現(xiàn)代大型設(shè)備隨著功能的逐步完善，自動化程度加深，其內(nèi)部結(jié)構(gòu)也越來越復雜。在運行過程中，某一個地方出現(xiàn)故障，就會發(fā)生其他連鎖反應(yīng)，進而導致設(shè)備停運，甚至會釀成嚴重的后果。設(shè)備中斷路器起到線路的開通使用、關(guān)斷退出、檢測排除故障線路等主要的監(jiān)控和保護作用，負責系統(tǒng)的穩(wěn)定運行。因此，斷路器的故障診斷也顯得極其重要。專家系統(tǒng)將其所具備的知識、經(jīng)驗、推理等多項技能按照一定的規(guī)則進行編制，組合成復雜的計算機程序。在充分利用計算機系統(tǒng)的情況下，擴展自身的工作范圍，使計算機系統(tǒng)具備自主思考能力，可以順暢地與工作人員進行“交流”，可以應(yīng)用推理方式提供決策建議。以往運用語言描述、思維推理的難題，RBF神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)故障診斷能夠很好地解決這個問題，兩者在功能上互補，可以更快速地進行故障診斷。

1 故障診斷專家系統(tǒng)簡介

    故障診斷專家系統(tǒng)^[1]的運行步驟為：先對需要被診斷的信息進行收集，然后綜合交叉使用每一種專家經(jīng)驗，如需要，亦可調(diào)用其他應(yīng)用程序；向用戶索要必需的信息后即能迅速地發(fā)現(xiàn)故障所在處，然后經(jīng)過用戶進行證實。系統(tǒng)結(jié)構(gòu)圖如圖1所示。

    其中部分功能為：

    (1)數(shù)據(jù)庫:數(shù)據(jù)庫通常由動態(tài)數(shù)據(jù)庫和靜態(tài)數(shù)據(jù)庫兩部分構(gòu)成。靜態(tài)數(shù)據(jù)庫是設(shè)備的自有參數(shù)，而動態(tài)數(shù)據(jù)庫則是運行過程中所產(chǎn)生的一系列參數(shù)，如電壓、功率等。

    (2)知識庫:知識庫^[2]包含各種信息，反映系統(tǒng)的因果關(guān)系，可以進行故障推理。能否解決問題的關(guān)鍵取決于其知識量的內(nèi)容。

    (3)人機接口:人機接口為人與專家系統(tǒng)進行“交流”提供了一個平臺，是連接人機的紐帶。

    (4)推理機:推理機利用知識庫中的知識，依據(jù)已有的信息綜合運用各種規(guī)則，按照一定的問題求解策略進行推理診斷，并給出診斷結(jié)果，完成問題求解任務(wù)。

2 系統(tǒng)設(shè)計

    由于基于RBF神經(jīng)網(wǎng)絡(luò)^[3]的診斷專家系統(tǒng)的優(yōu)越性，被廣泛地運用在故障診斷、管理系統(tǒng)、電機運作等方面。建立基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)一般包括4個步驟：(1)配置系統(tǒng):確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；(2)采集信息:收集有關(guān)領(lǐng)域知識的訓練和測試樣本集；(3)訓練網(wǎng)絡(luò):用訓練樣本訓練神經(jīng)網(wǎng)絡(luò)；(4)驗證性能:用測試樣本測試網(wǎng)絡(luò)性能。

    系統(tǒng)設(shè)計了一個集神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)融合、專家系統(tǒng)于一體的故障檢測系統(tǒng)。在本系統(tǒng)中，用戶總控模塊的主要功能是對整個系統(tǒng)進行協(xié)調(diào)控制，使整個系統(tǒng)成為既獨立又統(tǒng)一的整體；數(shù)據(jù)庫主要存儲一些原始輸入的有關(guān)數(shù)據(jù)及運行過程中產(chǎn)生的所有數(shù)據(jù)信息等；知識庫存儲網(wǎng)絡(luò)的權(quán)重以產(chǎn)生規(guī)則的形式表示；推理機制負責神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與知識庫中的原有知識相結(jié)合做出推理診斷；結(jié)果解釋負責對預測結(jié)果做出說明，解釋。

2.1 系統(tǒng)總體設(shè)計

    模型框圖如圖2所示。

    本系統(tǒng)的工作過程可以表述為：根據(jù)訓練樣本進行訓練，將結(jié)果權(quán)值矩陣作為知識保存在知識庫中。根據(jù)設(shè)計要求，首先進入數(shù)據(jù)庫進行查詢，查詢成功后推薦出符合要求的一組參數(shù)值。如果查詢失敗，則通過知識庫中的知識(權(quán)值矩陣)，利用推理算法給出運算結(jié)果，最后對系統(tǒng)給出的推薦值進行實驗驗證和評價，得到滿意結(jié)果，則將其存入數(shù)據(jù)庫中。

2.2 知識的獲取與表示

    知識從知識源轉(zhuǎn)移到知識庫，即可獲取所需知識，知識獲取是AI(Artificial Intelligence)知識工程中的關(guān)鍵性技術(shù)難題。本知識庫系統(tǒng)建立過程中，知識獲取的內(nèi)容包含提出網(wǎng)絡(luò)結(jié)構(gòu)，組織待學習的樣本，使用神經(jīng)網(wǎng)絡(luò)學習算法。通過對樣本的學習，得到所需權(quán)值分布，從而完成知識獲取。

    在基于神經(jīng)網(wǎng)絡(luò)的斷路器專家系統(tǒng)中，構(gòu)造了一個三層RBF網(wǎng)絡(luò)。對這些參數(shù)進行歸一化計算出它們的特征值(X₁，X₂…X₈)。中間節(jié)點數(shù)的選擇太多，學習時間過長；若節(jié)點數(shù)太少，容錯性差，識別能力差。本例經(jīng)過綜合考慮及程序調(diào)試后，選擇的是18個節(jié)點。若為6種成分組成的，則網(wǎng)絡(luò)的輸出層就有6個輸出節(jié)點(Y₁，Y₂…Y₆)。

    為了加快神經(jīng)網(wǎng)絡(luò)的工作速度并避免測得的壞數(shù)據(jù)造成的不良影響，在輸入量輸入到網(wǎng)絡(luò)之前，需要先將輸入量歸一化。在此采用的歸一化處理的方法是統(tǒng)一把輸入量轉(zhuǎn)化為[0，1]之間的數(shù)據(jù)，對應(yīng)的歸一化公式為：

其中，X_i、X_min、X_max分別表示同一特征量的第i個數(shù)據(jù)、最小值、最大值，X是歸一化后的數(shù)據(jù)。 

3 故障診斷的實現(xiàn)

    在開關(guān)柜故障種類中，機械故障^[4]占的比例很大，很多器件都與機械操作有關(guān)，如分合閘時涉及到很多環(huán)節(jié)；且開關(guān)的操作頻率是不固定的，有的很久也不動作，有些卻需要不斷地操作運行。在本文中，為了更好地說明原理和方法，重點監(jiān)測機械狀態(tài)的是斷路器的行程和分合閘的速度以及在操作時的振動信號。斷路器在進行操作時，產(chǎn)生振動信號的時間變化和一些具有特殊意義的數(shù)值(如峰值等)，并結(jié)合斷路器的分合閘特性曲線來監(jiān)測其機械狀態(tài)，對于正規(guī)生產(chǎn)的斷路器，其性能一般也都相對來說比較穩(wěn)定。斷路器機械特性是否產(chǎn)生改變的判斷根據(jù)為：對其進行多次分合閘測試，待其振動波形穩(wěn)定后，特征曲線即為該穩(wěn)定的波形。通過該特征曲來判斷斷路器振動信號正常與否。

    由于條件的限制，該裝置并沒有在實際運行現(xiàn)場進行試驗。而是在設(shè)備主回路不帶電的情況下，對斷路器動觸頭行程等進行測量，通過串行通信接口將信息發(fā)送到PC。此次測試使用的是萬相品牌斷路器樣機，其型號為ZN28-12/T1250-31.5。該型號斷路器出廠的機械特性參數(shù)為：分閘時間≤0.06 s，合閘時間≤0.2 s；平均分閘速度0.9～1.5 m/s，平均合閘速度0.4～0.8 m/s；開距11±1 mm，超行程(觸頭彈簧壓縮長度)4±1 mm。通過電流、角位移傳感器來采集動觸頭的行程-時間曲線，分合閘線圈電流信號；這些數(shù)據(jù)傳送到PC后自動進行有關(guān)的計算或處理。本系統(tǒng)的測量數(shù)據(jù)與準確數(shù)據(jù)的相對誤差在可允許誤差范圍之內(nèi)，可以得知設(shè)備運行情況。

    現(xiàn)把10 kV真空開關(guān)柜作為研究對象，每隔相同的時間分別對其進行采樣：溫度傳感器測得的接頭溫度T₁、電纜連接處的溫度T₂和絕緣電阻值R₁，以上這些測量得到的特征量都將作為輸入量輸入到神經(jīng)網(wǎng)絡(luò)中。對開關(guān)柜進行狀態(tài)監(jiān)測，在此采用的是Matlab程序?qū)Σ杉降臄?shù)據(jù)進行數(shù)據(jù)的歸一化，歸一化后的結(jié)果如表1所示。

    收集數(shù)據(jù)完成后，采用RBF神經(jīng)網(wǎng)絡(luò)^[5]對數(shù)據(jù)逐一進行測試。利用Matlab程序建立一個RBF神經(jīng)網(wǎng)絡(luò)：Net=newrb(P，Q，Goal，Spread)。其中P為網(wǎng)絡(luò)的輸入向量，Q為輸出向量，從表中可以得到；Goal是均方誤差值，定為0．01；設(shè)Spread為徑向基函數(shù)的分布，它的大小影響網(wǎng)絡(luò)的精度,分別將其設(shè)定為0．4，0．5，0．6，0．7，0．8，0．9，1等6個等級。分別取上述值時，經(jīng)過分析計算，得知Spread=0.7此時的誤差為最小，此時獲得的結(jié)果最理想。通過相關(guān)參數(shù)設(shè)置之后，經(jīng)過圖形用戶接口把Matlab工作空間中的數(shù)據(jù)導入，在窗口中可以看到建立的網(wǎng)絡(luò)結(jié)構(gòu)圖。

    選擇RBF進行網(wǎng)絡(luò)診斷時，輸入為8個輸入量，隱含層數(shù)為1層，隱含節(jié)點數(shù)[6]由系統(tǒng)自動生成，直到滿足系統(tǒng)要求的誤差為止。經(jīng)過多次的訓練之后，網(wǎng)絡(luò)的輸出已經(jīng)達到預先設(shè)定的要求，輸出曲線比較光滑，且訓練速度快，本文設(shè)定輸出值大于0.5時，表明有此故障類型。從輸出的數(shù)據(jù)即能得到基于 RBF網(wǎng)絡(luò)的專家系統(tǒng)可以準確地分辨出與訓練樣本具有相似健康狀況規(guī)律的健康狀況，而且準確度較高。

參考文獻

[1] 卞玉濤，李志華.基于專家系統(tǒng)的故障診斷方法的研究與改進[J].電子設(shè)計工程，2013(16)：83-86.

[2] 顧兆丹.基于專家系統(tǒng)的船舶電力系統(tǒng)故障診斷[D].大連：大連海事大學，2012.

[3] 宋海軍，陳步英，李洪燕.基于BP神經(jīng)網(wǎng)絡(luò)的煤礦機械故障診斷專家系統(tǒng)的開發(fā)[J]．煤礦機械，2012，33(8)：264-265.

[4] 胡英才.基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的鉆井事故診斷方法研究[D].西安：西安石油大學,2011.

[5] 曹波偉，薛青，牛金濤，等.基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的裝備智能故障診斷的研究[C]. Proceedings of the 30th Chinese Control Conference，2011(6)：2707-2710.

[6] 鄭圣鵬.基于神經(jīng)網(wǎng)絡(luò)的鍋爐管壁溫度預測研究[J]. 工程與實驗，2012，52(3)：61-63.