申请/专利权人：上海海事大学

申请日：2020-05-29

公开（公告）日：2020-09-04

公开（公告）号：CN111624522A

主分类号：G01R31/62(20200101)

分类号：G01R31/62(20200101);G01R31/12(20060101);G01R31/00(20060101);G01D21/02(20060101);G06N3/00(20060101);G06N3/08(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的视为撤回

法律状态：2023.03.10#发明专利申请公布后的视为撤回;2020.09.29#实质审查的生效;2020.09.04#公开

摘要：本发明公开了基于蚁群优化RBF神经网络控制变压器故障诊断方法。包括以下步骤：首先通过传感器获得变压器故障发生时的振动信号并将模拟信号转化为数字信号，再对数据进行处理，特征值提取与归一化处理等，将处理完的数据放入蚁群中。将允许的最小误差范围作为食物源，同时将实际获得的振动信号误差作为信息素。蚁群在寻优过程中，主要依靠正反馈来寻求最优解。通过蚁群寻求路径的最优方式获得RBF神经网络中的权值，输出最优特征解，进行故障诊断判断。本发明实现了变压器高效利用，实现了变压器故障诊断的神经网络模型的稳定性与鲁棒性的增强。相对一般的变压器故障诊断处理方式，提高了故障诊断的速度和有效性。

主权项：1.基于蚁群优化RBF神经网络控制变压器故障诊断方法，其特征在于，包括如下步骤：步骤1：利用传感器获得变压器的振动信号来获取数据，通过人工的复杂检测，确定故障类型，对数据进行标记后，并将数据从模拟信号转化为数字信号，再进行数据的归一化处理；利用传感器获得变压器的固定测点上振动信号，通过人工的复杂检测，确定故障类型；所述诊断过程中，可按振动频率进行分类：低频f10Hz，中频f＝10-1000Hz和高频f1000Hz振动。对数据进行标记后，将数据从模拟信号转化为数字信号，并提取振动的振幅、频率和相位并计算出速度有效值，再进行数据的归一化处理；步骤2，将处理好的数据作为蚁群信息素，通过蚁群得到最优路径来优化神经网络RBF输出层的权值：提取变压器故障振动信号特征参数，位移、速度与加速度等；输入所有故障诊断获得信号数据与蚁群算法参数，将实际误差作为蚁群初始信息素，将允许的最小误差范围作为蚁群的食物源；计算各蚂蚁状态转换概率，并选择下一状态： 记录蚂蚁行走过程中信息素浓度；判断满足约束条件的情况下，选择浓度最大的为最优路径；若不满足约束条件，则重新进行寻优；根据源节点与目的节点确定蚁群传输区域R，当一个节点小于误差范围时，先判断人工蚂蚁是否在R内，不是则丢弃，是则进行下一步；创建数组：选取m组误差值，设定n个不同的振动数据值，循环次数为NC，最大循环次数为Ncmax,dij为第i个误差数值与第j个误差值之间的差值，Δτijt为t时刻在第i个误差值与第j个误差值之间的信息量，为t时刻误差值K在第i个误差值与第j个误差值之间的信息，ηij为从第i个灰度值转为第j个灰度值收到的启发程度，α为信息启发因子，β为期望值启发因子，ρ为信息素的持久性，1-ρ为信息素的衰减度；人工蚁访问下一个节点的概率为 其中N表示t时刻误差下一步允许的范围值，将误差的特征参数作为蚁群的人造信息素τij，经过多次的迭代，使误差的取值范围逐渐降低，在这些路径中挑选最优路径，实现误差优化，信息素水平进行下式进行更新：τijt+1＝p*τijt+Δτijt 并将蚁群的路径状态作为神经网络的初始权值，以某种概率决定出最优误差，即作为RBF神经网络中连接点的权值；步骤3：再将处理好的数据各自通过随机抽样按4∶1的比例分组，用来训练和测试神经网络：将振动信号误差参数作为基于蚁群优化RBF神经网络的变压器故障诊断的输入，通过最小优化误差来调节权重，用已经训练好的神经网络模型对测试集进行测试，测试过程中对参数不断优化；RBF神经网络步骤如下：建立RBF神经网络模型结构，初始化RBF网络模型，Cji为初始化中心，Dji为宽度向量，Wji为权重， 初始化宽度向量Dji： 取训练样本数据，并将蚁群获得的最优路径作为RBF神经网络的最优权值，进行训练；判断数据通过隐藏层优化的输出结果是否满足RBF训练的终止条件，即是否达到最小误差范围，进行RBF神经网络测试；本模型下使用基于高斯核的三层RBF神经网络结构，分别为输入层，隐藏层，输出层；输入层神经元数目为2，隐藏层神经元数目为4，输出层神经元数目为1；这里设定隐藏层为4层，蚁群训练所获得的最优权值将作为每两个神经元之间连接线所对应的权重；在该模型下输入温度，振动信号的误差数据，通过隐藏层，进行误差的诊断，最后实现对故障诊断诊断的输出；有n个训练样本对应期望输出，利用训练数据对RBF神经网络进行训练；隐藏单元输出值： 输出层值为：y＝W*Z损失： 梯度下降，更新参数： Wjk由蚁群优化的结果提供；将人工蚂蚁的路径优化作为初始权值赋给RBF神经网络，蚂蚁每执行一次基本行为，神经网络权值就调整一次，权值在迭代过程中不断修正，开始训练RBF神经网络，并用不断优化训练的网络；步骤4：用已经训练好的神经网络模型对测试集进行测试，测试过程中对参数不断优化；步骤5：将训练好的神经网络模型用于实际检测，预测结果即实现了变压器的故障诊断。

全文数据：

权利要求：

百度查询： 上海海事大学 基于蚁群优化RBF神经网络控制变压器故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD