[發(fā)明專(zhuān)利]一種船舶電力系統(tǒng)故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011441300.5
• 申請(qǐng)日: 2020-12-08
• 公開(kāi)（公告）號(hào): CN112557826A
• 公開(kāi)（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: 丁一
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海海事大學(xué)
• 主分類(lèi)號(hào): G01R31/08
• 分類(lèi)號(hào): G01R31/08;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種船舶電力系統(tǒng)故障診斷方法，其特征在于，包括：

步驟1：采集模擬環(huán)境中船舶電力系統(tǒng)故障時(shí)三相電壓信號(hào)作為樣本數(shù)據(jù)；我們需要通過(guò)人工的復(fù)雜檢測(cè)確定出船舶電力系統(tǒng)故障類(lèi)型；然后對(duì)數(shù)據(jù)進(jìn)行標(biāo)記后，并將數(shù)據(jù)從模擬信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)，再進(jìn)行數(shù)據(jù)的歸一化處理；

進(jìn)一步地：故障診斷信號(hào)的獲得，是通過(guò)采集模塊，采集船舶電力系統(tǒng)的故障診斷數(shù)據(jù)；然后通過(guò)與單片機(jī)相連的FPGA芯片協(xié)同對(duì)采集到的數(shù)據(jù)進(jìn)行處理；包括存儲(chǔ)采集的電力系統(tǒng)數(shù)據(jù)，對(duì)已存儲(chǔ)的數(shù)據(jù)執(zhí)行卷積等操作，然后對(duì)卷積后的輸出的數(shù)據(jù)進(jìn)行激活操作，最后將數(shù)據(jù)進(jìn)行修正，然后進(jìn)行歸一化等操作；

步驟2：對(duì)已獲得的故障信號(hào)進(jìn)行預(yù)處理，診斷獲得的電壓波形進(jìn)行小波包變換，分解故障信號(hào)然后提取故障信息，保留故障的特征值以及特征能量熵值；

進(jìn)一步的：小波變換的方法分解以上故障信號(hào)，得到樣本數(shù)據(jù)在多個(gè)頻段中的濾波重構(gòu)信號(hào)，提取特征值，然后對(duì)故障信號(hào)進(jìn)行刪除、填充等一系列處理獲得有效的故障信號(hào)，然后建立訓(xùn)練數(shù)據(jù)集與測(cè)試集；

進(jìn)一步地：對(duì)采集獲得的信號(hào)作為數(shù)據(jù)樣本，建立三相電壓信號(hào)樣本數(shù)據(jù)集，包括樣本總數(shù)與每項(xiàng)電壓數(shù)，樣本數(shù)據(jù)集為{Udr}；其中d中包括ABC為三項(xiàng)電壓；r屬于[1，m]，m為每項(xiàng)采集的樣本數(shù)據(jù)總個(gè)數(shù)；考慮信號(hào)樣本量及信號(hào)失真度，選用db3小波，對(duì)樣本數(shù)據(jù)集{Udr}進(jìn)行3層小波包分解，得到7個(gè)濾波重構(gòu)信號(hào)，每個(gè)濾波重構(gòu)信號(hào)對(duì)應(yīng)一個(gè)頻率；然后求解各節(jié)的重構(gòu)系數(shù)能量值為特征值，能量計(jì)算如下：

E_3i＝∫|S_3i(t)|²dt

式中，E_3i為小波變換第三層分解后各節(jié)點(diǎn)能量值，S_3i為各節(jié)點(diǎn)重構(gòu)系數(shù)；i代表第三層節(jié)點(diǎn)序號(hào)，取值為0-7；t為時(shí)間；對(duì)上式中構(gòu)造被測(cè)電壓信號(hào)的特征向量:

H＝[E₃₀,E₃₃,E₃₂,E₃₄,E₃₅,E₃₆,E₃₇]

然后對(duì)濾波重構(gòu)信號(hào)的頻率范圍做歸一化處理，得到特征向量值為：

T＝[E₃₀/E,E₃₃/E,E₃₂/E,E₃₄/E,E₃₅/E,E₃₆/E,E₃₇/E]

其中E為總能量的二次根號(hào)；

進(jìn)一步地，對(duì)所獲得的特征信號(hào)做出篩選，進(jìn)行刪除，填充等數(shù)據(jù)處理操作；

步驟3：將處理后的信號(hào)的80％樣本作為訓(xùn)練樣本，20％作為測(cè)試樣本，訓(xùn)練樣本作為學(xué)習(xí)向量量化網(wǎng)絡(luò)模型的輸入，經(jīng)過(guò)該網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)和訓(xùn)練，實(shí)現(xiàn)對(duì)故障的分類(lèi)；

所述學(xué)習(xí)向量量化網(wǎng)絡(luò)(LVQ)是一種混合網(wǎng)絡(luò)，通過(guò)有監(jiān)督及無(wú)監(jiān)督的學(xué)習(xí)來(lái)形成分類(lèi)；將高維輸入空間分成若干不同的區(qū)域，對(duì)每個(gè)區(qū)域確定一個(gè)中心向量作為聚類(lèi)的中心，與其處于同一區(qū)域的輸入向量可用該中心向量來(lái)代表，從而形成了以各中心向量為聚類(lèi)中心的點(diǎn)集；

其中包括輸入層，隱含層和輸出層三層組成，輸入層與隱含層神經(jīng)元完全連接，競(jìng)爭(zhēng)層有m個(gè)神經(jīng)元，輸入層有n個(gè)神經(jīng)元，兩層之間全然連接；m為輸入樣本個(gè)數(shù)，n為故障的劃分類(lèi)型，因此該模型可以實(shí)現(xiàn)輸入為處理后的船舶電氣系統(tǒng)的故障信號(hào)，輸出為故障類(lèi)型；

進(jìn)一步地：LVQ網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則結(jié)合了競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則和有導(dǎo)師學(xué)習(xí)規(guī)則，所以樣本集應(yīng)當(dāng)為{(xi，di)}；當(dāng)中di為l維，相應(yīng)輸出層的l個(gè)神經(jīng)元，它僅僅有一個(gè)分量為1，其它分量均為0；把競(jìng)爭(zhēng)層的每一個(gè)神經(jīng)元指定給一個(gè)輸出神經(jīng)元，相應(yīng)的權(quán)值為1，從而得到輸出層的權(quán)值；在訓(xùn)練神經(jīng)網(wǎng)絡(luò)我們通過(guò)經(jīng)驗(yàn)定義好競(jìng)爭(zhēng)層到輸出層的權(quán)值矩陣為：

步驟4：依據(jù)輸入樣本類(lèi)別和獲勝神經(jīng)元所屬類(lèi)別，可推斷當(dāng)前分類(lèi)是否正確；

進(jìn)一步地，將經(jīng)過(guò)小波變換處理后的測(cè)試集的數(shù)據(jù)作為學(xué)習(xí)向量量化網(wǎng)絡(luò)模型的輸入，輸出即是故障診斷結(jié)果，是實(shí)際人工診斷結(jié)果進(jìn)行類(lèi)比；當(dāng)神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果達(dá)到90％，則可以將該模型應(yīng)用于實(shí)際工程中的船舶電力系統(tǒng)故障診斷，若診斷結(jié)果低于目標(biāo)值，應(yīng)增加訓(xùn)練樣本個(gè)數(shù)，或者提高神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)來(lái)實(shí)現(xiàn)對(duì)模型準(zhǔn)確率的提高。