基于遠(yuǎn)程無(wú)線通信的直流電源故障診斷系統(tǒng)

蔡饒興，汪 銳

(1.麗水市人民醫(yī)院，浙江 麗水 323000; 2.國(guó)網(wǎng)安康供電公司，陜西 安康 725000)

針對(duì)上述技術(shù)的不足，本研究進(jìn)行以下技術(shù)研究：

(1)構(gòu)建了遠(yuǎn)程數(shù)據(jù)監(jiān)控模型，在數(shù)據(jù)遠(yuǎn)端能夠?qū)崿F(xiàn)直流電源故障數(shù)據(jù)信息的遠(yuǎn)程診斷。

(2)本研究用交流互感器實(shí)現(xiàn)在直流電流源中的高精度電流采樣，提高了電源中的數(shù)據(jù)故障診斷能力，并對(duì)故障數(shù)據(jù)信息進(jìn)行直觀監(jiān)測(cè)。

(3)構(gòu)建了改進(jìn)型蟻群算法的神經(jīng)網(wǎng)絡(luò)模型，提高了直流電源故障診斷效率。

下面對(duì)本研究的技術(shù)方案進(jìn)行以下設(shè)計(jì)：

1 系統(tǒng)架構(gòu)設(shè)計(jì)

為迅速發(fā)現(xiàn)并定位直流電源系統(tǒng)的故障點(diǎn)，保證電網(wǎng)安全運(yùn)行，本研究應(yīng)用改進(jìn)型蟻群神經(jīng)網(wǎng)絡(luò)建立直流電源故障診斷系統(tǒng)，該系統(tǒng)主要包括檢測(cè)層、通訊層、數(shù)據(jù)分析層和上層監(jiān)測(cè)層。直流電源故障診斷系統(tǒng)架構(gòu)如圖1所示。

海拔4119米的西藏扎西宗鄉(xiāng)，“90后”楊濤正手捧兩件貨物，走在世界屋脊之上。2016年，楊濤開(kāi)設(shè)了全球海拔最高的快遞網(wǎng)店，服務(wù)當(dāng)?shù)?400多名農(nóng)牧民，讓快遞可以直抵珠峰大本營(yíng)。同年，美籍教師Charlie拉上Tyler和Jay，在上海創(chuàng)建導(dǎo)購(gòu)網(wǎng)站，幫助外國(guó)人在網(wǎng)絡(luò)上買遍中國(guó)，兩年，他們用超過(guò)10萬(wàn)的訂單量在互聯(lián)網(wǎng)的世界演繹著“美國(guó)合伙人”的故事。在這些故事之外，還有無(wú)數(shù)的故事在發(fā)生，與其說(shuō)它們?cè)谥v述，倒不如說(shuō)它們?cè)谟涗浥c見(jiàn)證。

圖1 直流電源故障診斷系統(tǒng)架構(gòu)

系統(tǒng)可分為三個(gè)部分，在結(jié)構(gòu)上可分為數(shù)據(jù)層、通信層和網(wǎng)絡(luò)層。數(shù)據(jù)層主要負(fù)責(zé)采集電流、電壓、電池信息，包括電池內(nèi)阻采集、巡檢采集、母線電壓采集和支路差流采集，各單元采集到數(shù)據(jù)后向管理主機(jī)匯集數(shù)據(jù)，然后上傳到系統(tǒng)數(shù)據(jù)庫(kù)中。故障信息還可以包括傳感器技術(shù)，比如光電傳感器、紅外傳感器、速度傳感器、加速傳感器、GIS傳感器、振動(dòng)傳感器、紋波傳感器、溫濕度傳感器、角度傳感器、磁場(chǎng)傳感器、轉(zhuǎn)速傳感器、RFID標(biāo)簽、GPS設(shè)備、射線輻射傳感器、熱敏傳感器或能耗傳感器等可以監(jiān)測(cè)電源工作環(huán)境等周圍數(shù)據(jù)信息。

通信層負(fù)責(zé)數(shù)據(jù)層與網(wǎng)絡(luò)層之間的數(shù)據(jù)傳輸，可以部署多個(gè)交換機(jī)，通信協(xié)議為RS485/232協(xié)議、TCP/IP 以太網(wǎng)絡(luò)協(xié)議等。采用有線通信模塊時(shí)，可以采用RS485通信模塊或RS232通信模塊，所述無(wú)線通信模塊至少包括TCP/IP網(wǎng)絡(luò)系統(tǒng)、ZigBee無(wú)線網(wǎng)絡(luò)、GPRS通信模塊、CDMA無(wú)線通信、云通信模塊或藍(lán)牙通信模塊等。在數(shù)據(jù)分析層中，本研究通過(guò)蟻群算法實(shí)現(xiàn)直流電源工作過(guò)程中數(shù)據(jù)信息的特征提取。在進(jìn)行數(shù)據(jù)監(jiān)測(cè)時(shí)，通過(guò)無(wú)線遠(yuǎn)程通信的方式實(shí)現(xiàn)數(shù)據(jù)通信，提高數(shù)據(jù)通信能力。下面對(duì)本研究的關(guān)鍵技術(shù)進(jìn)行研究。

2 直流電源故障信息采集

本研究用交流互感器實(shí)現(xiàn)在直流電流源中的高精度電流采樣，主要包括輸入設(shè)定模塊、功放模塊、輸出變壓器、采樣互感器和整流模塊，通過(guò)誤差處理將電源中的故障診斷數(shù)據(jù)新型提取并進(jìn)行監(jiān)測(cè)。直流電源信息采集模塊如圖2所示。

圖2 直流電源信息采集模塊

本研究中放大器部分是將一個(gè)高頻(5-10 kHz)正弦信號(hào)放大800-1000 VA的功率，經(jīng)過(guò)變壓器輸出高頻(5-10 kHz)交流信號(hào)，送給一個(gè)帶補(bǔ)償?shù)碾娏鞑蓸踊ジ衅鳎摶ジ衅鲗?.01 A、1 A、10 A、100 A、600 A通過(guò)不同的繞組組合，最終電流采樣互感器都輸出是20mA的電流給放大器做誤差反饋用，直流輸出是通過(guò)整流濾波實(shí)現(xiàn)，整流濾波之前的交流電流有效值和整流濾波后的直流有效值是相等的，所以輸出的交流、反饋的交流、輸出的直流是嚴(yán)格按比例的。

當(dāng)檢測(cè)電子裝置需要0-5 V的直流電壓，則通過(guò)控制箱設(shè)置0-5 V的直流電壓基準(zhǔn)，輸出信息通過(guò)處理單元，經(jīng)處理單元中的0P-07運(yùn)放模塊進(jìn)行比較，當(dāng)輸入的模擬量與運(yùn)放比較器的標(biāo)準(zhǔn)值進(jìn)行比較時(shí)，當(dāng)輸出值與基準(zhǔn)值不一致時(shí)，則通過(guò)處理器自身的自動(dòng)修正而達(dá)到期望輸出值，當(dāng)輸出值與基準(zhǔn)值一致時(shí)，則輸出信息號(hào)進(jìn)行下一個(gè)單元-擴(kuò)流單元，擴(kuò)流單元使輸出信息放大至輸出單元。采集單元對(duì)信號(hào)進(jìn)行采樣，采樣信號(hào)經(jīng)反饋單元反饋到處理信號(hào)的輸入端，與輸入端的基準(zhǔn)信號(hào)進(jìn)行比較，如果的輸出信號(hào)的采樣信號(hào)與設(shè)定的基準(zhǔn)值不一致時(shí)，則處理單元會(huì)自行修正以達(dá)到輸出的期望值，如果輸出信號(hào)的采樣信號(hào)與設(shè)定的基準(zhǔn)值一致時(shí)，則輸出符合設(shè)定要求，滿足輸出需要。

3 改進(jìn)型蟻群算法的神經(jīng)網(wǎng)絡(luò)模型

改進(jìn)型蟻群算法的神經(jīng)網(wǎng)絡(luò)模型能夠提取不同的故障因素特征，并將數(shù)據(jù)訓(xùn)練成蟻群算法(Ant Colony Optimization，ACO)優(yōu)化深度卷積神經(jīng)網(wǎng)絡(luò)DCNN，利用ACO算法強(qiáng)大的搜索能力對(duì)DCNN關(guān)鍵參數(shù)進(jìn)行尋優(yōu)，通過(guò)這種方法提高了直流電源的故障診斷能力。直流電源的故障診斷流程如圖3所示。

圖3 改進(jìn)型蟻群算法的神經(jīng)網(wǎng)絡(luò)模型

將直流電源中的故障信息特征比作為螞蟻元素，以便于后期計(jì)算。在整個(gè)蟻群算法模型中，其中螞蟻元素個(gè)體數(shù)量記作為，蟻群算法模型中螞蟻信息素強(qiáng)度記作為，由于信息元素在蟻群算法模型中能夠進(jìn)行轉(zhuǎn)移的概率記作為，蟻群算法模型中螞蟻移動(dòng)的速度記作為，蟻群算法模型中螞蟻元素的步長(zhǎng)記作為，蟻群算法模型的適應(yīng)度函數(shù)記作為()。在通過(guò)本研究的方法進(jìn)行ACO搜索時(shí)，蟻群算法模型中直流電源故障信息特征輸入的故障信息蟻群位置通過(guò)以下函數(shù)表示：

(1)

=(1-)+()

(2)

在式(2)中，為直流電源故障信息特征作為蟻群算法中信息素?fù)]發(fā)常數(shù)，()為蟻群算法模型中每只螞蟻對(duì)應(yīng)的適應(yīng)度值。利用ADO優(yōu)化DCNN模型參數(shù)時(shí)，先將蟻群算法中螞蟻元素進(jìn)行初始化處理。在數(shù)據(jù)處理時(shí)，蟻群算法螞蟻元素初始時(shí)刻設(shè)為=0，初始迭代次數(shù)設(shè)為=0，最大迭代次數(shù)為，并確定信息素初始含量。

然后，設(shè)置DCNN模型處理直流電源故障數(shù)據(jù)信息需要進(jìn)行優(yōu)化的神經(jīng)網(wǎng)絡(luò)參數(shù)，為了提高計(jì)算能力，通過(guò)數(shù)據(jù)集合表示為1={,,…,,}。每個(gè)蟻群算法模型在工作時(shí)，螞蟻元素從1出發(fā)，在蟻群的搜索過(guò)程中計(jì)算螞蟻的狀態(tài)轉(zhuǎn)移概率，可表示為：

(3)

式(3)中，()表示蟻群算法在計(jì)算直流電源故障信息特征時(shí)搜索路徑間的信息素含量，表示蟻群算法在計(jì)算直流電源故障信息特征時(shí)信息素啟發(fā)因子，表示計(jì)算直流電源故障信息特征時(shí)蟻群算法具有的啟發(fā)函數(shù)重要因子，1表示在計(jì)算直流電源故障信息特征轉(zhuǎn)換為蟻群算法過(guò)程中具有的啟發(fā)函數(shù)，為蟻群算法中螞蟻元素在下一步搜索過(guò)程中的節(jié)點(diǎn)集合。通過(guò)在搜索過(guò)程中不斷更新信息素，記錄當(dāng)前迭代過(guò)程的最優(yōu)解，對(duì)路徑殘余信息進(jìn)行更新，可表示為：

(+1)=(1-)+Δ

(4)

其中Δ表示螞蟻元素在運(yùn)行過(guò)程中釋放的信息素含量，表示螞蟻元素在尋求直流電源故障數(shù)據(jù)信息時(shí)信息素?fù)]發(fā)因子。當(dāng)訓(xùn)練樣本的迭代次數(shù)滿足條件≥時(shí)，輸出DCNN最優(yōu)參數(shù)值，ACO優(yōu)化過(guò)程結(jié)束。ACO優(yōu)化DCNN模型參數(shù)訓(xùn)練完成后，對(duì)DCNN模型進(jìn)行訓(xùn)練實(shí)現(xiàn)直流電源的故障診斷。進(jìn)行故障診斷時(shí)先將采集到的直流電源數(shù)據(jù)進(jìn)行平滑處理和歸一化處理，將經(jīng)過(guò)預(yù)處理的直流電源數(shù)據(jù)按照比例分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。將訓(xùn)練集數(shù)據(jù)進(jìn)行重疊切片，然后將重疊切片后的數(shù)據(jù)進(jìn)行融合，以雙通道形式作為故障診斷模型的輸入。用訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)訓(xùn)練測(cè)試數(shù)據(jù)，輸出直流電源的故障診斷結(jié)果。

4 應(yīng)用測(cè)試

本實(shí)驗(yàn)的實(shí)驗(yàn)環(huán)境中硬件環(huán)境使用1臺(tái)CPU為8核16 GB的CP，硬盤容量為512 G,電腦操作系統(tǒng)為Windows 10，通過(guò)MATLAB 2014軟件系統(tǒng)進(jìn)行數(shù)據(jù)分析。

系統(tǒng)的監(jiān)控界面每秒更新一次，可以監(jiān)測(cè)故障檢測(cè)裝置各通道采集運(yùn)算結(jié)果，界面展示的系統(tǒng)數(shù)據(jù)層的具體參數(shù)。本研究通過(guò)MATLAB軟件系統(tǒng)進(jìn)行計(jì)算處理對(duì)比，以月份作為外因素，分析范本數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)中設(shè)備故障次數(shù)與外因素的關(guān)系。

本研究搭建實(shí)驗(yàn)平臺(tái)對(duì)系統(tǒng)的功能指標(biāo)進(jìn)行測(cè)試，整個(gè)實(shí)驗(yàn)平臺(tái)包括直流電源數(shù)據(jù)采集裝置、信號(hào)源以及用于顯示波形的PC機(jī)。采集卡用USB線與PC機(jī)相連接，PC機(jī)上安裝了用來(lái)項(xiàng)目測(cè)試的軟件。實(shí)驗(yàn)設(shè)備如表1所示。

表1 實(shí)驗(yàn)設(shè)備參數(shù)

實(shí)驗(yàn)平臺(tái)中校準(zhǔn)器中的電壓和電流信號(hào)，可以作為0～180 V和0～2.25 A范圍內(nèi)電壓和電流信號(hào)的標(biāo)準(zhǔn)信號(hào)源，通過(guò)三個(gè)輸出通道實(shí)現(xiàn)多達(dá)90A的單相交直流電流并聯(lián)輸出，輸出頻率范圍可達(dá)到15～400 Hz。系統(tǒng)監(jiān)控界面如圖4所示。

圖4 故障診斷準(zhǔn)確率

為驗(yàn)證本研究故障診斷模型的故障識(shí)別效果，采集通信電源的5000組數(shù)據(jù)作為模型的訓(xùn)練集，SVM分類器作為對(duì)照進(jìn)行實(shí)驗(yàn)(下文稱為方案一方法)，卷積分神經(jīng)網(wǎng)絡(luò)(下文稱為方案二方法)對(duì)通信電源的短路、過(guò)載、缺相、過(guò)壓和欠壓五種故障類型進(jìn)行識(shí)別，使用1～5對(duì)故障類型進(jìn)行編號(hào)，得到系統(tǒng)故障識(shí)別率如表2所示。

表2 測(cè)試結(jié)果示意表

經(jīng)過(guò)對(duì)上述原始信號(hào)進(jìn)行多次測(cè)量和復(fù)核，測(cè)量結(jié)果與本研究采集裝置采集到的結(jié)果一致，本研究直流電源故障診斷裝置的數(shù)據(jù)采集精度更高，采集直流電源信號(hào)的準(zhǔn)確度達(dá)到100%。數(shù)字電壓表采集精度比本研究裝置低，采集到的數(shù)據(jù)與實(shí)際結(jié)果仍存在一定的誤差，電壓波峰值的誤差為1.959 V。

為驗(yàn)證本研究直流電源故障診斷模型的故障診斷效果，將本研究蟻群神經(jīng)網(wǎng)絡(luò)與標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)并對(duì)比實(shí)驗(yàn)效果，該步驟可以通過(guò)MATLAB 2014進(jìn)行數(shù)據(jù)分析，軟件安裝界面如圖5所示。

圖5 MATLAB 2014安裝界面示意圖

安裝完畢后，MATLAB 2014安裝完畢界面如圖6所示。

圖6 MABLAB 2014安裝完畢界面示意圖

通過(guò)MATLAB軟件能夠?qū)ι鲜鰯?shù)據(jù)信息及時(shí)分析，借助于語(yǔ)言、工具和內(nèi)置數(shù)學(xué)函數(shù)的方式實(shí)現(xiàn)數(shù)據(jù)信息分解，在軟件內(nèi)構(gòu)建模型，并仿真運(yùn)行Simulink，以提高直流電源故障診斷能力。在仿真設(shè)計(jì)過(guò)程中，假設(shè)學(xué)習(xí)速率設(shè)定為0.5。為減少隨機(jī)因素對(duì)最終故障診斷結(jié)果的影響，在實(shí)驗(yàn)過(guò)程中重復(fù)進(jìn)行10次實(shí)驗(yàn)測(cè)試，兩種方法在測(cè)試樣本集的故障診斷準(zhǔn)確率如圖7所示。

圖7 故障診斷準(zhǔn)確率

由圖7可以看出，與標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)相比，本研究經(jīng)過(guò)蟻群算法優(yōu)化后的故障診斷模型的準(zhǔn)確率更高，其平均故障診斷的準(zhǔn)確率高達(dá)99.58%，10次實(shí)驗(yàn)的故障診斷準(zhǔn)確率的方差為0.005，故障診斷模型的穩(wěn)定性更好。在相同數(shù)量的樣本下，本研究蟻群神經(jīng)網(wǎng)絡(luò)能有效提取更深層的特征進(jìn)行學(xué)習(xí)，極大地提高了故障診斷模型的學(xué)習(xí)能力。方案一方法和方案二方法準(zhǔn)確率最高分別達(dá)到92%、94.5%，現(xiàn)有技術(shù)中的故障診斷效果不穩(wěn)定，平均故障診斷準(zhǔn)確率不及本研究故障診斷模型，且模型的收斂速度較慢。

5 結(jié) 論

針對(duì)直流電源容易出現(xiàn)故障問(wèn)題，構(gòu)建了包括檢測(cè)層、通信層、數(shù)據(jù)分析層和上層監(jiān)測(cè)層的改進(jìn)型蟻群神經(jīng)網(wǎng)絡(luò)建立直流電源故障診斷系統(tǒng)，該系統(tǒng)能夠?qū)崿F(xiàn)直流電源故障遠(yuǎn)程診斷，提高了神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)信息的診斷能力。并通過(guò)包括輸入設(shè)定模塊、功放模塊、輸出變壓器、采樣互感器和整流模塊的采集系統(tǒng)實(shí)現(xiàn)直流故障數(shù)據(jù)信息的采集，通過(guò)改進(jìn)蟻群算法模型實(shí)現(xiàn)最優(yōu)故障的搜索，提高了直流電源故障診斷能力，但是本研究仍需進(jìn)一步研究，這需要進(jìn)一步的努力。