[发明专利]基于PCA-RBF神经网络的调相机故障诊断方法

说明书

本发明公开了一种基于PCA‑RBF神经网络的调相机故障诊断方法和系统，通过主成分分析方法对样本数据进行降维简化，采用并应用径向基函数神经网络作为故障诊断的工具，采用训练样本对RBF神经网络进行训练并得到网络输出分类结果，与RBF神经网络算法相比，基于PCA‑RBF神经网络的计算准确率高，具有强大的工程应用价值；将经过PCA预处理后的数据送入RBF神经网络中进行诊断，简化了神经网络的结构，提高了网络的处理速度。

技术领域

本发明涉及调相机故障诊断技术领域，具体而言涉及一种基于PCA-RBF神经网络的调相机故障诊断方法和系统。

背景技术

同步调相机以其优异的短时过载能力、瞬时无功支撑能力以及动作可靠性，在维护交直流混合大电网的安全稳定运行方面具有重要作用，可望提高新能源消纳和抑制换相失败。旋转机械是同步调相机的核心设备，常年高速连续工作在高温等恶劣环境中，导致旋转部件是同步调相机故障集中的部分。因此，选择合适的故障诊断算法，实现调相机在线检测与故障诊断，降低调相机运行风险及损失，具有重要实践意义。

人工智能算法以其自学习能力强、联想存储、高速寻找最优解等特点，适用于处理“黑盒”问题，被广泛应用于故障诊断领域。多层感知器(Multi-Layer perceptron,MLP)、支持向量机(Support Vector Machine,SVM)以及径向基函数(Radial Basis Function)是适应于解决各类复杂分类问题的神经网络算法，被广泛应用于故障诊断领域。MLP网络是一种局部搜索的优化方法，适用于解决非线性问题，容错能力强，但在求解复杂问题时容易陷入局部极值。SVM网络通过在特征空间上寻找最大边距超平面，适用于求解非线性分类问题，但其算法依赖接触二次规划，占用内存大，运算时间长，导致它难以应用于大规模训练样本。RBF网络以任意精度接近任意函数，具有强大的非线性映射以及自学习能力。因此，目前RBF方法被广泛应用于故障诊断过程中，但其神经网络在训练过程中容易陷入局部最优解，导致RBF方法在故障诊断过程中的准确度不够高。RBF算法目前通常采用K-means算法生成历史样本的聚类中心作为径向基中心，但这种计算方法对初始值比较敏感，容易陷入局部最小解。

发明内容

本发明目的在于提供一种基于PCA-RBF神经网络的调相机故障诊断方法和系统，通过主成分分析方法(Principal Component Analysis，PCA)对样本数据进行降维简化，并应用径向基函数(Radial Basis Function)神经网络作为故障诊断的工具，采用训练样本对RBF神经网络进行训练并得到网络输出分类结果，与RBF神经网络算法相比，基于PCA-RBF神经网络的计算准确率高，具有强大的工程应用价值。

为达成上述目的，结合图1，本发明提出一种基于PCA-RBF神经网络的调相机故障诊断方法，所述诊断方法包括：

S1：选取若干次调相机的故障监测数据，处理后生成若干个样本数据，生成样本集，所述样本数据至少包括故障发生时调相机的运行数据和转轴振动变化特征数据；

S2：采用主成分分析方法对样本数据进行降维简化；

S3：基于径向基函数神经网络创建故障特征分析模块，将降维简化处理后的样本数据导入故障特征分析模块，对故障特征分析模块进行优化；

S4：实时获取调相机的运行数据，采用主成分分析方法对运行数据进行降维简化处理后，导入优化后的故障特征分析模块，判断调相机是否发生故障，如发生故障，计算得到故障发生的部位和故障原因。

进一步实施例中，步骤S1中，所述样本数据包括以下四种工作状态下的调相机的运行数据和转轴振动变化特征数据：正常运行、气隙偏心、转子绕组匝间短路和定子绕组匝间短路。

进一步实施例中，步骤S1中，选取若干次调相机的故障监测数据，处理后生成若干个样本数据的过程是指，