基于离散Hopfield网络的船舶发电机故障诊断研究
|
摘要
船舶发电机作为船舶电力系统的主要设备,对整个电力系统的安全有效工作起到了至关重要的作用。随着船舶发电机容量的不断增大,船舶营运对发电机的安全和可靠性提出了越来越高的要求。在船舶发电机故障中,定子单相接地故障、机端相间短路故障、失磁故障和定子某相绕组短路故障都是船舶发电机的常见故障。因此对船舶发电机的这些故障进行诊断具有重要的理论意义和工程实用价值。
在研究船舶发电机数学机理建模的基础上,在深入剖析Simulink的PowerSystem中发电机模型内部结构的基础上,根据同步发电机典型故障的发生机理,进行建模与仿真。采集相电流有效值作为特征参数,并经过快速傅立叶变换(FFT)等样本处理手段,得到神经网络的学习样本,作为神经网络输入。
本文利用离散Hopfield(DHNN)网络作为内容寻址存储(content-addressedmemory device—CAM)表现出来的联想记忆能力,将5种故障状态下的学习样本存储为DHNN的5种模式,再运用DHNN在存储的典型模式中寻找到唯一一个与给定测试样本最相似的模式。从而确定测试样本所代表的故障。软件仿真与测试结果显示,网络可以对几种船舶发电机典型故障进行有效地识别。
本文还对离散Hopfield网络的容错能力做了分析,通过对测试样本进行不同程度的噪声污染得到该网络能成功诊断的概率。这样一方面体现了离散Hopfield网络的优越的容错能力,另一方面也为以后对该网络进行进一步优化提供了相关数据。
As the main equipment of power system, shipboard power generator plays a crucial role of the security and stability for entire power system. Along with the increase of the capacity of shipboard power generator, people's demand for safe operation and reliability of generators is greater and greater. Among all the shipboard generator faults, single-phase stator ground fault, the terminal phase short-circuit fault, Magnetic loss fault and single-phase stator windings short-circuit fault are common faults of shipboard generator. So diagnosis for these faults of shipboard generator has important theoretical and practical value.
Based on the research of ship generators mathematical mechanism, the in-depth analysis of internal structure of generator model in Simulink and the reason of typical faults of synchronous generator, this paper has done the modeling and simulation. RMS current phase was collected as a sample. After several sample processing means such as Fast Fourier Transform (FFT), this paper got the study samples of neural network for input vectors.
By using the associative memory capacity of Discrete Hopfield Neural Network(DHNN) as a content - addressed memory(CAM)device, DHNN saved study samples of 5 faults as 5 typical styles and, found the corresponding one which was most similar to the given test samples in study samples saved before. So that the style of fault that test samples stand for were identified and, the purpose of fault diagnosis was also achieved. Test results show that the network can effectively identify several common faults of shipboard generator.
The paper also analyzed the fault-tolerant ability of discrete Hopfield network. Based on polluting sample testing by varied degrees, this paper got the probability of success diagnosis. In this way, this paper can show the superior fault-tolerant ability of Discrete Hopfield Neural Network in the one hand; in the other hand, it can also support the relevant data for further optimization in the future.
在研究船舶发电机数学机理建模的基础上,在深入剖析Simulink的PowerSystem中发电机模型内部结构的基础上,根据同步发电机典型故障的发生机理,进行建模与仿真。采集相电流有效值作为特征参数,并经过快速傅立叶变换(FFT)等样本处理手段,得到神经网络的学习样本,作为神经网络输入。
本文利用离散Hopfield(DHNN)网络作为内容寻址存储(content-addressedmemory device—CAM)表现出来的联想记忆能力,将5种故障状态下的学习样本存储为DHNN的5种模式,再运用DHNN在存储的典型模式中寻找到唯一一个与给定测试样本最相似的模式。从而确定测试样本所代表的故障。软件仿真与测试结果显示,网络可以对几种船舶发电机典型故障进行有效地识别。
本文还对离散Hopfield网络的容错能力做了分析,通过对测试样本进行不同程度的噪声污染得到该网络能成功诊断的概率。这样一方面体现了离散Hopfield网络的优越的容错能力,另一方面也为以后对该网络进行进一步优化提供了相关数据。
As the main equipment of power system, shipboard power generator plays a crucial role of the security and stability for entire power system. Along with the increase of the capacity of shipboard power generator, people's demand for safe operation and reliability of generators is greater and greater. Among all the shipboard generator faults, single-phase stator ground fault, the terminal phase short-circuit fault, Magnetic loss fault and single-phase stator windings short-circuit fault are common faults of shipboard generator. So diagnosis for these faults of shipboard generator has important theoretical and practical value.
Based on the research of ship generators mathematical mechanism, the in-depth analysis of internal structure of generator model in Simulink and the reason of typical faults of synchronous generator, this paper has done the modeling and simulation. RMS current phase was collected as a sample. After several sample processing means such as Fast Fourier Transform (FFT), this paper got the study samples of neural network for input vectors.
By using the associative memory capacity of Discrete Hopfield Neural Network(DHNN) as a content - addressed memory(CAM)device, DHNN saved study samples of 5 faults as 5 typical styles and, found the corresponding one which was most similar to the given test samples in study samples saved before. So that the style of fault that test samples stand for were identified and, the purpose of fault diagnosis was also achieved. Test results show that the network can effectively identify several common faults of shipboard generator.
The paper also analyzed the fault-tolerant ability of discrete Hopfield network. Based on polluting sample testing by varied degrees, this paper got the probability of success diagnosis. In this way, this paper can show the superior fault-tolerant ability of Discrete Hopfield Neural Network in the one hand; in the other hand, it can also support the relevant data for further optimization in the future.
引文
1王仲生.智能故障诊断与容错控制.西安;西北工业大学出版社,2005.
2邵宇.发电机定子单相接地故障暂态仿真及其保护的研究;[学位论文].北京;华北电力大学,2004.
3沈标正.发电机故障诊断技术.北京;机械工业出版社,1996.
4史进渊等.大型汽轮发电机故障特征规律的研究.中国发电机工程学报,2000.
5冯复生.大型发电机近年来事故原因及防范对策.电网技术,1999.
6王维俭.电气主设备继电保护原理及应用.北京;中国电力出版社,1999.
7唐华锦.汽轮发电机组神经网络故障诊断方法研究.热力发电,2002.3;36-40.
8戴家祯.电力系统短路故障数值仿真的新方法.华中电力,1999,12(1);38-41
9陈增田.发电机保护.北京;水利电力出版社,1984.
10史世文.大机组继电保护.北京;水利电力出版社,1987.
11何建军.小波变换及其在发电机故障信号检测和分析中的应用.重庆;重庆大学出版社,1999.
12刘恩东.神经网络在汽轮发电机组故障诊断中的应用研究.东北大学学报,2000.1.
13闻新,张洪钺,周露.控制系统的故障诊断和容错控制.北京;机械工业出版社,1998.
14施伟锋,杨建敏,汤天浩.船舶大功率发电机的神经网络建模.上海;上海海事大学学报,2004.9.
15马润年,席酉民,郭菊娥.离散Hopfield网络的渐近行为.控制与决策,2005,20(2);230-233
16薛定宇,陈阳泉.基于MATLAB/Simulink的系统仿真技术与应用.北京;清华大学出版社,2003.
17蔡克红,李升.MATLAB PSB在电力系统暂态稳定中的仿真应用.江西电力,2006,30(3);4-7
18施伟锋,陈子顺.船舶电力系统建模.中国航海,2004.3
19施伟锋.船舶柴油发电机转速人工神经网络控制.上海;上海海事大学学报,2006.3
20盛义发,唐耀庚,苏泽光,赵宇红.基于Matlab的电力系统故障的仿真分析.南华大学学报,2003.12
21祝福.大型船舶发电机短路故障分析与诊断方法探讨.发电机技术,2005.2;56-58.
22刘广忱,王政.基于Simulink同步发电机机端短路的仿真.内蒙古科技与经济,2006,19;66-67
23钟慧荣,周云海,钟军,胡翔勇.基于MATLAB/Simulink的水轮发电机失磁动态过程仿真.水电自动化与大坝监测,2004,28(4);18-21
24施伟锋,聂益文.船舶柴油发电机与异步发电机建模及其系统仿真.上海海事大学学报,2004.
25苏毅.凸极发电机定子绕组内部故障暂态分析;[学位论文].北京;华北电力大学,2004.
26屠黎明.发电机定子绕组内部故障分析方法及其应用的研究;[学位论文].南京;东南大学,1999.
27王忠义.用人工智能检测船舶发电机激磁电流的故障.船电技术,2005.1;54-56.
28杨增析,张再兴.智能控制理论与技术.北京;清华大学出版社,1997.
29肖仕武,屠黎明,苏毅,刘万顺.凸极同步发电机定子绕组内部故障暂态仿真及试验验证,电力系统自动化,2003,27(18);52-57
30戈宝军,于涌源,梁艳萍,李发海.不对称阻尼绕组凸极同步发电机瞬态及超瞬态参数的分析与计算.中国发电机工程学报,2005,25(3);78-83
31王晨,庄劲武.带整流负载同步发电机的MATLAB仿真与实验研究.发电机与控制应用,2005(32);10-11
32程靖.基于Matlab/Simulink的交流发电机建模与仿真.测控技术,2003,22(2); 48-50
33倪以信.动态电力系统的理论和分析.北京;清华大学出版社,2002.
34朱军.基于MATLAB的同步发电机动态过程仿真.船电技术,2002,1;26-28
35邢文训,谢金星.现代优化计算方法.北京;清华大学出版社,1999.
36胡守仁.神经网络应用技术.长沙;国防科技大学出版杜,1998.
37何玉彬,李新忠.神经网络控制技术及其应用.北京;科学出版社,2000.
38吕仲军,朱信群.基于神经网络分析的柴油机燃油喷射系统的故障诊断研究.车用发动机,1999.
39盛义发,洪镇南.MATLAB在电力系统仿真中的应用.计算机仿真,2004.
40涂世杰,赵杰,韩华亭.基于改进GA优化的神经网络故障诊断方法.弹箭与制导学报,2004.9.
41李志军,杨梅,刘艳萍,范晓东.MATLAB在同步发电机仿真中的初始化问题.大发电机技术,2003.
42马向玲,田宝国.Hopfield网络应用实例分析.计算机仿真,2003(8);64-65
43高芳,赵强,赵刚.基于离散型Hopfield神经网络的供应商评价模型.计算机集成制造系统,2004.
44王南兰,李晓峰,潘湘高.发电机故障诊断的BP及RBF建模比较.机电产品开发与创新,2006,19(3);71-72
45张丹红,程丹玲.模式识别在电力电子电路故障诊断中的应用.基础自动化,2000.7.
46马润年,杨友社.离散Hopfield网络的稳定性.空军工程大学学报,2000,1(4);39-41
47李峰,夏靖波.离散Hopfield神经网络的动态行为分析.空军工程大学学报,2004,5(3);75-77
48盛义发,唐耀庚,苏泽光,赵宇红.基于Matlab的电力系统故障的仿真分析.南华大学学报,2003,17(4);45-47
49李永刚等.国外发电机监测和诊断专家系统水平.电力情报,1996.
50J.P.Marques de Sa.模式识别—原理、方法及应用.北京;清华大学出版社,2002.
51李立兵,冯志彪.基于Matlab的同步发电机实时仿真平台.现代电子技术,2006,16
52Simon Haykin.神经网络原理.北京;机械工业出版社,2004.
53刑明海,王渝,陈祥光.基于DHNN的油田产量递减曲线模型的识别.北京理工大学学报,2005.
54刘永军,王彦芳,张国兵.基于DHNN人工神经网络的指纹识别技术.航空计算技术,2001.9.
55张轶,刘斌,张启平.同步发电机参数辨识的相关方法探讨.船电技术,2006(1);22-25
2邵宇.发电机定子单相接地故障暂态仿真及其保护的研究;[学位论文].北京;华北电力大学,2004.
3沈标正.发电机故障诊断技术.北京;机械工业出版社,1996.
4史进渊等.大型汽轮发电机故障特征规律的研究.中国发电机工程学报,2000.
5冯复生.大型发电机近年来事故原因及防范对策.电网技术,1999.
6王维俭.电气主设备继电保护原理及应用.北京;中国电力出版社,1999.
7唐华锦.汽轮发电机组神经网络故障诊断方法研究.热力发电,2002.3;36-40.
8戴家祯.电力系统短路故障数值仿真的新方法.华中电力,1999,12(1);38-41
9陈增田.发电机保护.北京;水利电力出版社,1984.
10史世文.大机组继电保护.北京;水利电力出版社,1987.
11何建军.小波变换及其在发电机故障信号检测和分析中的应用.重庆;重庆大学出版社,1999.
12刘恩东.神经网络在汽轮发电机组故障诊断中的应用研究.东北大学学报,2000.1.
13闻新,张洪钺,周露.控制系统的故障诊断和容错控制.北京;机械工业出版社,1998.
14施伟锋,杨建敏,汤天浩.船舶大功率发电机的神经网络建模.上海;上海海事大学学报,2004.9.
15马润年,席酉民,郭菊娥.离散Hopfield网络的渐近行为.控制与决策,2005,20(2);230-233
16薛定宇,陈阳泉.基于MATLAB/Simulink的系统仿真技术与应用.北京;清华大学出版社,2003.
17蔡克红,李升.MATLAB PSB在电力系统暂态稳定中的仿真应用.江西电力,2006,30(3);4-7
18施伟锋,陈子顺.船舶电力系统建模.中国航海,2004.3
19施伟锋.船舶柴油发电机转速人工神经网络控制.上海;上海海事大学学报,2006.3
20盛义发,唐耀庚,苏泽光,赵宇红.基于Matlab的电力系统故障的仿真分析.南华大学学报,2003.12
21祝福.大型船舶发电机短路故障分析与诊断方法探讨.发电机技术,2005.2;56-58.
22刘广忱,王政.基于Simulink同步发电机机端短路的仿真.内蒙古科技与经济,2006,19;66-67
23钟慧荣,周云海,钟军,胡翔勇.基于MATLAB/Simulink的水轮发电机失磁动态过程仿真.水电自动化与大坝监测,2004,28(4);18-21
24施伟锋,聂益文.船舶柴油发电机与异步发电机建模及其系统仿真.上海海事大学学报,2004.
25苏毅.凸极发电机定子绕组内部故障暂态分析;[学位论文].北京;华北电力大学,2004.
26屠黎明.发电机定子绕组内部故障分析方法及其应用的研究;[学位论文].南京;东南大学,1999.
27王忠义.用人工智能检测船舶发电机激磁电流的故障.船电技术,2005.1;54-56.
28杨增析,张再兴.智能控制理论与技术.北京;清华大学出版社,1997.
29肖仕武,屠黎明,苏毅,刘万顺.凸极同步发电机定子绕组内部故障暂态仿真及试验验证,电力系统自动化,2003,27(18);52-57
30戈宝军,于涌源,梁艳萍,李发海.不对称阻尼绕组凸极同步发电机瞬态及超瞬态参数的分析与计算.中国发电机工程学报,2005,25(3);78-83
31王晨,庄劲武.带整流负载同步发电机的MATLAB仿真与实验研究.发电机与控制应用,2005(32);10-11
32程靖.基于Matlab/Simulink的交流发电机建模与仿真.测控技术,2003,22(2); 48-50
33倪以信.动态电力系统的理论和分析.北京;清华大学出版社,2002.
34朱军.基于MATLAB的同步发电机动态过程仿真.船电技术,2002,1;26-28
35邢文训,谢金星.现代优化计算方法.北京;清华大学出版社,1999.
36胡守仁.神经网络应用技术.长沙;国防科技大学出版杜,1998.
37何玉彬,李新忠.神经网络控制技术及其应用.北京;科学出版社,2000.
38吕仲军,朱信群.基于神经网络分析的柴油机燃油喷射系统的故障诊断研究.车用发动机,1999.
39盛义发,洪镇南.MATLAB在电力系统仿真中的应用.计算机仿真,2004.
40涂世杰,赵杰,韩华亭.基于改进GA优化的神经网络故障诊断方法.弹箭与制导学报,2004.9.
41李志军,杨梅,刘艳萍,范晓东.MATLAB在同步发电机仿真中的初始化问题.大发电机技术,2003.
42马向玲,田宝国.Hopfield网络应用实例分析.计算机仿真,2003(8);64-65
43高芳,赵强,赵刚.基于离散型Hopfield神经网络的供应商评价模型.计算机集成制造系统,2004.
44王南兰,李晓峰,潘湘高.发电机故障诊断的BP及RBF建模比较.机电产品开发与创新,2006,19(3);71-72
45张丹红,程丹玲.模式识别在电力电子电路故障诊断中的应用.基础自动化,2000.7.
46马润年,杨友社.离散Hopfield网络的稳定性.空军工程大学学报,2000,1(4);39-41
47李峰,夏靖波.离散Hopfield神经网络的动态行为分析.空军工程大学学报,2004,5(3);75-77
48盛义发,唐耀庚,苏泽光,赵宇红.基于Matlab的电力系统故障的仿真分析.南华大学学报,2003,17(4);45-47
49李永刚等.国外发电机监测和诊断专家系统水平.电力情报,1996.
50J.P.Marques de Sa.模式识别—原理、方法及应用.北京;清华大学出版社,2002.
51李立兵,冯志彪.基于Matlab的同步发电机实时仿真平台.现代电子技术,2006,16
52Simon Haykin.神经网络原理.北京;机械工业出版社,2004.
53刑明海,王渝,陈祥光.基于DHNN的油田产量递减曲线模型的识别.北京理工大学学报,2005.
54刘永军,王彦芳,张国兵.基于DHNN人工神经网络的指纹识别技术.航空计算技术,2001.9.
55张轶,刘斌,张启平.同步发电机参数辨识的相关方法探讨.船电技术,2006(1);22-25