浅析人工智能技术在设备故障诊断中的应用.docx资源-CSDN文库

版权申诉

150 浏览量 2022-06-16 23:55:36 上传评论收藏 18KB DOCX 举报

资源推荐

资源详情

资源评论

浅析人工智能技术在设备故障诊断中的应用

引言

现代化的过程控制系统正朝着大规模、复杂化的方向发展，这类系统一旦发生故障就可能

造成巨大损失。因此，保障复杂系统的可靠性与安全性具有重要的意义。随着人工智能技术的

发展以及相关领域学科研究的深入，设备故障诊断也朝着智能化方向发展，智能故障诊断为提

高复杂系统的可靠性开辟了新的途径。作为一门交叉学科，智能故障诊断在过去的几十年里飞

速发展，一些新的理论与方法已经成功地应用到实践。总体而言，智能故障诊断方法分为两大

类：基于数学模型的故障诊断方法和基于人工智能的故障诊断方法。

1 人工神经网络技术

人工神经网络是近年发展起来的交叉学科，涉及生物、电子和计算机等领域，它的发展对

目前和未来科学技术的发展有重要的影响。它是采用物理可实现的系统来模仿人脑神经细胞的

结构和功能。它由很多处理单元有机地联接起来并行地工作，处理单元十分简单，但工作则是

“集体”进行的，它的信息传播和存贮方式与神经网络相似。与现代计算机完全不同，它没有

运算器、存贮器、控制器，代之以简单处理器的组合，信息存贮在处理单元之间的联接上。

由于神经网络具有较强的在线学习能力、非线性映射能力和联想记忆能力，很早就被引入

到电力系统。人工神经网络(Artificial Neural Network，以下简称 ANN)是模拟生物神经

元的结构而提出的一种信息处理方法，具有本质的非线形特征、并行处理能力、强鲁棒性以及

自组织自学习的能力，目前比较成熟的是误差的反传模型算法(BP 算法)，它的网络结构及算

法直观、简单，在工业领域中应用较多。经过训练的 ANN 适用于利用分析振动数据对机器进行

监控和故障检测，预测机械部件的疲劳寿命。非线性神经网络补偿和鲁棒控制综合方法的应用

在实时工业控制执行系统中较为有效。还可利用 BP 算法学习正常运行实例调整内部权值，从

而解决非线性问题。因此，对于存在着大量非线性的复杂电力系统来讲，ANN 理论在电力系统

中的应用已涉及到如暂态，动稳态分析，负荷建模和负荷管理，警报处理与故障诊断，配电网

线损计算，故障检测和继电保护等方面。

1.1 BP 算法理论基础

BP 算法是一种监控学习方法，通过比较输出单元的实际输出和希望值之间的差别，调整

网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。设网络的输入模块

为 p，令其作用下网络输出单元 j 的输出为 Opj。如果输出的希望值是 Tpj，则其误差为 Dpj=Tpj

－Opj。若输入模块的第 i 个单元输入为 Ipi，则就输入模块 p 而言，输入接点 I 与输出接点 j

之间的权值变化量为：

ΔWpji = z D p j I pi

式中，z 是某一个常数。当反复迭代该式时，便可使实际值收敛于目标值。

在神经网络投运前，就应用大量的数据，包括正常运行和不正常运行的，作为其训练内容，

以一定的输入和期望的输出通过 BP 算法不断修改网络的权值。在投运后，还可根据现场的特

定情况进行现场学习，以扩充 ANN 内存知识量。从算法原理看，并行处理能力和非线性功能是

BP 算法的一大优点。

神经网络用于电力系统故障诊断主要集中在对电网的故障处理上。电网中的每一类故障都

会产生一组警报信息，不同类型的故障具有不同的警报组合，因而可以将警报处理和故障诊断

表示为模式识别问题，这样就能用人工神经网络来进行处理。

神经网络进行故障诊断的基本原理是：将故障报警信息量化作为神经网络的输入，神经网

络的输出代表故障诊断的结果。首先对神经网络进行训练学习，即将特定故障对应的报警模式

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

内容反馈

版权申诉

apple_51426592

粉丝: 9588
资源: 9658

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip