[发明专利]基于改进SOM网络的铁塔远程监测和故障诊断系统

权利要求书

1.一种基于改进SOM网络的铁塔远程监测和故障诊断系统，其特征在于，所述系统包括多个铁塔系统、多个远程运输站和控制室，所述铁塔系统通过近距离无线传输设备连接附近的远程运输站，多个远程运输站采用远距离无线传输设备与控制室相连；

所述铁塔系统包括多个传感器、太阳能电池板、蓄电池和末端采集装置，传感器包括应力传感器和位移传感器，负责采集铁塔各个节点应力或位移信号，并将信号通过有线传输的方式送到末端采集装置，太阳能电池板与蓄电池负责供给装置用电。

2.如权利要求1所述的基于改进SOM网络的铁塔远程监测和故障诊断系统，其特征在于，铁塔内采集到的信号运输到附近的远程运输站转化为5G信号后传输到控制室内进行处理。

3.如权利要求1或2所述的基于改进SOM网络的铁塔远程监测和故障诊断系统，其特征在于，所述铁塔系统每隔5分钟采集一次信号，若采集得到的信号经识别为异常信号，则系统将会处于激活状态，处于激活状态的系统将会每隔一秒采集一次信号；若信号恢复正常，则设备采集时间也会恢复至5分钟，反之，设备将会报警。

4.如权利要求1或2所述的基于改进SOM网络的铁塔远程监测和故障诊断系统，其特征在于，所述的远程运输站包括电源模块、数据采集模块、数据存储模块和近距离无线传输模块，近距离无线传输模块将电信号处理成5G信号以便传输，电源模块负责整个运输站的供电，数据采集和存储模块分别对系统信号进行采集和存储。

5.如权利要求1或2所述的基于改进SOM网络的铁塔远程监测和故障诊断系统，其特征在于，所述的控制室包括数据库、监测中心和专家中心，所述监测中心将各个远程运输站的系统接收、降噪、滤波一系列处理，送入专家中心；专家中心结合大量的数据进行推理，判断铁塔运行状态，实现对各个输电铁塔的实时监控。

6.如权利要求5所述的基于改进SOM网络的铁塔远程监测和故障诊断系统，其特征在于，所述专家中心采用改进型SOM自组织特征映射网络，采用一种变学习率计算，且网络的初始权值通过K-Means聚类算法确定。

7.如权利要求6所述的基于改进SOM网络的铁塔远程监测和故障诊断系统，其特征在于，所述专家中心的处理过程为：

(1)信号处理

分别模拟电力铁塔在大风、覆冰和断线工况下可能会发生故障的几种失效模式，采集发生失效时的故障信号；其中故障信号包括关键部位上螺栓的应力、关键杆件的应变量、铁塔的倾斜角度，针对测量铁塔倾斜角度而输出的电压信号，则需要利用小波包分解进行时频分析来提取特征值，小波包分析可以把信号分解为一系列的具有局部特性的小波函数，在低频和高频范围内均有很好的分辨力，具有可调窗口的时、频局部分折能力，过程如下：

a)首先对采集来的信号进行n层小波包分解，分别提取第n层从低频到高频2ⁿ个节点处的小波包系数，2ⁿ个节点分别为(i，j)表示第i层的第j个节点，其中i＝n，j＝0,1,2,3…,2ⁿ-1；

b)对小波包分解系数重构，提取各频带范围的信号特征

设各节点小波包系数H_i，j对应的重构信号为S_i，j，对第n层的所有节点进行分析，总信号S用下式表示：

c)求各频带信号的总能量

假设S_n，j(j＝0,1,2,3…,2n-1)对应的能量E_n，j(j＝0,1,2,3…,2n-1)，则能量S_n，j由下式表示：

其中：h_j,k(j＝0,1,2,3…,2n-1；k＝1,2,…,n)表示重构信号S_n，j的离散点的幅值；

d)构造特征向量

定义电压信号的全部能量为某频段的相对小波包能量为则相对小波包能量特征向量为

(2)改进型自组织特征映射神经网络的创建、训练以及测试，步骤如下：

2.1)数据预处理

将故障特征分量和关键部位上螺栓的应力、关键杆件的应变量作为输入，输出为电力铁塔安全运行判定，并对输入的训练样本进行归一化处理，归一化方程为：

k＝(x-x_min)/(x_max-x_min)

其中k为归一化后的值，x为被归一化的数据，x_min、x_max分别为被归一化数据中的最小值和最大值；

2.2)神经网络参数设置

设置神经网络参数，包括最大迭代次数epochs，拓扑结构，距离计算函数dist，邻域缩小步数step，初始邻域IN；

2.3)训练神经网络

对指定的神经网络输入训练集，计算中心距离从而初始化第一层的权值，计算权值W与输入向量X的点积并计算欧氏距离，距离最小的节点对应的值最大，通过竞争神经元找到获胜节点，并通过计算好的邻域以及学习率更新权值，之后重复训练过程，直到精度达到指定要求，或者达到最大训练次数，停止训练；

2.4)训练完成

SOM神经网络完成训练，将测试集输入进行性能测试，如果满足精度要求，可将其用于实际工程检验。