基于自组织映射神经网络对低压断路器的故障诊断

张梦成， 迟长春

(上海电机学院 电气学院, 上海 201306)

在低压配电系统中，低压成套电器设备的主要功用是对电能进行控制、保护、测量、转换和分配。其具有应用广、重要性高和使用量大等特点，因此，应及时有效地维护低压开关设备。通过有效维护工作，以规避故障对设备和配电系统造成的严重后果。传统的检修方式存在的缺陷有工作量大、成本高、检修不到位等，因此，出现了一种分析是否有必要进行维护的状态检修法，依靠电器实际运行状态下得到的特性参数，判断是否需要进行检修。状态检修除了能够减小工作量及降低维护费用之外，还提高了对故障的针对性，增强了设备运行的可靠性、经济性，但这一方法也对设备监测技术带来了新的挑战[1]。低压成套开关电器的故障检测主要分为两个阶段：提取特征信号和状态诊断。在提取特征信号方面，依靠机械振动信号提取故障特征或通过合分闸线圈电流参数提取故障特征是目前常用的方法[2]。

本文采用机械特性参量(如刚分速度、开距、触头行程等)和线圈电流电压参数相结合的方式作为特征样本对低压成套电器中发生故障概率较高的低压断路器进行机械故障诊断。考量到某些故障类型(例如缓冲器失效)仅对低压断路器分闸过程有一定影响，为了检测效果更好，对分闸过程故障诊断进行讨论[3]。

合理选用智能算法对故障诊断效果的优劣有重要影响。文献[4]采用径向基函数(Radial Basis Function, RBF)神经网络的低压断路器机械故障诊断，较之传统反向传播(Back Propagation, BP)神经网络有更快的收敛速度和更高的准确度。文献[5]采用标准粒子群算法寻找最佳的特征子集和最小二乘支持向量机模型参数，用改进后的分类器对故障样本进行训练和测试，取得了良好的效果，但该算法在程序上复杂度较高，且粒子群优化算法较不稳定。作为一种基于小样本训练的识别算法，自组织映射(Self Organizing Map, SOM)神经网络训练的过程中，通过调节获胜神经元和网络中邻近范围内的其他神经元权值和阈值，使SOM网络的良好学习和泛化能力得以保证。基于低压成套电器中的断路器不宜多次在故障状态下工作，其训练样本数量较少，SOM网络对于断路器的故障诊断有一定的优势。

1 低压成套开关设备的分析

在低压成套开关设备中，断路器是具有保护和控制装置的开关设备，当遇到欠电压、过载及短路等故障时，可自动切断电路，维持电路安全稳定;继电器是一种当输入量(电、磁、声、光、热)达到一定值时，输出量将发生跳跃式变化的开关设备，起着调节、保护、转换电路等作用，但无短路保护与瞬时过载功能;交流接触器用于连接、承载和切断主电路，区别于低压断路器的保护，在开关设备正常运行的情况下，接触器同样可以完成电路通断任务[6]。在低压成套开关电器中，相对于断路器，继电器与交流接触器在结构上相对简单，且分断电流远远小于短路电流，故障概率较低[7]。因此，以低压断路器为研究对象，对其常见的故障类型进行故障预测。

断路器主要组成机构为：触头系统、灭弧系统、操作机构等。通过对其故障的研究，发现断路器故障存在一定规律。对某些参数分析得到断路器性能状态，进而预测其未来的发展趋势[8]。断路器的机械特性参量(触头行程、分合闸时间、分合闸速度、分合闸不同期性等)直接影响到断路器的分合和开断性能。同时，机械特性参数可以更好地表示断路器操作期间发生的机械异常状况。考虑到对断路器工作的影响，所选的特征样本常见故障特性参量如下：

(1) 触头行程。反映操动机构、拉杆联动部件的性能及其触头状态，故障原因主要为：螺栓松动，触头接触不良。

(2) 刚分速度。反映触头弹簧与分闸弹簧的储能及操动机构性能，故障原因为：螺栓松动，弹簧损坏，机构卡涩。

(3) 触头开距。反映转轴和拉杆运行状态是否异常，故障原因为螺栓松动。

(4) 过冲。反映触头弹簧的状态和触头受到压力变化，故障原因为缓冲器失效。

(5) 三相不同期性。反映三相触头联动状况，故障原因为螺栓松动。

(6) 分闸反弹幅值。反映缓冲器状态是否异常，故障原因为缓冲器失效，螺栓松动。

(7) 断路器温升过高。反映触头压力大小及触头表面磨损情况，故障原因为触头压力过低，触头接触不良，触头磨损。

(8) 欠电压脱扣器噪声。反映触头弹簧性能，故障原因为短路环断裂。

2 SOM算法基本原理

2.1 SOM神经网络概述

SOM算法[9]是基于竞争学习的单层神经网络模型。它可以实现数据矢量量化时数据的非线性降维映射，使该算法成为一种常用的聚类和可视化工具[10-12]。在该算法中，表征为数据的神经元固定于一个低维网格上，采用邻域学习方式实现神经元在该网格上的拓扑有序[13]。

SOM网络采取无监督聚类法的学习算法，主要分为3个学习过程，依次为

(1) 竞争。对于每个输入向量，代入各自神经元判别函数，取最大判别函数值作为获胜神经元。

(2) 合作。神经元邻域的空间位置由获胜神经元确定，从而为相邻神经元的合作建立基础。

(3) 适应。受激神经元通过改变突触权重，使该输入向量的判别函数值增加，使得该神经元对以后类似的输入响应逐渐增强[14]。

2.2 SOM神经网络结构

SOM二维网格模型如图1所示，输入层神经元通过权值与竞争层神经元之间联结，相邻竞争层节点间同样有局部互联。在该网络中，权值一般具有两种类型，神经元间的互联权值与神经元对外部输入的连接权值，其数值决定神经元间相互作用的强度[15]。

图1 二维SOM网格模型

2.3 SOM网络算法

(1) 初始化网络。初始化的变量包括：① 规定输入神经元的个数，一般设m个；② 定义并给予输入层与输出层神经元以较大权值[16]。

(2) 确定神经网络的输入向量。将实验样本构成的矩阵

P=[x1x2…xm]T

输入至SOM网络，同时对数据进行归一化处理。

(3) 找寻获胜神经元。通过计算并找到输入向量与连接权值的欧式距离数值最小的神经元，使之成为获胜神经元。其中，映射层中第i个输入向量与第j个神经元的欧式距离，即

(1)

式中：dj为神经元的欧式距离，xi(t)为wi,j(t)为输入层的i神经元和映射层的j神经元之间的权值。在计算上述距离的过程中，找到距离最小的神经元，记为获胜神经元j*。

图2 优胜邻域过程模型图

更新获胜神经元权值为

wi,j(t+1)=wi,j(t)+α(t)·

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

(2)

式中，α(t)为t时的学习率。

对自组织竞争网络中获胜神经元临近神经元权值实现更新如下:

wi,j(t+1)=wi,j(t)+

α(t)η(v,k,t)[xi(t)-wi,j(t)]

(3)

对式(3)中的步骤循环，直至η(v，k,t)为0为止[17-18]。总体流程如图3所示。

图3 自组织映射神经网络总体流程图

3 实验建立和结果分析

采集系统原理如图4所示，通过安装在待测断路器上的传感器测量该处的形变量，采集系统中所采用的传感器包括：角位移传感器、合闸弹簧压力传感器、线圈电流传感器、线圈电压传感器、绝缘拉杆压力传感器和振动加速度传感器。经数据采集和处理系统对断路器的状态进行信号提取，检测对象为选取的8个故障特性。对各个故障状态分别进行数据采集，形成标准故障样本库。

3.1 建立标准故障样本库

利用前文所述的测试方案并按图4所示的样本数据采集原理图，采集断路器正常状态以及故障状态的机械特性。经200次实验，得到各状态下8种机械特性的标准样本,每种故障标准样本中有8个特征。本文所提取的故障数据样本和确定的故障特征分别如表1和表2所示。

图4 样本数据采集原理图

表1 故障数据样本

表2 故障类型

在本实验中，使用Matlab中的M语言来编写SOM神经网络并用数据在网络中学习训练。取特征指标的个数为8，对应于8种不同的故障类型，网络的结构是可以调整的而且样本量不大，所以将竞争层神经元设置为8×8=64个。归一化后的样本集如表3所示，T为检测样本，通过增加训练步数提升精度，用于与BP和支持向量机(Support Vector Machine, SVM)算法进行比较。

表3 经归一化处理后的样本集

3.2 实验结果和分析

各神经元在经过SOM网络训练后,得出的竞争获胜神经元分类情况如图5所示，六边形灰色小方块代表神经元，小方块之间的直线代表神经元之间的直接连接，将标准故障样本中的状态类型以及相应类型的8种机械特性作为SOM网络的输入向量。

图5 竞争获胜神经元

表4为不同训练步数获得的聚类结果，且训练步数取：10、30、50、100、200、500、1 000，聚类结果由获胜神经元编号得以区分。由表4可知，故障聚类精度随训练步数增加进一步提高。当训练步数为500时，断路器8种故障被完全区分开。当训练步数提高到1 000，同样是每种故障划分为一个类别，没有实际意义，所以500已为最佳训练步数。结合表2、表4中训练500次时正常、缓冲器失效、螺栓松动等故障状态对应神经元编号，可知8种故障样本竞争获胜神经元分别为36、25、21、4、18、1、32、6；结合图5和图6可知，8种类型标准样本的状态在二维阵列中由神经元的(x，y)坐标得以清晰地聚类区分。

表4 使用SOM网络的分类结果

相邻神经元的距离远近程度情况通过颜色深浅不同的四边形表示。由图5可知，浅色所占的比例大且集中，说明神经元间的聚合程度较好，在低压断路器故障检测中,可利用此方法较精确地明确故障原因。图6所示为SOM网络训练临近神经元之间的距离情况，图7为权值wi,j(t)矢量分布图。

图6 SOM网络临近神经元间的距离

图7 SOM权值矢量分布

为对故障诊断的正确率进行验证，将64个测试样本输入BP神经网络进行训练，并通过表3的测试样本检测故障诊断识别率，结果见表5所示。

表5 SOM网络诊断结果及对比

由表5可知，通过SOM神经网络与BP算法以及SVM算法诊断结果来看，SOM算法精确度更高、稳定性更好,在小样本数据的诊断中更具优越性。

SOM神经网络相对于其他网络，对被控对象的数学模型依赖程度较低，可通过图形可视化很容易对故障模式进行分类。

利用SOM神经网络算法建立了一种低压断路器机械故障诊断模型。针对电器故障征兆参数的不同机械特性，利用自组织特征映射神经网络的模式识别功能可以诊断出故障。由此设计一个低压成套开关系统故障诊断专家系统，对于低压配电网中的开关设备的安全经济运行将起到重要作用，为低压成套电器故障诊断的进一步研究提供了新思路和新方法。

4 结 语

本文在分析SOM神经网络原理基础上,围绕着低压成套电器中低压断路器的故障检测问题，利用SOM网络,初步设计实现了低压断路器故障检测模型,并进行Matlab仿真实验。结果表明：该算法可以初步解决断路器故障诊断问题,在实际生产实践中有着重要的现实意义。虽然本文对SOM算法作出了一些实效性的应用,但对于SOM算法本身,仍有一些不足,比如关于学习速度、最终权值向量的稳定性,SOM算法不能兼顾两者，这将是要在下一步需要努力攻克的问题。在本实验中,实验环境等其他一些忽略的故障因素等问题,也是今后要考虑解决的。