浅析人工智能技术在设备故障检测中的应用
发布时间：2017-07-17 点击浏览：5360次
现代化的设备及系统正朝着大规模、复杂化的方向发展，这类设备及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，设备故障检测也朝着智能化方向发展，智能故障检测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，智能故障检测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。
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，警报处理与故障检测，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=zDpjIpi 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检测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检测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。
神经网络进行故障检测的基本原理是：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检测的结果。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作为样本，建立全面的样本库，然后用所有的样本对神经网络进行训练，这样就可以将样本库的知识以网络的形式存储在神经网络的联接权中，最后，通过神经网络输入的计算就可以完成故障检测。故障检测中神经网络所采用的模型大多为BP模型，基于BP模型进行报警处理和故障检测的方法，该方法将报警信息作为神经网络的输入，故障作为神经网络的输出，用于识别电网发生的故障，缺点是还不能用于大规模系统。基于分层分布式的神经网络故障检测方法，适于大规模电网故障的检测。基于神经网络的电气设备的绝缘故障检测，目前主要集中在变压器的故障检测和局部放电的检测。基于油中溶解气体分析的变压器神经网络故障检测方法等。
2 模糊控制
1965年，美国学者L．A．Zadeh首先提出了模糊集合的概念，拓宽了普通数学的基础，也提高了数学理论在工程技术中的实用性。自模糊集理论创立以来，得到了不断发展和完善，其应用成果也产生了巨大的经济效益。基于模糊逻辑和控制的产品层出不穷，如模糊照相机、模糊洗衣机、模糊空调机等民用产品，如模糊自动火车运行系统、模糊自动集装箱吊车操纵系统等工业领域的应用。
随着理论研究的不断深入，它在电力系统中的应用领域也越来越广泛，例如：静态稳定控制、暂态稳定预测、系统故障定位和检测、电气设备的故障检测、负荷频率控制和预测、安全分析与控制等。将模糊控制理论运用到变压器的检测中，运用模糊关系矩阵建立变压器的检测模型，将故障现象和故障原因建立在矩阵中，通过输入和输出关系来进行检测。将模糊辨识应用于变压器的绝缘检测中，通过在模糊检测模型中引入最小二乘法，减少人为因素对模型的干扰。模糊控制理论应用于电气设备故障检测专家系统中，对模糊控制理论与专家系统相结合应用于电器设备的故障检测作了有益的探索。
然而，在模糊集理论中，由于在隶属度的获取、复杂系统的模糊模型的建立、辨识，语言规则的获取、遗忘、修改等理论和方法还不够完善，应用受到了一定的限制。目前，将模糊控制与专家系统、 神经网络等相结合是解决这一难题的好方法。
3 其他方法
除此之外，智能故障检测还有其他一些方法，比如：小波分析和遗传算法等，这些学科分支的发展及其不断完善，为故障检测技术开辟了新的途径。
3.1 小波分析
小波分析是一种时频分析方法，具有良好的时频局部化特性和对信号自适应、多尺度分析能力，适合于对非平稳信号的处理。小波分析是Fourier变换的突破性进展，符合高频信号的分辨率较高的要求。主要特点是具有用多重分辨率来描述信号局部特性的能力，从而它很适合检测在正常信号中出现的瞬态反常现象。在电气设备的故障信号分析中，利用小波分析方法分析电力系统故障暂态信号的奇异性，得出其奇异性的特殊性，提出了利用小波分析进行故障暂态信号奇异性检测的算法，保证了奇异点的准确检测。通过建立电压行波的故障特征和小波变换模极大值之间的联系，为构造性能优良、可靠的行波测距和行波保护奠定了重要的数学基础。
3.2 遗传算法
遗传算法（GA）是一种新发展起来的优化算法，由美国学者Holland于1975年首次提出。目前已经成为人们用来解决高度复杂问题的一种新方法。它依据适者生存、优胜劣汰的进化规则，对包含可能解的群体进行基于遗传学的操作，不断生产新的群体并使群体不断进化，同时以全局并行搜索优化群体中的最优个体以求得满足要求的最优解。近年来，它在故障检测、模式识别、图像处理等领域已展现了它的应用前景和潜力。GA以其能以较大概率求得全局最优解、计算时间较少、具有较强鲁棒性等特点在电力系统中得到了应用，根据电力系统目前的实际运行情况和以后的发展，提出了合理利用信息分层采集，运用遗传算法进行分层信息故障检测的方法。遗传算法在故障检测专家系统的推理和自学习中的应用，克服了专家系统存在的推理速度慢和先验知识很少情况下知识获取困难的障碍，提高专家系统的自适应性。
4 结语
（1） 对于复杂系统及大型设备，智能故障检测技术较传统技术有着很多优越性。人工神经网络、模糊控制理论等已在故障检测领域得到了广泛的应用，并产生了很好的经济效益。
（2） 智能检测方法之间并不是孤立的，可以互相结合以达到更好的检测效果。 例如：模糊控制理论与人工神经网络相结合的故障检测系统，模糊控制理论与专家系统结合的智能故障检测技术等已在变压器故障监测等领域内应用，都取得了一定的成效。
（3） 虽然人工智能方法在故障检测领域有很多成功应用案例，但还需要进一步完善。
