矿用高压电缆在线故障诊断预警中的人工神经网络技术

矿用高压电缆在线故障诊断预警中的人工神经网络技术 2.5.1基于人工神经网络的故障诊断预警技术 人工神经网络(ANN)方法是以计算机网络系统模拟生物神经网络的智能计算系统。网络上的每个结点可以记忆(存储)、处理一定的信息，相当于一个神经元，并与其它结点并行工作。人工神经网络能够实现对设备的多信息融合在线故障诊断及预警，从而很好的解决从征兆空间到故障空间的复杂非线性映射。为了求解一个问题，首先要向人工神经网络的某些结点输入信息，每个结点处理后向其它结点输出，其它结点接受并处理后再输出，一直到整个神经网工作完毕，最后输出结果。神经网络建立的非线性映射关系分布存储在网络的每个结点上，这样各种信息之间具有统一的表示形式，使得信息的管理和存储十分方便;神经网络的并行处理机制和并行结构，使得信息处理速度快，充分满足实时性的要求;神经网络不需要建立确定的数学模型，通过对样本的学习就可以具有非线性分类的能力。 BP(Back一propagation)是神经网络模型中使用最广泛的一类，即误差反向传播神经网络。BP将具有简单处理能力的多个神经元组织起来使网络具有复杂的非线性，是一种多层映射网络，包括一个输出和输入层及若干个隐含层，映射能力网络的学习由反向和正向两部分组成，图2一7给出了一个 三层BP网络结构。 在正向传播过程中，每一层神经元只受上一层神经元的影响，比较网络输出相量和导师信号，正向信息逐层传播到输出层，如有误差转为调整优化权值的反向传播，不断重复修正权值矩阵，直到最佳。BP网络的每层连接权值都可以通过学习来调整，一般选用S型的对数或者正切激活函数和线性函数。该网络目前应用广泛，太原理工大学硕士研究生学位论文可用于仿真故障以及诊断、自适应控制语音识别等方面。虽然反向传播法也得到广泛的应用，但它存在自身的不足与限制，其主要表现在于它不确定的训练过程。具体说明如下:(l)完全不能训练完全不能训练主要表现在网络出现的麻痹现象上。网络在训练过程中，如果其权值调得过大，可能会将大部分神经元或所有的加权总和M偏大，M的偏大使激活函数的输入将工作在S型转移函数的饱和区，导致其导数非常小，结果导致对网络权值的调节过程几乎停顿下来。(2)局部极小值BP算法可以使网络权值收敛到一个解，但它并不能保证所求为误差超平面的全局最小解，很可能是一个局部极小解。对于复杂的网络，其误差函数为多维空间的曲面，就像一个碗，其碗底是最小值点。但是这个碗的表面是凹凸不平的，因而在对其训练过程中。可能陷入某一小谷区，而这一小谷区产生的是一个局部极小值。由此点向各方向变化均使误差增加，以致于使训练无法逃出这一局部极小值。(3)需要较长的训练时间如果问题十分复杂，BP算法可能要进行几小时甚至更长的时间的训练，效率很低，不利于实时。ART神经网络是一种基于自适应共振理论 (AdaptiveResonanceTheory，简称ART)的神经网络，是建立在人类的认知活动和心理基础上的模型，BP神经网络在训练过程中学习新的模式而忘记旧的模式，ARI，神经网络避免了这一缺点。ART神经网络有ARTI、ARTZ和ART3三种模型。当输入为二进制的场合适合使用ARTI模型;ARTZ模型的输入即可以是连续的，也可以是二进制的模拟量;ARI，3不但能完成ARTI、ARTZ的工作，还可以将两层神经元网络扩大为任意层神经元网络，能够将人类神经元的生物电化学反应机制纳入了神经元的运行模型中，具有可扩展能力和很强的功能。ARTI网络比较起来最为简单，但受适用条件的限制;ARTZ虽然适用场合较广，但结构原理显复杂;ART3结构原理比前两种复杂得多，但功能最为强大。经过以上分析，ARTI网络显然不满足电缆局部放电模式识别需要;ARI，2和ART3网络可以满足识别需要，但结构原理太复杂、计一算量大。因此吸收ARTZ的基本思路实际应用时，对ARTZ的算法进行简化或改进。SART网络的结构取消Fl层的上中下结构，简化了ARTZ网络的Fl层，并且在能区分模式信号和输入信号的情况下尽量减少该层的增益。因此SARI，网络比ARTZ网络的结构简化，使用上更方便。SART网络的学习包括由输出向输入的自稳定过程和由输入向输出的竞争学习，或者说工作过程由一个STM(Short Term Memory)过程和两个STM过程组成。图2一8为sART网络结构。