电气设备故障诊断解析.pptVIP

电气设备故障诊断 第九讲 人工神经元网络及其 在电气设备故障诊断技术中的应用 序：传统人工智能的局限性及解决途径 人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径 人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径 人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径 人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径 人工神经元网络具有自学习能力，将其与传统AI结合起来是模拟智能的很好的途径 人工神经网络(ANN)原理 1.组成ANN的基本单元—神经元 2.神经元的节点函数——传递函数 3.神经元与神经元间连接方式 ANN的基本特征 ANN的功能 ANN与传统AI(包括专家系统)在模拟智能方面的主要区别 ANN与传统AI(包括专家系统)在模拟智能方面的主要区别 ANN的主要研究领域 NN的特征 ——拓扑特征 NN的特征 ——拓扑特征 NN的特征 ——拓扑特征 NN的特征——学习特征 NN的特征——学习特征 NN的稳定性特征和收敛特征 主要ANN模型 基于纠错学习规则的前向神经网络具有结构简单、学习算法方便、善于联想记忆与模式识别等显著优点，在着重信息处理与模式识别的故障诊断研究中得到了广泛的应用。 相关规则(Hebb) 竞争学习 神经网络的实现 人工神经网络的诊断应用 1. 变压器油中溶解气体的神经网络分析模型 1. 变压器油中溶解气体的神经网络分析模型 1. 变压器油中溶解气体的神经网络分析模型 1. 变压器油中溶解气体的神经网络分析模型 2. 用人工神经网络识别三相放电的数值仿真研究 放电试验模型 放电模型 用谱图二元表列数据进行识别 用曲面拟合参数进行识别 可应用的网络输入向量 荧光屏显示图谱 放电的荧光屏显示图谱包含有丰富的信息。采用模拟量测量装置,并由CCD相机摄取荧光屏上图谱,将摄得图谱中的脉冲高度q作为φ的函数以数字量形式输出,作为神经网络的输入向量。 三维φ-q-n谱图 放电的统计特征量 如由φ-q谱图提取偏斜度、陡峭度、局部峰点数(以上3项正负半波分别提取,共6个特征量)、放电量因数(负、正半周平均放电量之比)、正负半波图形的互相关系数、修正的互相关系数;由φ-n谱图提取偏斜度、陡峭度、尖峰数(也是6个特征量);总计15个特征量作为网络输入。 放电脉冲波形特征量,如相关模型参数 可实现的网络识别功能 电树枝长度判断 空穴尺寸判断 放电类型判断 绝缘寿命终点判断 3.模糊神经网络在电气设备故障检测与诊断中的应用 输入模糊规则 输出转换规则 训练样本的组织 应用中的注意问题——神经网络与专家系统的结合 神经网络专家系统的基本原理 神经网络专家系统的基本原理 神经网络专家系统的基本原理 神经网络专家系统的基本结构 神经网络专家系统的基本结构 神经网络专家系统的知识表示 神经网络专家系统的知识表示 基于神经网络系统的并行推理 基于神经网络系统的并行推理 融合系统实例 融合系统实例 放电模型 用谱图二元表列数据进行识别 用曲面拟合参数进行识别 用人工神经网络识别放电前,先将?-q平面划分为18×20=360个小块,统计每秒内放电发生的? ,q处于各小块内的次数n,得到谱图二元表列数据,依次作为网络输入。由此,输入层L=360。 有4种放电类型,取输出层N=4,相应地有4组期望输出T,取TT值分别为(1,0,0,0),(0,1,0,0,),(0,0,1,0),(0,0,0,1)。 取隐含层M=20 神经网络专家系统的基本原理 神经网络专家系统的基本结构 神经网络专家系统的知识表示 基于神经网络系统的并行推理 神经网络系统最主要的特征: 大规模模拟并行处理 信息的分布式存贮 连续时间非线性动力学 全局集体作用 高度的容错性和鲁棒性 自组织、自学习及实时处理 直接输入范例，信息处理分布于大量神经元的互连之中，并且具有冗余性，许许多多神经元的“微”活动构成了神经网络总体的“宏”效应——与传统的AI的差别 分布性是神经网络之所以能够触动专家系统中知识获取这个瓶颈问题的关键所在。 神经网络是用大量神经元的互连及对各连接权值的分布来表示特定的概念或知识。 知识萃取时，它只要求专家提供范围‘(或实例)器相应的解，通过特定的学习算法对样本进行学习，经过网络内部自适应算法不断修改权值分布以达到要求，把专家求解实际问题的启发式知识相经验分布到网络的互连及权值分布上。 神经网络系统最主要的特征: 大规模模拟并行处理 信息的分布式存贮 连续时间非线性动力学 全局集体作用 高度的容错性和鲁棒性