，主要分為3個學習過程，依次為

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

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

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

2.2 SOM神經網絡結構

SOM二維網格模型如圖1所示，輸入層神經元通過權值與競爭層神經元之間聯結，相鄰競爭層節點間同樣有局部互聯。在該網絡中，權值一般具有兩種類型，神經元間的互聯權值與神經元對外部輸入的連接權值，其數值決定神經元間相互作用的強度[15]。

圖1 二維SOM網格模型

2.3 SOM網絡算法

(1) 初始化網絡。初始化的變量包括：① 規定輸入神經元的個數，一般設m個；② 定義并給予輸入層與輸出層神經元以較大權值[16]。

(2) 確定神經網絡的輸入向量。將實驗樣本構成的矩陣

P=[x1x2…xm]T

輸入至SOM網絡，同時對數據進行歸一化處理。

(3) 找尋獲勝神經元。通過計算并找到輸入向量與連接權值的歐式距離數值最小的神經元，使之成為獲勝神經元。其中，映射層中第i個輸入向量與第j個神經元的歐式距離，即

(1)

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

圖2 優勝鄰域過程模型圖

更新獲勝神經元權值為

wi,j(t+1)=wi,j(t)+α(t)·

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

(2)

式中，α(t)為t時的學習率。

對自組織競爭網絡中獲勝神經元臨近神經元權值實現更新如下:

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，直至η(v，k,t)為0為止[17-18]。總體流程如圖3所示。

圖3 自組織映射神經網絡總體流程圖

3 實驗建立和結果分析

采集系統原理如圖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。經數據采集和處理系統對斷路器的狀態進行信號提取，檢測對象為選取的8個故障特性。對各個故障狀態分別進行數據采集，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所示的樣本數據采集原理圖，采集斷路器正常狀態以及故障狀態的機械特性。經200次實驗，得到各狀態下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據樣本和確定的故障特征分別如表1和表2所示。

圖4 樣本數據采集原理圖

表1 故障數據樣本

表2 故障類型

在本實驗中，使用Matlab中的M語言來編寫SOM神經網絡并用數據在網絡中學習訓練。取特征指標的個數為8，對應于8種不同的故障類型，網絡的結構是可以調整的而且樣本量不大，所以將競爭層神經元設置為8×8=64個。歸一化后的樣本集如表3所示，T為檢測樣本，通過增加訓練步數提升精度，用于與BP和支持向量機(Support Vector Machine, SVM)算法進行比較。

表3 經歸一化處理后的樣本集

3.2 實驗結果和分析

各神經元在經過SOM網絡訓練后,得出的競爭獲勝神經元分類情況如圖5所示，六邊形灰色小方塊代表神經元，小方塊之間的直線代表神經元之間的直接連接，將標準故障樣本中的狀態類型以及相應類型的8種機械特性作為SOM網絡的輸入向量。

圖5 競爭獲勝神經元

表4為不同訓練步數獲得的聚類結果，且訓練步數取：10、30、50、100、200、500、1 000，聚類結果由獲勝神經元編號得以區分。由表4可知，故障聚類精度隨訓練步數增加進一步提高。當訓練步數為500時，斷路器8種故障被完全區分開。當訓練步數提高到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已為最佳訓練步數。結合表2、表4中訓練500次時正常、緩沖器失效、螺栓松動等故障狀態對應神經元編號，可知8種故障樣本競爭獲勝神經元分別為36、25、21、4、18、1、32、6；結合圖5和圖6可知，8種類型標準樣本的狀態在二維陣列中由神經元的(x，y)坐標得以清晰地聚類區分。

表4 使用SOM網絡的分類結果

相鄰神經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網絡訓練臨近神經元之間的距離情況，圖7為權值wi,j(t)矢量分布圖。

圖6 SOM網絡臨近神經元間的距離

圖7 SOM權值矢量分布

為對故障診斷的正確率進行驗證，將64個測試樣本輸入BP神經網絡進行訓練，并通過表3的測試樣本檢測故障診斷識別率，結果見表5所示。

表5 SOM網絡診斷結果及對比

由表5可知，通過SOM神經網絡與BP算法以及SVM算法診斷結果來看，SOM算法精確度更高、穩定性更好,在小樣本數據的診斷中更具優越性。

SOM神經網絡相對于其他網絡，對被控對象的數學模型依賴程度較低，可通過圖形可視化很容易對故障模式進行分類。

利用SOM神經網絡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的不同機械特性，利用自組織特征映射神經網絡的模式識別功能可以診斷出故障。由此設計一個低壓成套開關系統故障診斷專家系統，對于低壓配電網中的開關設備的安全經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 語

本文在分析SOM神經網絡原理基礎上,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網絡,初步設計實現了低壓斷路器故障檢測模型,并進行Matlab仿真實驗。結果表明：該算法可以初步解決斷路器故障診斷問題,在實際生產實踐中有著重要的現實意義。雖然本文對SOM算法作出了一些實效性的應用,但對于SOM算法本身,仍有一些不足,比如關于學習速度、最終權值向量的穩定性,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。