[發明專利]基于改進SOM網絡的鐵塔遠程監測和故障診斷系統

在審

• 申請號: 202011328673.1
• 申請日: 2020-11-24
• 公開（公告）號: CN112631235A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 李領;徐英杰;毛成斌;許亮峰
• 申請（專利權）人: 北京妙微科技有限公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于改進SOM網絡的鐵塔遠程監測和故障診斷系統，其特征在于，所述系統包括多個鐵塔系統、多個遠程運輸站和控制室，所述鐵塔系統通過近距離無線傳輸設備連接附近的遠程運輸站，多個遠程運輸站采用遠距離無線傳輸設備與控制室相連；

所述鐵塔系統包括多個傳感器、太陽能電池板、蓄電池和末端采集裝置，傳感器包括應力傳感器和位移傳感器，負責采集鐵塔各個節點應力或位移信號，并將信號通過有線傳輸的方式送到末端采集裝置，太陽能電池板與蓄電池負責供給裝置用電。

2.如權利要求1所述的基于改進SOM網絡的鐵塔遠程監測和故障診斷系統，其特征在于，鐵塔內采集到的信號運輸到附近的遠程運輸站轉化為5G信號后傳輸到控制室內進行處理。

3.如權利要求1或2所述的基于改進SOM網絡的鐵塔遠程監測和故障診斷系統，其特征在于，所述鐵塔系統每隔5分鐘采集一次信號，若采集得到的信號經識別為異常信號，則系統將會處于激活狀態，處于激活狀態的系統將會每隔一秒采集一次信號；若信號恢復正常，則設備采集時間也會恢復至5分鐘，反之，設備將會報警。

4.如權利要求1或2所述的基于改進SOM網絡的鐵塔遠程監測和故障診斷系統，其特征在于，所述的遠程運輸站包括電源模塊、數據采集模塊、數據存儲模塊和近距離無線傳輸模塊，近距離無線傳輸模塊將電信號處理成5G信號以便傳輸，電源模塊負責整個運輸站的供電，數據采集和存儲模塊分別對系統信號進行采集和存儲。

5.如權利要求1或2所述的基于改進SOM網絡的鐵塔遠程監測和故障診斷系統，其特征在于，所述的控制室包括數據庫、監測中心和專家中心，所述監測中心將各個遠程運輸站的系統接收、降噪、濾波一系列處理，送入專家中心；專家中心結合大量的數據進行推理，判斷鐵塔運行狀態，實現對各個輸電鐵塔的實時監控。

6.如權利要求5所述的基于改進SOM網絡的鐵塔遠程監測和故障診斷系統，其特征在于，所述專家中心采用改進型SOM自組織特征映射網絡，采用一種變學習率計算，且網絡的初始權值通過K-Means聚類算法確定。

7.如權利要求6所述的基于改進SOM網絡的鐵塔遠程監測和故障診斷系統，其特征在于，所述專家中心的處理過程為：

(1)信號處理

分別模擬電力鐵塔在大風、覆冰和斷線工況下可能會發生故障的幾種失效模式，采集發生失效時的故障信號；其中故障信號包括關鍵部位上螺栓的應力、關鍵桿件的應變量、鐵塔的傾斜角度，針對測量鐵塔傾斜角度而輸出的電壓信號，則需要利用小波包分解進行時頻分析來提取特征值，小波包分析可以把信號分解為一系列的具有局部特性的小波函數，在低頻和高頻范圍內均有很好的分辨力，具有可調窗口的時、頻局部分折能力，過程如下：

a)首先對采集來的信號進行n層小波包分解，分別提取第n層從低頻到高頻2ⁿ個節點處的小波包系數，2ⁿ個節點分別為(i，j)表示第i層的第j個節點，其中i＝n，j＝0,1,2,3…,2ⁿ-1；

b)對小波包分解系數重構，提取各頻帶范圍的信號特征

設各節點小波包系數H_i，j對應的重構信號為S_i，j，對第n層的所有節點進行分析，總信號S用下式表示：

c)求各頻帶信號的總能量

假設S_n，j(j＝0,1,2,3…,2n-1)對應的能量E_n，j(j＝0,1,2,3…,2n-1)，則能量S_n，j由下式表示：

其中：h_j,k(j＝0,1,2,3…,2n-1；k＝1,2,…,n)表示重構信號S_n，j的離散點的幅值；

d)構造特征向量

定義電壓信號的全部能量為某頻段的相對小波包能量為則相對小波包能量特征向量為

(2)改進型自組織特征映射神經網絡的創建、訓練以及測試，步驟如下：

2.1)數據預處理

將故障特征分量和關鍵部位上螺栓的應力、關鍵桿件的應變量作為輸入，輸出為電力鐵塔安全運行判定，并對輸入的訓練樣本進行歸一化處理，歸一化方程為：

k＝(x-x_min)/(x_max-x_min)

其中k為歸一化后的值，x為被歸一化的數據，x_min、x_max分別為被歸一化數據中的最小值和最大值；

2.2)神經網絡參數設置

設置神經網絡參數，包括最大迭代次數epochs，拓撲結構，距離計算函數dist，鄰域縮小步數step，初始鄰域IN；

2.3)訓練神經網絡

對指定的神經網絡輸入訓練集，計算中心距離從而初始化第一層的權值，計算權值W與輸入向量X的點積并計算歐氏距離，距離最小的節點對應的值最大，通過競爭神經元找到獲勝節點，并通過計算好的鄰域以及學習率更新權值，之后重復訓練過程，直到精度達到指定要求，或者達到最大訓練次數，停止訓練；

2.4)訓練完成

SOM神經網絡完成訓練，將測試集輸入進行性能測試，如果滿足精度要求，可將其用于實際工程檢驗。