1、1第六章第六章 故障诊断的新理论和新方法故障诊断的新理论和新方法 v故障诊断的一般性方法故障诊断的一般性方法 v人工神经网络人工神经网络v专家系统专家系统v小波变换小波变换v信息融合技术信息融合技术2第一节第一节 故障诊断的一般性方法故障诊断的一般性方法v事物的基本描述方法事物的基本描述方法确定性描述（二值逻辑）确定性描述（二值逻辑）随机性描述（概率统计）随机性描述（概率统计）模糊性描述（模糊逻辑）模糊性描述（模糊逻辑）v故障状态、特征（现象）、诊断规则均需描故障状态、特征（现象）、诊断规则均需描述述依据规则的诊断方法依据规则的诊断方法依据样板的诊断方法依据样板的诊断方法31 1、依据规则的诊
2、断分类、依据规则的诊断分类 特征函数：特征函数：设备的特征可由若干个选定的特征变量设备的特征可由若干个选定的特征变量Kj(j=1,2,3,n)定量地表示，即由定量地表示，即由G（K1，K2，Kn）表示表示.状态函数：状态函数：设备的状态可由若干个选定的状态变量设备的状态可由若干个选定的状态变量Di(i=1,2,3m)定量地表示，即由定量地表示，即由F（D1，D2，Dm）表示表示.诊断规则：诊断规则：反映特征与状态间的相互关系，可用函反映特征与状态间的相互关系，可用函数数E(K1，K2 Kj Kn，D1，D2 DiDm)表示。表示。诊断关键：诊断关键：特征、状态、诊断规则三者之间的关系。特征、状
3、态、诊断规则三者之间的关系。4（一）逻辑诊断（一）逻辑诊断v采用二值逻辑描述：采用二值逻辑描述：特征：特征：有有/无无 状态：状态：好好/坏坏v逻辑诊断的特点：简单明了，应用较广，但将逻辑诊断的特点：简单明了，应用较广，但将问题过于简化，诊断准确率稍低。问题过于简化，诊断准确率稍低。v逻辑变量：取值逻辑变量：取值1 1或或0 0（相当于有（相当于有/无、好无、好/坏）坏）v逻辑函数逻辑函数 函数函数y=f(x1,x2xn)的自变量的自变量xi(i=1,2n)、因、因变量变量y均为逻辑变量。均为逻辑变量。5逻辑诊断的过程逻辑诊断的过程 设备特征函数设备特征函数G的构造：的构造：设设G(Kl，K2
4、KjKn)，其中，其中Kj为特征逻辑变量。为特征逻辑变量。如如Kj=1，则称设备有第，则称设备有第j种特征；如种特征；如Kj=0，则称设，则称设备无第备无第j种特征。种特征。构成逻辑特征函数构成逻辑特征函数G时，总是令时，总是令G=1。举例举例设某设备可能有设某设备可能有3种特征种特征Kl、K2、K3，若某设备同，若某设备同时具有时具有Kl、K2而无而无K3,特征，则特征，则 ；如；如果不能确定有无果不能确定有无K3特征，则特征，则G中不出现之。中不出现之。321KKKG 6 设备状态函数设备状态函数F的构造的构造设设F(Dl，D2DiDm)，其中，其中Di为特征逻辑变量。为特征逻辑变量。如如
5、Di=1，则称设备有第，则称设备有第i种状态；如种状态；如Di=0，则称设，则称设备无第备无第i种状态。种状态。构成逻辑状态函数构成逻辑状态函数F时，总是令时，总是令F=1。举例举例设某设备的诊断结果为设某设备的诊断结果为 则表明该设备存则表明该设备存在状态在状态Dl和和D2而无而无D3,；如果；如果F中不出现中不出现Dk,则不能则不能确定有无状态确定有无状态Dk.321DDDF 7 诊断规则诊断规则E 诊断规则诊断规则E应能保证由特征应能保证由特征G推断出状态推断出状态F.在逻辑诊断中诊断规则可用逻辑函数表达为在逻辑诊断中诊断规则可用逻辑函数表达为 诊断规则诊断规则E由一定数量的细则由一定数
6、量的细则E1，E2Es组成组成这些细则必定同时存在这些细则必定同时存在.逻辑诊断过程：由特征逻辑诊断过程：由特征G和诊断规则和诊断规则E求求F FGE1E121sEEEEGEF 8逻辑诊断举例（自学）逻辑诊断举例（自学）设某种电机定子绕组绝缘可能具有设某种电机定子绕组绝缘可能具有Kl和和K2两种特征和两种特征和Dl、D2和和D3三种状态。其中，三种状态。其中，Kl表示直流泄漏电流（表示直流泄漏电流（Ig）大；）大；K2表示局部放电表示局部放电量（量（q）大；）大；Dl表示绝缘受潮；表示绝缘受潮；D2表示绝缘开裂严重；表示绝缘开裂严重；D3表示绕组表示绕组端部表面放电。端部表面放电。诊断规则为：
7、诊断规则为：绝缘受潮，：绝缘受潮，I Ig g必大；必大；：绝缘开裂严重，：绝缘开裂严重，I Ig g大，大，q q也大；也大；：绕组端部表面放电，：绕组端部表面放电，q q必大；必大；：I Ig g大，则绝缘受潮或开裂严重，或两种故障大，则绝缘受潮或开裂严重，或两种故障同时存在；同时存在；：q q大，则绝缘开裂严重，或绕组端部表面放电大，则绝缘开裂严重，或绕组端部表面放电，或两种故障同时存在。，或两种故障同时存在。11KD 212KKD 23KD 211DDK322DDK 若对某台该种电机进行检测，检测结果为若对某台该种电机进行检测，检测结果为Ig大，大，q不大。试推不大。试推断这台电机定子
8、绕组绝缘的故障。断这台电机定子绕组绝缘的故障。根据上述已知条件，得根据上述已知条件，得Kl1、K20，特征函数为，特征函数为 诊断规则为诊断规则为:状态函数为：状态函数为：将将Kl1、K21代入，得代入，得&结论：发生绝缘受潮，但无开裂严重和端部表面放电故障结论：发生绝缘受潮，但无开裂严重和端部表面放电故障 21KKG)()()()(3222112321211DDKDDKKDKKDKDE1)()()()(322211232121121DDKDDKKDKKDKDKKGEF1)(3212132DDDDDDDF10（二）模糊诊断（二）模糊诊断v故障诊断过程中的不确定性（复杂性）故障诊断过程中的不确定
9、性（复杂性）不同的故障状态可能具有相似的特征；不同的故障状态可能具有相似的特征；多个不同的故障特征可能对应同一故障状态。多个不同的故障特征可能对应同一故障状态。v不确定性分为：不确定性分为：随机性随机性：一定条件下的事件发生与否的偶然性：一定条件下的事件发生与否的偶然性（或然性）。（或然性）。模糊性模糊性：区分或评价客观事物差异的不分明性。：区分或评价客观事物差异的不分明性。设备诊断也具有模糊性，特征的强弱，故障的严重设备诊断也具有模糊性，特征的强弱，故障的严重性，诊断标准等都是模糊概念。性，诊断标准等都是模糊概念。11模糊数学的基本概念模糊数学的基本概念v设是论域，称映射设是论域，称映射v确
10、定了确定了X的一个模糊子集，简称模糊集，记为的一个模糊子集，简称模糊集，记为A。叫模糊集的隶属函数，叫模糊集的隶属函数，叫元素叫元素x隶隶属于属于A的程度，简称为隶属度。的程度，简称为隶属度。越接近，越接近，表示表示x隶属于隶属于A的程度越高；越接近，表示隶的程度越高；越接近，表示隶属程度越低。属程度越低。v在故障诊断中，对于所论的特征在故障诊断中，对于所论的特征K或状态或状态D，或或 分别为分别为x对或对的隶属度。对或对的隶属度。v隶属度与概率是不同的。隶属度与概率是不同的。)(10:xxXAA，)(xAA)(xA)(xK)(yD常用的模糊分布常用的模糊分布v梯形分布梯形分布v正态分布正态分
11、布10()xa1a2x10()xa1a2xaa2a a210()xxaa a1aa110()xax10()xax10()xax2)()(axkex()()xx aex ak x a012隶属函数的确定是个难题！隶属函数的确定是个难题！13模糊关系方程模糊关系方程v故障诊断中的模糊关系故障诊断中的模糊关系 在故障机理的作用下，内在原因表现为各种外在故障机理的作用下，内在原因表现为各种外部现象；部现象；在内在原因与外部现象之间存在着单向的、确在内在原因与外部现象之间存在着单向的、确定的、复杂的关系；从本质上说，这种关系含定的、复杂的关系；从本质上说，这种关系含有一定的模糊性；有一定的模糊性；故障原
12、因与诊断信息之间呈现一种模糊关系。故障原因与诊断信息之间呈现一种模糊关系。14v故障状态向量故障状态向量Xx1，x2，xi xn v由故障状态引起的各种故障特征或征兆，用特征由故障状态引起的各种故障特征或征兆，用特征向量向量Y表示：表示：Yy1，y2，yjymv状态向量状态向量X和特征向量和特征向量Y中的元素中的元素xi和和yj均为模糊均为模糊变量，由各自对应的隶属函数来确定。变量，由各自对应的隶属函数来确定。v诊断规则诊断规则 反映设备状态和特征之间的因果关系反映设备状态和特征之间的因果关系v诊断规则的描述方法诊断规则的描述方法 模糊关系矩阵（模糊关系矩阵（A）v状态向量状态向量X、模糊关系
13、矩阵、模糊关系矩阵A、特征向量、特征向量Y构成了构成了模糊关系方程：模糊关系方程：X o A=Y（o：模糊算子，故障机理的作用）：模糊算子，故障机理的作用）mnmnnmmnyyyaaaaaaaaaxxx,2121222211121121v故障诊断过程：根据设备特征（故障诊断过程：根据设备特征（Y）和诊断规则）和诊断规则(A)推断出设备状态推断出设备状态(X)v表示导致结果或故障现象表示导致结果或故障现象Y Y出现的内在故障原因出现的内在故障原因v故障原因在故障机理的作用下，使设备表现出各故障原因在故障机理的作用下，使设备表现出各种各种各 样的现象样的现象Y Yv原因与现象原因与现象Y Y之间的
14、模糊关系用矩阵加以描述，之间的模糊关系用矩阵加以描述，故障机理的作用形式用模糊运算算子故障机理的作用形式用模糊运算算子“o”o”来表示来表示v在故障诊断过程中，已知的是在故障诊断过程中，已知的是Y Y，部分已知的是和，部分已知的是和算子算子“o”o”，诊断目标是确定未知的原因，诊断目标是确定未知的原因v对同一故障诊断问题，矩阵和算子对同一故障诊断问题，矩阵和算子“o”o”可能不完可能不完全一样全一样v模糊算子模糊算子“o”o”可有多种运算形式可有多种运算形式173 3）变压器故障模糊诊断实例）变压器故障模糊诊断实例2423222120191817161514131211109876543217
15、0.092.099.070.030.030.099.030.070.070.050.050.090.090.090.090.090.090.090.090.070.090.001.099.099.099.099.099.099.090.090.090.090.090.090.050.090.070.070.070.090.070.090.0yyyyyyyyyyyyyyyyyyyyyyyyATxxxxxxxxxx1234567891018故障状态向量故障状态向量X Xxi 变压器主要故障类型变压器主要故障类型x1铁芯多点接地x2铁芯局部短路或漏磁发热x3分接开关电气故障x4电流回路裸金属发热或其
16、它接触不良x5高压套管内部故障x6绝缘进水受潮x7油中电弧放电或突发性短路、接地故障x8绕组匝间短路或其它局部短路x9油中沿面放电x10绕组变形及其导致的过热、放电故障19故障特征向量故障特征向量Y Y（数值由隶属函数确定）（数值由隶属函数确定）yi 故障参数和信息故障参数和信息y1铁芯接地电流y2铁芯绝缘电阻y3C2H4在总烃（C1+C2）中的比例y4三比值编码呈过热性故障特征y5具有铁芯多点接地的过热性故障特征，但铁芯接地电流、铁芯绝缘电阻正常y6绕组直流电阻三相不平衡系数y7绕组直流电阻三相不平衡系数随档位无规律地变化（个别档位变化明显）y8绕组直流电阻三相不平衡系数随档位呈规律性变化（
17、所有档位均有变化）y9高压套管tgy10高压套管电容量相对变化率y11绕组吸收比或极化指数y12变压器本体油中含水量y13绕组直流泄漏电流y14变压器本体油击穿电压y15DGA结果中C2H2含量y16三比值编码呈放电性故障特征y17变压器保护动作、防爆阀“喷油”等突发性信息y18绕组电压比y19三比值编码对应故障编码或特征气体含量超过注意值y20PD测量结果y21CO、CO2含量y22短路试验结果或阻抗测量结果y23绕组之间或绕组对地电容量y24分接开关DGA结果20模糊关系方程求解（徐罗曹李法）模糊关系方程求解（徐罗曹李法）求备解矩阵，确定极小解求备解矩阵，确定极小解 调入模型矩阵调入模型矩
18、阵A，调入系统输出，调入系统输出Y A标准化，形成标准化，形成A1A1经过上铣形成经过上铣形成A2 A2取下确界得出最大解取下确界得出最大解 平铣平铣A1形成形成A3“清除清除”A3形成形成A4 输出最大解输出最大解 求贴近度，确定最佳解求贴近度，确定最佳解 是是 A4每列均有元素？每列均有元素？否否 21 诊断实例诊断实例 v变压器型号为变压器型号为DFPFS250000/500，重瓦斯突然动，重瓦斯突然动作，此前油中作，此前油中DGA结果正常，跳闸后取样，结果正常，跳闸后取样，DGA结果结果为：为：A相，相，C2H2=15.13，总烃，总烃=118。v故障参数故障参数Y确定为：确定为：y1
19、5=0.9，y16=0.9，y17=0.9，y19=0.8，其余，其余yi=0v诊断结果为：诊断结果为：Xmax=（0.8，0.8，1，0.8，1，0.8，1，1，1，1）Xmin=（0.8，0，0，0，0，0，0.9，0，0，0）对应故障应该是对应故障应该是x7或或x1实际情况是变压器出口外部短路，造成绕组严重变实际情况是变压器出口外部短路，造成绕组严重变形，引起绕组对地电弧放电。形，引起绕组对地电弧放电。22 诊断实例诊断实例 v某某120MVA、220kV变压器，运行中轻、重瓦斯保变压器，运行中轻、重瓦斯保护和差动保护突然动作，跳闸、喷油。护和差动保护突然动作，跳闸、喷油。DGA结果：结
20、果：总烃总烃=219.2，C2H2=102.8，CO=836，CO2=5724；高压绕组直流电阻三相不平衡，高压绕组直流电阻三相不平衡，A相比相比B、C两相大两相大12%左右。左右。v故障参数故障参数Y确定为：确定为：y6=0.9，y7=0.1，y8=0.9，y15=0.9，y17=0.9，y21=0.69，其余，其余yi=0v诊断结果为：诊断结果为：Xmax=（1，1，0.1，1，1，1，1，1，0.69，1）Xmin=（0，0，0.1，0.9，0，0，0.9，0，0.69，0）23 诊断实例诊断实例 v某某120MVA、220kV变压器，运行中轻、重瓦变压器，运行中轻、重瓦斯保护和差动保护
21、突然动作，跳闸、喷油。斯保护和差动保护突然动作，跳闸、喷油。DGA结果：总烃结果：总烃=219.2，C2H2=102.8，CO=836，CO2=5724；高压绕组直流电阻三相不平衡，；高压绕组直流电阻三相不平衡，A相比相比B、C两相大两相大12%左右。左右。v故障参数故障参数Y确定为：确定为：y6=0.9，y7=0.1，y8=0.9，y15=0.9，y17=0.9，y21=0.69，其余，其余yi=0v诊断结果为：诊断结果为：Xmax=（1，1，0.1，1，1，1，1，1，0.69，1）Xmin=（0，0，0.1，0.9，0，0，0.9，0，0.69，0）v最有可能发生的故障应该是最有可能发生
22、的故障应该是x4、x7或或x9，即电，即电流回路裸金属发热或其它接触不良和油中电弧放流回路裸金属发热或其它接触不良和油中电弧放电或突发性短路、接地故障以及油中沿面放电电或突发性短路、接地故障以及油中沿面放电v分析：这三种故障之间的关系，故障可能发生分析：这三种故障之间的关系，故障可能发生在电流回路中，同时涉及到沿面放电，并伴随着在电流回路中，同时涉及到沿面放电，并伴随着电弧放电，因此有可能是匝间短路，而电弧放电，因此有可能是匝间短路，而实际故障实际故障为绕组匝间短路为绕组匝间短路。实际上，预试项目中，电压比。实际上，预试项目中，电压比对匝间短路故障反映最为敏感，但诊断时没有该对匝间短路故障反映
23、最为敏感，但诊断时没有该参数，因而用上述参数诊断不可避免地会出现多参数，因而用上述参数诊断不可避免地会出现多种可能性。种可能性。24 诊断实例诊断实例 v某某63MVA、220kV变压器，进行变压器，进行1.5倍电压倍电压PD试试验时，有放电声响，放电量达验时，有放电声响，放电量达40005000pC，并，并以主绝缘和匝绝缘均达到以主绝缘和匝绝缘均达到1.5倍电压时最严重。倍电压时最严重。v故障参数故障参数Y确定为：确定为：y20=0.9，其余，其余yi=0v诊断结果为：诊断结果为：Xmax=（1，1，1，1，1，1，1，1，0.9，1）Xmin=（0，0，0，0，0，0，0，0，0.9，0）
24、v对应故障应该是对应故障应该是x9(油中沿面放电油中沿面放电)v将变压器解体，经检查发现：沿绕组端部绝缘角将变压器解体，经检查发现：沿绕组端部绝缘角环有树枝状放电痕迹环有树枝状放电痕迹v诊断结果与实际检查结果是一致的。诊断结果与实际检查结果是一致的。25（三）统计诊断（三）统计诊断 针对诊断对象特征变量分布的随机性而采用针对诊断对象特征变量分布的随机性而采用.（D1:绝缘完好，绝缘完好，D2:故障绝缘）故障绝缘）判断阈值虚报概率漏报概率目标：确定合理的目标：确定合理的x026二、依据样板的诊断分类二、依据样板的诊断分类v故障诊断步骤故障诊断步骤 获取表征状态的信号，作为初始模式获取表征状态的信
25、号，作为初始模式.抑制干扰，提取特征，形成待检模式抑制干扰，提取特征，形成待检模式.将待检模式与样板模式（故障档案）对比，确将待检模式与样板模式（故障档案）对比，确定故障类型定故障类型.v根据样板模式的不同，诊断分为：根据样板模式的不同，诊断分为：阈值诊断、时域波形诊断、频率特性诊断、指阈值诊断、时域波形诊断、频率特性诊断、指纹诊断纹诊断v模式对比的其它方法模式对比的其它方法 ANN（人工神经网络）、（人工神经网络）、ES（专家系统）（专家系统）271 1、阈值诊断及趋势预测、阈值诊断及趋势预测v阈值诊断阈值诊断按照所得特征量是否超过规定阈值来判断设备按照所得特征量是否超过规定阈值来判断设备状
26、态。状态。预防性试验制度即属于阈值诊断。预防性试验制度即属于阈值诊断。阈值诊断简单易行，但不够全面，易误报。阈值诊断简单易行，但不够全面，易误报。v趋势预测趋势预测根据特征量或特征参数随时间的变化趋势来判根据特征量或特征参数随时间的变化趋势来判断设备状态断设备状态.故障的形成、发展和发生具有一定的延续性故障的形成、发展和发生具有一定的延续性 v与逻辑诊断的关系与逻辑诊断的关系阈值诊断强调的是诊断规则，而逻辑诊断注重阈值诊断强调的是诊断规则，而逻辑诊断注重设备特征、状态以及诊断规则的描述方式设备特征、状态以及诊断规则的描述方式282 2、时域波形诊断、时域波形诊断v对设备进行测试，将测得的某种物
27、理量随时间对设备进行测试，将测得的某种物理量随时间变化的曲线与样板对照来判断设备状态变化的曲线与样板对照来判断设备状态.v高压断路器操动机构诊断实例高压断路器操动机构诊断实例29高压断路器操动机构诊断实例高压断路器操动机构诊断实例v操动机构一般用电磁铁作为第一级控制元件操动机构一般用电磁铁作为第一级控制元件,制回路大多采用直流电源制回路大多采用直流电源v电磁铁线圈电流满足：电磁铁线圈电流满足：v电磁铁线圈电流曲线电磁铁线圈电流曲线 v电流电流i i与电磁铁动铁芯的运动状态密切相关与电磁铁动铁芯的运动状态密切相关 v正常时，正常时，t1t0t1t0不超过不超过10ms10ms，I3/I1I3/I
28、1约为约为0.5.0.5.dtdLidtdiLRiU 不动 动 负载 完成铁心吸合不良故障电流曲线正常303 3、频率特性诊断、频率特性诊断v对设备进行测试，根据测得的设备的频率特性，对设备进行测试，根据测得的设备的频率特性，或将测得的某种物理量的频谱与样板进行对照来或将测得的某种物理量的频谱与样板进行对照来判断设备状态判断设备状态.v举例举例异步电动机转子断条和端环开裂故障异步电动机转子断条和端环开裂故障定子电流中出现边频定子电流中出现边频f=(1-2s)f1f=(1-2s)f1变压器绕组变形故障变压器绕组变形故障绕组的电感、纵向电容、对地电容等发生响绕组的电感、纵向电容、对地电容等发生响应
29、变化，其频率响应特性随之变化应变化，其频率响应特性随之变化.31电机的定子电流频谱图电机的定子电流频谱图 0102030405060708090100-1-0.500.511.522.5HzdB0102030405060708090100-2-1.5-1-0.500.511.522.53HzdB(a)良好电机 (b)转子断条故障电机 32变压器绕组变形故障的频率特性变压器绕组变形故障的频率特性v将不同频率的正弦波加在绕组一端，记录绕组将不同频率的正弦波加在绕组一端，记录绕组其他端点上的信号，得到频响特性其他端点上的信号，得到频响特性.v诊断依据：三相绕组频率响应不一致诊断依据：三相绕组频率响应
30、不一致.334 4、指纹诊断、指纹诊断v对设备进行测试，对测得的数据进行处理，将得对设备进行测试，对测得的数据进行处理，将得到的某种特殊图形（指纹）与样板进行对照来判到的某种特殊图形（指纹）与样板进行对照来判断设备状态断设备状态.v指纹诊断方法指纹诊断方法目测法：取决于操作人员的经验目测法：取决于操作人员的经验参数法：由指纹提取特征参数进行诊断参数法：由指纹提取特征参数进行诊断v进行指纹参数时，确定合适的特征参数很关键进行指纹参数时，确定合适的特征参数很关键 v局部放电故障的指纹诊断实例局部放电故障的指纹诊断实例.34局部放电故障的指纹诊断实例局部放电故障的指纹诊断实例 ：放电时电压相位，：放
31、电时电压相位，q q：放电量，：放电量，n n：单位时：单位时间内的放电次数间内的放电次数.(a)n谱图(b)qn谱图35(c)q谱图(d)qn谱图第二节第二节 人工神经网络在故障诊断中的应用人工神经网络在故障诊断中的应用人工神经网络人工神经网络v人工神经网络概念人工神经网络概念v人工神经网络人工神经网络(artificial neural network(artificial neural network，简称，简称ANN)ANN)的研究源于脑神经元学说的研究源于脑神经元学说v1919世纪末，在生物、生理领域出现了神经元学说世纪末，在生物、生理领域出现了神经元学说.人们开始认识到，复杂的神经
32、系统是由数量巨大的神经元组合人们开始认识到，复杂的神经系统是由数量巨大的神经元组合而成的而成的.神经元包含神经细胞体、树突和轴突神经元包含神经细胞体、树突和轴突.树突是神经细胞体的输入端，轴突是其输出端树突是神经细胞体的输入端，轴突是其输出端.来自各个方面的输入信号由树突传人神经元，经神经细胞体作来自各个方面的输入信号由树突传人神经元，经神经细胞体作用后通过轴突传输给下一级神经元用后通过轴突传输给下一级神经元.前一个神经元的轴突与下一个神经元的树突的连接部分称为突前一个神经元的轴突与下一个神经元的树突的连接部分称为突触，神经元通过它进行信号传递，突触决定神经元之间相互作触，神经元通过它进行信号
33、传递，突触决定神经元之间相互作用的强弱和性质用的强弱和性质.每个神经元有每个神经元有10101 110105 5个突触，而人的大脑皮层是由约个突触，而人的大脑皮层是由约10101111个神个神经元组成的，故大脑是一个广泛连接的复杂网络系统经元组成的，故大脑是一个广泛连接的复杂网络系统.生物神经元结构生物神经元结构 树突可有不同的兴奋程度或连接强度，使得神树突可有不同的兴奋程度或连接强度，使得神经元可按不同的比例或加权系数接收其他神经经元可按不同的比例或加权系数接收其他神经元的信号元的信号.神经元收到的是加权和信号，而输出则是这种神经元收到的是加权和信号，而输出则是这种加权和信号的非线性函数加权
34、和信号的非线性函数.调整各树突的兴奋程度，人脑就可对输入信息调整各树突的兴奋程度，人脑就可对输入信息进行各种不同层次与函数关系的处理进行各种不同层次与函数关系的处理.树突是人脑储存知识的基本记忆元，人脑学习树突是人脑储存知识的基本记忆元，人脑学习知识的过程就是调整树突强度的过程知识的过程就是调整树突强度的过程.人工神经网络的发展概况人工神经网络的发展概况 1943年，心理学家年，心理学家W.McCulloch和数理逻辑学家和数理逻辑学家W.Pitts首次提出人工神经元模型首次提出人工神经元模型.1949年，年，D.O.Hebb首次提出调整网络权值的首次提出调整网络权值的Hebb规则规则.195
35、8年，年，F.Rosenblatt等人研究出一种网络：感知器等人研究出一种网络：感知器（Perceptron）.1969年，年，M.Miskey和和S.Papert发表了专著发表了专著“感知器感知器”，提出必须加入隐层，但学习算法尚无法解决，提出必须加入隐层，但学习算法尚无法解决，ANN陷入低陷入低潮潮.1982年和年和1984年，美国物理学家年，美国物理学家JJHopfield在发表了在发表了两篇神经网络的文章两篇神经网络的文章.他提出一种反馈互连网络，并定义了他提出一种反馈互连网络，并定义了一个能量函数，它是神经元的状态和连接权值的函数，利一个能量函数，它是神经元的状态和连接权值的函数，利
36、用该网络可以求解联想记忆和优化计算的问题。用该网络可以求解联想记忆和优化计算的问题。Hopfield网络成功地解决了旅行商最优路径问题网络成功地解决了旅行商最优路径问题.1986年，年，DERumelhart和和JLMcclelland等人提出了多层前馈网络的反向传播算法等人提出了多层前馈网络的反向传播算法 (BackPropagation)，简称，简称BP网络或网络或BP算法。这算法。这种算法解决了感知器所不能解决的问题种算法解决了感知器所不能解决的问题.人工神经网络的发展方向人工神经网络的发展方向 探求人脑神经系统的生物结构和机制，这实探求人脑神经系统的生物结构和机制，这实际上是神经网络理
37、论的初衷际上是神经网络理论的初衷.用微电子学或光学器件形成特殊功能网络，用微电子学或光学器件形成特殊功能网络，制造基于神经网络的新一代计算机制造基于神经网络的新一代计算机 将神经网络理论作为一种解决某些问题的特将神经网络理论作为一种解决某些问题的特殊手段和方法殊手段和方法.人工神经元模型人工神经元模型 Fyjyi.wji bj人工神经元的结构特征人工神经元的结构特征 每个神经元每个神经元j j均有一个输出，即状态均有一个输出，即状态yj 神经元神经元i到神经元到神经元j的作用是通过突触完的作用是通过突触完成的，作用强度以系数成的，作用强度以系数 ji表示表示 每一个神经元每一个神经元i都有一个
38、实数阈值都有一个实数阈值bj，它与输入共同影响神经元的输出它与输入共同影响神经元的输出 状态状态yj为所有与其相连的神经元为所有与其相连的神经元i的状态的状态yi以及它们之间的连接强度以及它们之间的连接强度 ji 和神经元和神经元j的阈值的阈值bj的函数的函数激励函数激励函数最常用的函数形式为最常用的函数形式为 )(jjiijbyFy，)(jjiijbyFy ANNANN是对生物神经系统的简单描述，是是对生物神经系统的简单描述，是由大量简单基本单元由大量简单基本单元(人工神经元人工神经元)相互相互广泛连接而成的复杂网络系统，它能反广泛连接而成的复杂网络系统，它能反映人脑功能的若干基本特征映人脑
39、功能的若干基本特征.只是对生物神经系统的简化模拟，而不只是对生物神经系统的简化模拟，而不是逼真的描写是逼真的描写.在在ANNANN中，人工神经元是基本计算单元中，人工神经元是基本计算单元模拟了人脑中神经元的基本特性模拟了人脑中神经元的基本特性一般是多输入、单输出的非线性单元一般是多输入、单输出的非线性单元.信息分散地存储在连接线的权重上信息分散地存储在连接线的权重上.人工神经网络系统是一种自适应非线性人工神经网络系统是一种自适应非线性动态系统动态系统.人工神经网络的特点人工神经网络的特点 高维性：神经元数目较大。（并行处理能力）高维性：神经元数目较大。（并行处理能力）神经元间连接的广泛性。（分
40、布式存储）神经元间连接的广泛性。（分布式存储）自适应性：网络的连接线权重可在自适应性：网络的连接线权重可在“学习学习”或或“使用使用”中不断调整，适应特定的功能需中不断调整，适应特定的功能需要。（自学习功能）要。（自学习功能）vANN可用于模式识别、信号处理、自动控制、可用于模式识别、信号处理、自动控制、人工智能、优化计算等方面。人工智能、优化计算等方面。vANN可用于设备故障诊断。可用于设备故障诊断。人工神经网络的种类人工神经网络的种类 感知器感知器 具有单层神经元的网络，由线性阈值单具有单层神经元的网络，由线性阈值单元组成。元组成。多层映射多层映射BP网络网络 径向基函数（径向基函数（RB
41、F）网络）网络 传递函数为高斯函数传递函数为高斯函数 网络结构随学习过程而发生动态变化网络结构随学习过程而发生动态变化 双向联想记忆网络（双向联想记忆网络（BAM）Hopfield模型模型二、前馈网络（二、前馈网络（BPBP网络）网络）BP网络拓扑结构网络拓扑结构 由输入层、隐含层、输出层三层组成。由输入层、隐含层、输出层三层组成。信息分散存储在神经元（结点）间的连接线权信息分散存储在神经元（结点）间的连接线权重上，网络的记忆由权重来体现。重上，网络的记忆由权重来体现。前馈网络采用误差反向传播（前馈网络采用误差反向传播（Back Propagation）算法。）算法。BP网络是有监督学习的网络
42、。网络是有监督学习的网络。1 1、BPBP网络的结构网络的结构 x1xixIy1ykyKwkjwjibkbj.输输出出层层隐隐含含层层输输入入层层h1hJ6.2.2.2 6.2.2.2 误差反向传播（误差反向传播（BPBP）算法）算法 输入层结点数为输入层结点数为I I，隐含层结点数为，隐含层结点数为J J，输出层，输出层结点数为结点数为K.K.相应各层结点的编号为相应各层结点的编号为i=1i=1I I，j=1j=1J J，k=1k=1K.K.WWjiji 表示输入层与隐含层各结点之间的连接权表示输入层与隐含层各结点之间的连接权重矩阵，重矩阵，BBj j 表示隐含层各结点的阈值向量；表示隐含层
43、各结点的阈值向量；WWkjkj 表示隐含层与输出层各结点之间的连接表示隐含层与输出层各结点之间的连接权重矩阵，权重矩阵，BBk k 表示输出层各结点的阈值向量表示输出层各结点的阈值向量.XX表示输入层的输入，表示输入层的输入，TT表示输出层的期望表示输出层的期望输出输出.输入层的输出也是输入层的输出也是XX，隐含层的输出为，隐含层的输出为HH，输出层的实际输出为输出层的实际输出为Y.Y.误差反向传播（误差反向传播（BPBP）算法）算法 网络根据系统实际输出与期望输出之间的误差网络根据系统实际输出与期望输出之间的误差来调整各权重和阈值，直至误差小于规定值来调整各权重和阈值，直至误差小于规定值.这
44、一过程成为学习（训练）这一过程成为学习（训练）.算法的学习过程分为算法的学习过程分为 前向传输前向传输 反向传输反向传输 在前向过程中，输入经各结点作用后传播到输在前向过程中，输入经各结点作用后传播到输出结点。输出结点的输出值若与期望值不符，出结点。输出结点的输出值若与期望值不符，会产生误差信息会产生误差信息.将误差信息沿正向连接通路返回，可计算出各将误差信息沿正向连接通路返回，可计算出各隐结点的误差，修改各神经元的权值和阈值后，隐结点的误差，修改各神经元的权值和阈值后，使得误差减小使得误差减小.反向传播算法由此得名反向传播算法由此得名隐含层及输出层的输入和输出隐含层及输出层的输入和输出激励函
45、数采用激励函数采用Sigmoid函数函数 )(exp11)(bzbzFIiijijxz11jIiijijbxFhH=F(WjiXBj)Jjjkjkhz11kJjjkjkbhFyY=F(WkjHBk)=FWkjF(WjiX-Bj)Bk 实际输出与期望输出之间的误差公式为实际输出与期望输出之间的误差公式为 21)()(21KkkYkTE为减小为减小E，应使隐含层和输出层间的连接权重，应使隐含层和输出层间的连接权重wkj的增量为的增量为kjkjE为学习速度 kjkkkkjkjkkkkkjdhytyyhzzyyEE)(1()(1(kkkkkytyydkjkjdhkkbEbkkkkkdbyyEbEkkd
46、b隐含层与输出层间第隐含层与输出层间第t次的连接权重次的连接权重wk(t)及输出层第及输出层第t次的连接权重次的连接权重bk(t)为为 kjkjkjdhtt)1()(kkkdtbtb)1()(输入层和隐含层间的连接权重输入层和隐含层间的连接权重wjiwji的增量为的增量为 jijiEjiKkkkjjjijijjjjjigxdhhxzzhhEE1)1(Kkkkjjjjdhhg1)1(jijigx隐含层的阈值隐含层的阈值bjbj的增量为的增量为 jjbEbjjjjjgbhhEbEjjgbjijijigxtt)1()(jjjgtbtb)1()(权矩阵及阈值向量的调整公式权矩阵及阈值向量的调整公式 误
47、差公式误差公式 当当E小于事先规定的小正数小于事先规定的小正数 时，学习结时，学习结束束.当当E大于等于大于等于 时，继续学习时，继续学习.KkkYkTE1221)()(BPBP网络学习的基本过程网络学习的基本过程 分析数据，确定网络的输入分析数据，确定网络的输入X及期望输出及期望输出T 取权矩阵及预置向量的初值取权矩阵及预置向量的初值wji(1)、Bj(1)及及wkj(1)、Bk(1)，可取为，可取为-0.50.5之间的均匀之间的均匀随机数随机数.按式求隐含层的输出按式求隐含层的输出H(1)，输出层的输出，输出层的输出Y(1).求求E，若，若E 则学习过程结束；若则学习过程结束；若E 则学习
48、则学习继续进行继续进行.修改权重矩阵和阈值向量，重新学习修改权重矩阵和阈值向量，重新学习BPBP网络学习的实际过程网络学习的实际过程 实际上，输入包含有实际上，输入包含有P个向量个向量 X=X1 X2Xp 其中第其中第p个输入向量为个输入向量为 Xp=x1p，x2pxIpT 按按p个输入向量时的总误差来调整网络个输入向量时的总误差来调整网络.BPBP网络的不足网络的不足 收敛速度慢收敛速度慢 易于陷入误差函数的局部极小点易于陷入误差函数的局部极小点 BP网络的改进算法网络的改进算法v变步长变步长v动量法动量法vL-ML-M优化算法优化算法 三、用三、用BPBP网络诊断放电故障网络诊断放电故障
49、1 1：电极：电极 2 2：绝缘：绝缘板板3 3：半导体层：半导体层 4 4：绝缘薄膜：绝缘薄膜5 5：绝缘：绝缘 6 6：气隙：气隙模拟绕组端部出口处放电模型模拟绕组端部出口处放电模型A A和和B B(A(A无导电层，无导电层，B B有导电层有导电层)模拟绕组绝缘中气隙放电的模型模拟绕组绝缘中气隙放电的模型C C和和D(DD(D下无绝缘板，气隙直接与下无绝缘板，气隙直接与电极接触电极接触)绝缘板厚绝缘板厚1mm1mm，气隙，气隙0.125mm 0.125mm 施加施加3.525kV的工频电压，的工频电压，取得取得25个工频周期内的放电数据个工频周期内的放电数据 v局部放电信息局部放电信息、q
50、、n的预处理的预处理v放电发生的相位放电发生的相位 必必处于处于03600之间之间v放电量放电量q则处于则处于0qmax之间之间v由由、q构成二维坐标系，将其均匀划分构成二维坐标系，将其均匀划分为一些区间，形成网格为一些区间，形成网格v统计出每秒内放电发生相位统计出每秒内放电发生相位 及放电量及放电量q处处于各个网格内的次数，依次作为人工神经于各个网格内的次数，依次作为人工神经网络的输入网络的输入v因有因有4种放电模式，故取输出层的神经种放电模式，故取输出层的神经元数元数N=4.v取隐含层神经元数取隐含层神经元数M为一定值为一定值.$确定了确定了BP网络的结构网络的结构BPBP网络识别局放模式
