基于深度置信网络的船舶电气系统绝缘故障诊断监测方法

2023-11-16王爱华

电子元器件与信息技术 2023年8期

王爱华

上海振华重工（集团）股份有限公司，上海，200135

0 引言

船舶电站的工作环境比陆用电站更加恶劣，因为它们不仅要面对盐雾、油污、湿度和温度等多种环境因素，还要应对船体倾斜摇摆等不利条件[1]。这些极端的环境条件对船舶供电系统的绝缘性能提出了极高的要求，所以必须采取有效的措施来保证电力系统的安全可靠运行。如果长期存在绝缘故障，将会造成船舶电气系统出现短路，引起设备损毁，甚至会导致船舶电力系统瘫痪，使得整条船的电力供应得不到保障，危及乘员的生命安全和船舶的航行安全[2]。在错综复杂的各种供电系统中，当出现绝缘故障时，智慧、快速定位到故障点的控制系统的研究和应用将对船舶应用领域产生重大影响，并具有前瞻性意义。此外，这一信息系统还可以为用户提供更加有效的设备维护、维修和保养服务，从而节省维护、维修和保养成本，并且将成为船舶安全配置的一个重要组成部分[3]。在研究船舶电力系统绝缘故障智能诊断系统之前，首先要了解超大型船舶电站的组成及其相关规范，以便更好地理解绝缘系统的具体要求，并能够有效地监测、采集、判断、定位和排除故障[4]。

1 电力设备数据特点

根据统计结构形式的不同，电力设备检测数据可以分为结构化统计数据和非结构化统计数据，其中非结构化统计占据了主导[5]。电力设备数据分析的主要来源具有大量、多样且高速的特点；电力设备监测数据与监测设备之间存在着密切的联系，其中的状态量是设备运行的关键指标；记录故障过程的数据量较少，而且质量也不够理想，存在大量的错误信息，这些数据无法满足后续故障处理的需求；数据被广泛地分布在多个不同的系统中。随着电力设备数据信息的不断变化，传统的故障诊断方法已经无法满足需求，这给诊断科技提出了新的巨大挑战。为此，深度学习应运而生，它具备多层次网络结构，能够从大规模故障数据中提取出更高层次的抽象特征，而且不要求人工介入，为诊断提供了一种全新的方法。深度学习在故障诊断和预测中的应用已经取得了巨大的进步，它能够有效获取复杂性条件下的事故特性，并且能够更好地适应能源产品信息的新特性。

2 深度学习

深度学习是当前新一代人工智能研究的一个重要方向，它的技术发展方向是模仿或完成类人思维，其特性可概括为：信息取样、深层网络结构、自动获取深度抽象特性及多层网络参数逐层预训练。这种方法的发展得益于大数据处理技术和计算机科学在并联、异构计算科学技术领域方面的不断改进。深度学习网络是一项广泛应用的技术，其中包括卷积神经网络（CNN）、递归神经网络（RNN）、深度置信网络（DBN）以及自编码网络等。这些网络可以帮助我们更好地理解和预测复杂的数据，从而提高计算效率和准确性。

随着科学技术的发展，深度学习在诊断中的运用已经成为供电装置长期运行中不可或缺的一环，其主要包含外力损坏、电气设备长期运行导致绝缘衰老以及电气设备自身出现设计问题。近年来，国家电网中增加了大批的信号设施，而且已建立的设备运行管理网络平台也能够收集到大批的电气设备运行数据，从而更好地帮助管理者诊断故障。随着信息化时代的到来，原有的诊断手段已经难以满足当今的需要，诊断效率低下。因此，深度学习技术的出现，使得从海量数据中获取深层次抽象特征的能力获得了极大的提升，并且在诊断应用领域获得了普遍的应用。

3 基于深度学习的故障诊断

深度学习故障诊断方法与传统方法在管理数据量和状态量方面存在显著差异，这体现在以下几点。

其一，前者更加灵活，可以更有效地管理更多的信息和状态。其二，特征提取技术的进步使得判断早期事故和细微事故的能力大幅提升，而且大大减少了关于先验认识的依赖性。其三，通过分析，能够更准确地判断出各种故障类型，并且能够更有效地从常规数据信息中挖掘出与设备状态有关的内容。深度学习在故障预知中的应用可以有效地提高诊断结果的准确性，这是因为它可以利用监测设备数据分析来及时发现早期故障，从而有效地制定科学合理的检测规划，尽量减少损失。电力设备的监测数据中，电压、电流和输出功率等信息是常见的，但也可能隐藏着电气设备的故障信息。因此，利用这些数据信息开展故障预测有着重要的意义。利用dropout层和批归一化技术，能够有效地处理线路故障预报中的过拟合问题，并且能够实现离线训练模式，从而实时执行，有着重要的实践应用价值。为了获得更加可靠的诊断结果，在设备故障预测研究中，应当充分利用多源信息，如自然环境条件负荷数据分析、天气数据分析、定时监测资讯及地理信息数据分析等。深度学习技术在应用中面临着许多挑战，其中一个挑战是如何提取电力设备数据中具有应用价值的特征。

4 深度置信网络

深度置信网络系统是一套基于多重受限玻尔兹曼机和分类器的概率形成模式，它可以有效地抽取出复杂的信息，并且能够准确地预测未来的发展趋势。图1展示了一套复杂的网络结构，由两层RBM形成，每层包含可视层v和隐含层h。可视层v0将输入数据投射到隐藏层h0，形成第一个RBM；而h0则成为下一次RBM的入口，这样一来，信息就会不断地传输，最后在多层抽取出具备表征能力的信息。

图1 深度置信网络结构

DBN是一类深层神经网络，它具有多种用途，既能够用作非监督教学中，也能够用作督导学习中。在非监督教学中，DBN只能当作一台自编码器来处理数据，而在督导教学中，DBN只能当作一台分类器来处理。深度置信网络系统的培训应该分成两个阶段：第一阶段是无督导的预培训，采用贪婪算法从低到高分别培训受限玻尔兹曼机，将每一次RBM的输入输出当作下一次RBM的注入，不断更新网络技术参数以获得最佳教学特性；第二阶段是有督导的正反向微调，将培训偏差正相反传输给每一次RBM，进而实现对网络技术参数的微调，以提高建模的准确性和可靠性。经过反复迭代，深度置信网络模式的参数能够得到进一步优化。这一步骤的核心内容是运用贪婪学习算法从故障诊断信息中抽取出有用的特性，并使用BP神经网络进行反向调整，以达到最佳的故障诊断和预测效果。

4.1 受限玻尔兹曼机的结构与原理

受限玻尔兹曼机是一个具有重要意义的能量模式，它可以用于深度置信网络模型的构建和训练，其结构如图2所示，由可视层v和隐藏层h组成，它们共同构成了一个完整的网络系统。在可视层和隐藏层之间，单元之间没有直接的联系，而是通过双向的方式交互。

图2 受限玻尔兹曼机结构

4.2 受限玻尔兹曼机的训练算法

在RBM训练中，可见单元被视作数据分布的样品，经过不断更新θ={w，a，b}，使边际分布Pθ(v，h)尽量接近真实观测数据散布Pς(v)，从而尽量进一步提高建模的准确率和真实性。利用吉布斯抽样过程，能够有效逼近对数似然梯度上升，从而形成RBM的学习规则：δwi，j=η（{vihj}data-{vihj}model）；其中，{·}data代表训练数据的期望值，{·}model代表模型分布下的数据结果期望值，η代表学习率，且∈（0，1）。通常情况下，由于{·}model难以通过计算得到，因此采用抽样逼近的方法来获取近似值。想要实现均衡，利用吉布斯采样近似值必须建立充足的数据。然而，对比散度算法能够有效解答这些难题，并且在实际应用中表现出色。该文提出了一种新的方法，即使用K步对比散度方法来近似{·}model，以提高网络参量的准确性和可靠性。

4.3 船舶电气系统故障诊断步骤

由于深度置信网络系统的刹车器诊断可能分为多个过程，其中第一步是使用柔性薄膜感应器阵列获得各种工作情况下的刹车电压，并通过相关数据分析和归一化处理，以确定故障原因，最终确定诊断的准确性。经过多次测试，我们能够确定深度置信网络系统的技术参数，包括DBN网络层数、进入节点数、输出节点数及其隐藏层节点数、学习率和迭代频次。为了更好地模拟实际情况，我们使用训练数据作为入口，对各个RBM实施无监管的培训，直至第N个RBM培训完毕。通过BP算法，我们能够有效地培训DBN网络系统，并实现反向微调。训练完成后，即可提供测试样本数据分析，以便对吊车制动器实施故障识别和分级。

5 诊断结果分析

通过对一个超大型船舶电站的仿真验证，本文详细分析了DBN网络在故障诊断中的优势，该电站由6.6kV、450V、230V、应急系统以及多套450V子系统组成，从而可以更好地实现故障诊断。通过多种试验，研究比较了GA-BP和SVM的培训集和检测集，结果表明，DBN诊断的准确性达到了92.14%，远超GA-BP神经网络和SVM；而且其准确度差别也显著小于前两者，这表明DBN在吊车制动器故障诊断中具有较高的安全性。通过这项试验，我们发现使用深度置信网络来诊断吊车制动器故障是非常有效的。