Page 67 - 机电技术运用及管理探究

第一章 现代电机控制技术研究

分别构成设计遗传算法和训练遗传算法。许多神经网络的设计细节，如隐层节点
数、神经元转移函数等，都可由设计遗传算法进行优化，而神经网络的连接权重
可由训练遗传算法优化。这两种遗传算法的应用可使神经网络的结构和参数得以

优化，特别是用 DSP 来提高遗传算法的速度，可使故障响应时间小于 300μs，
不仅单故障信号诊断准确率可达 98%，还可用于双故障信号的诊断，其准确率
为 66%。
近年来，发电机故障诊断的智能方法在传统方法的基础上得到了飞速发展，

新型的现代故障诊断技术不断涌现：神经网络、模糊逻辑、模糊神经网络、遗传
算法等都在发电机故障诊断领域得到成功应用。随着现代工业的发展，自动化系
统的规模越来越大，使其产生故障的可能性和复杂性剧增，仅靠一种理论或一

种方法，无论是智能的还是经典的，都很难实现复杂条件下发电机故障完全、准
确、及时诊断，而多种方法综合运用，既可是经典方法与智能方法的结合，也可
是两种或多种智能方法的结合，兼顾了实时性和精确度，因此多种方法的有机融
合、综合运用这一趋势将成为必然，也将成为发电机故障在线诊断技术发展的主
流方向。

（二）人工神经网络在大型电动机故障放电模式识别中的应用
1. 故障放电信号的特征提取
对于大型发电机故障放电在线监测的模式识别问题，识别结果的正确与否

关键在于放电信号特征的提取，提取的特征应能比较全面地表征放电模式。本书
采用三维 φ—q—n 特征谱图的统计数据作为神经网络的输入，为此将一个工频
周期的相位分成 256 个相位窗，将最大放电量分为 256 格，则把 φ—q 平面分成
256×256 个小单元，统计一个工频周期内发生在每个单元内的放电次数，得到
在 φ—q 平面上每个单元内的放电次数，得到在 φ—q 平面上每个单元内的 n 值。

在进行故障放电的模式识别时，没有考虑断股电弧放电的识别问题。因为这
种放电十分强烈，放电重复率较低，这种放电无固定相位；对这种放电的识别，
主要采用了传统的放电检测方法；在实际中采用的神经网络，主要是用来作为判

断放电类型、进行老化跟踪的一种手段。
2. 神经网络结构
（1）输入模式及输出模式。
考虑到处理的数据量太大，把上述 256×256 的二维数组压缩到 20×16 的二维数

·55·