[发明专利]基于时域特征参数融合的电弧故障诊断方法

摘要

本发明公开了一种基于时域特征参数融合的电弧故障诊断方法，该方法包括：步骤一、设计用于电弧故障诊断的BP神经网络(1)神经网络输入与输出模式确定；(2)神经网络训练集和测试集样本的获取；(3)BP神经网络层数确定；(4)网络隐含层神经元个数确定；(5)BP神经网络训练参数选取；步骤二、遗传算法优化BP神经网络流程如图7所示，其中，遗传算法优化过程主要包括以下步骤：(1)个体编码和种群初始化；(2)适应度计算；(3)产生新群体。本发明的有益效果是：相对于随机权值和阈值训练的BP神经网络，遗传算法优化的BP神经网络性能更优，电弧故障识别准确率相对较高。

主权项

1.一种基于时域特征参数融合的电弧故障诊断方法，其特征在于，该方法包括：步骤一、设计用于电弧故障诊断的BP神经网络(1)神经网络输入与输出模式确定：以电流信号平肩部百分比、电流上升率极大值和电流平均值三个时域特征参数对应的相似度作为神经网络输入向量，考虑到电弧电流变化随机性较强，每个时域特征参数对应的相似度取电流信号三个周期内的平均值，神经网络输出模式包括两种状态：正常状态(0)和电弧故障状态(1)；电弧故障试验过程中同时采集电流信号和电极两端电压信号，根据电极两端电压信号波形变化能够准确定位电弧发生时刻，将采样电流信号分为正常工作电流和电弧电流两种类型，从而根据网络输入向量对应的电流信号确定神经网络输出模式；(2)神经网络训练集和测试集样本的获取：每种负载条件下采集10组电流信号，包含负载正常工作、产生故障电弧和电弧不稳定燃烧的全过程；采用matlab软件提取每组电流信号时域特征参数，计算三个周期电流信号内时域特征参数对应的相似度平均值，并将其作为神经网络的一个样本；最终，每种负载条件下产生120个训练集样本、40个测试集样本；(3)BP神经网络层数确定：BP神经网络结构复杂度与网络层数成正比，网络层数越多，训练过程中产生的计算量越大，网络学习速度和网络性能受到相应影响；一般来说，具有单隐含层的三层BP神经网络即能够完成任意的N维到M维的映射，因此，本文所建立的BP神经网络为典型三层结构；(4)网络隐含层神经元个数确定：BP神经网络隐含层神经元个数对网络学习训练过程至关重要，由于BP神经网络中各层神经元都是独立工作的，若隐含层神经元个数过少，将导致网络不能充分获取输入样本所具有的信息，致使网络学习能力不足，最终引起网络输出误差较大或训练次数增加；当隐含层神经元个数过多时，网络训练时间变长，可能出现“过度学习”的结果，此时，若网络输入为测试集样本，则网络输出误差相对较大、网络性能较差；一般来说，BP神经网络隐含层神经元个数可由以下公式确定n1＝2n2+1 (20)式中：n1为隐含层神经元个数，n2为输入层神经元个数；本文中神经网络输入为三维向量，其输入层神经元个数为3，则隐含层神经元个数取7；(4)BP神经网络训练参数选取：选取神经网络训练函数为trainlm，采用Levenberg-Marquardt算法进行训练，训练过程中设置网络最大训练次数为1000，学习速率为0.1，目标误差为0.01；采用S型正切函数tansig作为网络隐含层传递函数，由于网络输出为0-1模式，采用S型对数函数logsig作为输出层神经元传递函数；步骤二、遗传算法优化BP神经网络流程如图7所示，其中，遗传算法优化过程主要包括以下步骤：(1)个体编码和种群初始化：采用二进制编码方式对个体进行编码，每个二进制串由输入层至隐含层间的权值、隐含层阈值、隐含层至输出层间的权值和输出层阈值等四个部分构成；初代种群对应的神经网络权值和阈值为[-0.5,0.5]区间的随机数，进而通过遗传算法逐代选取最优的权值和阈值；(2)适应度计算：通过训练集样本对应的网络输出与期望输出间的均方误差评价遗传算法对BP神经网络的优化效果，并采用排序法计算个体的适应度值，个体的均方误差越小，适应度值越大，该个体越优；(3)产生新群体：遗传操作中选择算子为随机遍历抽样，交叉算子选择单点交叉算子，以一定概率确定变异基因个数，通过随机选取的策略定位发生变异的基因位置，将个体二进制串的对应基因位取反，完成变异操作。