光纖傳感器下電氣設備狀態檢測淺析

前言：本站為你精心整理了光纖傳感器下電氣設備狀態檢測淺析范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：針對當前方法存在的電氣設備狀態檢測正確率低，誤檢率、漏檢率高居不下的難題，為了改善電氣設備狀態檢測結果，設計基于光纖傳感器的電氣設備狀態檢測方法。分析電氣設備狀態檢測的研究現狀，找到各種電氣設備狀態檢測方法的局限性；通過光纖傳感器采集電氣設備狀態信號，對電氣設備狀態信號進行預處理，并從電氣設備狀態信號中提取特征；采用ＲＢＦ神經網絡根據特征擬合電氣設備狀態變化特點，建立電氣設備狀態檢測模型，并與其他電氣設備狀態檢測方法進行仿真對比測試實驗。實驗結果表明，提出的方法的電氣設備狀態檢測正確率超過９０％，電氣設備狀態的誤檢率、漏檢率均低于５％，檢測效果明顯優于對比方法，可以應用于實際的電氣設備安全維護中。

關鍵詞：電氣設備；狀態信號；ＲＢＦ神經網絡；信號去噪；檢測效率

０引言

隨著電氣自動技術的不斷發展，出現了大量的電氣設備，電氣設備在工作過程中，如果狀態不正常，出現故障，那么會影響電氣設備的正常工作，甚至可能會影響到其他相關設備的正常工作［１－２］。電氣設備工作狀態檢測可以幫助管理人員了解電氣設備的運行情況，及時或者提前發現電氣設備的故障，快速處理這些電氣設備故障，保證電氣設備的正常工作。因此，電氣設備狀態檢測具有十分重要的研究意義［３－５］。由于電氣設備狀態檢測具有較高的實際應用價值，國內外許多研究機構的研究人員、相關專業人員以及高校一些科研人員對其進行了有益的研究，并取得了一系列的電氣設備狀態檢測研究成果，提出了許多有效的電氣設備狀態檢測方法［６］。最初一些專業人員通過專業工具進行電氣設備狀態檢測，該方法的檢測過程繁鎖，而且檢測結果具有一定的盲目性和主觀性，錯誤率高，結果可信度低［７］。隨后出現基于信號處理技術的電氣設備狀態檢測方法，該方法通過信號的變化去跟蹤電氣設備狀態，并結合一些人工智能技術進行電氣設備狀態檢測模型的設計，如基于決策樹的電氣設備狀態檢測方法、基于ＢＰ神經網絡的電氣設備狀態檢測方法、基于支持向量機的電氣設備狀態檢測方法、基于ＲＢＦ神經網絡的電氣設備狀態檢測方法等。決策樹方法的電氣設備狀態檢測速度快，但是檢測正確率較低；支持向量機的電氣設備狀態檢測正確率高，但是檢測實時性差；神經網絡的電氣設備狀態檢測效果要優于決策樹，檢測實時性要優于支持向量機，成為當前主要的研究方向［８－１０］。在神經網絡的電氣設備狀態檢測過程中，信號采集和去噪十分關鍵，當前主要采用普通傳感器采集電氣設備狀態信號，這些狀態信號包含了大量的噪聲，對電氣設備狀態檢測結果產生不利影響，使得電氣設備狀態檢測效果有待進一步提升。為了解決當前方法存在的缺陷，提高電氣設備狀態檢測正確率，提出基于光纖傳感器的電氣設備狀態檢測方法。該方法結合了光纖傳感器、小波去噪方法以及ＲＢＦ神經網絡的優點，通過它們對電氣設備狀態變化特點進行擬合，并與其他電氣設備狀態檢測方法進行仿真對比測試實驗，驗證了光纖傳感器的電氣設備狀態檢測方法的優越性。

１基于光纖傳感器的電氣設備狀態檢測方法

１．１光纖傳感器采集電氣設備狀態信號

當電氣設備狀態發生變化時，其信號的波形也會發生相應的變化，因此通過光纖傳感器對電氣設備狀態信號進行采集。相對于普通傳感器，光纖傳感器對環境的要求低，可以將被測對象的狀態轉變為光信號，使得采集電氣設備狀態信號的速度加快。本文選擇的光纖傳感器參數見表１。

１．２電氣設備狀態信號的降噪處理

設Ψ（ｔ）∈Ｌ２（Ｒ），Ｌ２（Ｒ）的傅里葉變換為Ψ（ω），當Ψ（ω）滿足式（１），Ψ（ｔ）表示母小波，ＣΨ＝∫ＲΨ（ω）２ωｄω（１）對Ψ（ｔ）進行伸縮和平移得到小波序列，具體如：Ψａ，ｂ（ｔ）＝１ａΨｔ－ｂ（）ａ，ａ，ｂ∈Ｒ（２）由于光纖傳感器采集的電氣設備狀態信號為數字信號，因此構建離散小波序列，具體為Ψｊ，ｋ（ｔ）＝２－ｊ／２Ψ（２－ｊｔ－ｋ），ｊ，ｋ∈Ｚ（３）小波變換具體為Ｗｆ（ａ，ｂ）＝〈ｆ，Ψａ，ｂ（ｔ）〉＝ａ－１／２∫Ｒｆ（ｔ）Ψｔ－ｂ（）ａｄｔ（４）小波逆變換為ｆ（ｔ）＝１ＣΨ∫Ｒ∫Ｒ１ａ２Ｗｆ（ａ，ｂ）Ψｔ－ｂ（）ａｄａｄｂ（５）電氣設備狀態信號降噪實質為通過小波變換得不同的小波系數，將噪聲對應的小波系數置為０，然后重構電氣設備狀態信號，獲取濾除噪聲后的電氣設備狀態信號。

１．３ＲＢＦ神經網絡建立電氣設備狀態檢測模型

１．３．１ＲＢＦ神經網絡。相比其他神經網絡，ＲＢＦ神經網絡的最大不同點為隱含層采用了徑向基核函數，通過該核函數對隱含層節點的輸入和輸出進行非線性映射，可以采用圖１對其結構進行描述［１１］。設Ｗｉｋ表示節點之間的連接權值，對一個輸入向量Ｘ′，通過非線性映射數Ｒ（）可以得到節點的相應輸出計算式為ｌｉ＝１ＷｉｋＲｉ（Ｘ′）（６）式中，ｉ為神經網絡的節點編號。徑向基核函數為Ｒｉ（Ｘ′）＝ｅｘｐ－１２Ｘ′－ｃｉσ（）（）ｉ（７）式中，ｃｉ表示徑向基的中心。對于第ｊ個樣本，計算其與所有徑向基的中心之間的距離，并找到最小的中心ｃｍｉｎ，具體如：ｃｍｉｎ（ｊ）＝ｃｍｉｎ（ｊ－１）＋α（Ｘ′（ｊ）－ｃｍｉｎ（ｊ－１））（８）ＲＢＦ神經網絡的學習步驟如下。Ｓｔｅｐ１：根據待求解的問題對ＲＢＦ神經網絡的相關參數進行初始化，并設置學習的允許的最大誤差。Ｓｔｅｐ２：根據式（８）確定輸入樣本與隱含層節點之間的最小距離。Ｓｔｅｐ３：不斷調整徑向基核函數的中心。Ｓｔｅｐ４：對于整個訓練樣本反復執行Ｓｔｅｐ２至Ｓｔｅｐ３，直到滿足式（９）設定的條件為止，Ｊｅ＝∑ｌｉ＝１ｘ（ｋ）－ｃｉ（ｋ）≤ε（９）Ｓｔｅｐ５：確定最優徑向基核函數的中心后，對權值ｗｉｋ進行更新操作：ｗｋｉ（ｋ＋１）＝ｗｋｉ（ｋ）＋Δｗｋｉ（ｋ）（１０）１．３．２ＲＢＦ神經網絡的電氣設備狀態檢測原理。首先采集電氣設備狀態信號，并采用小波變換去掉電氣設備狀態信號的噪聲；然后提取電氣設備狀態檢測特征，并對其進行歸一化處理；最后采用ＲＢＦ神經網絡對特征和電氣設備狀態之間的關系進行學習，建立電氣設備狀態檢測模型。

２電氣設備狀態檢測方法的性能測試

２．１測試平臺

為了測試基于光纖傳感器的電氣設備狀態檢測方法的有效性和優越性，選擇沒有降噪＋ＲＢＦ神經網絡的電氣設備狀態檢測方法（ＲＢＦＮＮ）、普通傳感器的電氣設備狀態檢測方法進行對比實驗，采用電氣設備狀態檢測正確率、電氣設備狀態的誤檢率和漏檢率以及電氣設備狀態檢測效率分析各種檢測方法的測試結果，采用相同的測試平臺，具體如表２所示。

２．２測試對象

為了使電氣設備狀態檢測結果更具說服力，將電氣設備狀態劃分為５種類型：正常狀態、元件故障、電路故障、負載不均衡、電源故障，分別采用１～５進行編號，對各種狀態的樣本進行采集，采集的各種樣本數量如表３所示。２．３電氣設備狀態檢測結果分析采用不同電氣設備狀態檢測方法對表３中的測試數據進行學習和建模，并統計電氣設備狀態檢測正確率、電氣設備狀態的誤檢率和漏檢率，結果如圖２所示。從圖２可以看出。（１）普通傳感器的電氣設備狀態檢測正確率為８１．４７％，電氣設備狀態的誤檢率和漏檢率分別為１０．０２％和８．５１％，電氣設備狀態檢測結果無法達到理想狀態，缺陷十分明顯，這是因為普通傳感器對環境因素比較敏感，影響了電氣設備狀態信號的采集。（２）ＲＢＦＮＮ的電氣設備狀態檢測正確率為８６．２５％，電氣設備狀態的誤檢率和漏檢率分別為８．１２％和５．６３％，電氣設備狀態檢測結果并非最優，這是因為沒有進行降噪處理，噪聲干擾了電氣設備狀態檢測結果。（３）光纖傳感器的電氣設備狀態檢測正確率為９３．３４％，電氣設備狀態的誤檢率和漏檢率分別為４．２６％和２．４０％，電氣設備狀態檢測結果十分理想，克服了ＲＢＦＮＮ和普通傳感器的缺陷，這是因為本文方法采用光纖傳感器采集信號，并對噪聲進行了去除處理，改善了電氣設備狀態檢測結果。

２．４電氣設備狀態的檢測效率對比

統計不同方法的電氣設備狀態檢測時間，結果如圖３所示。對圖３的電氣設備狀態檢測時間進行分析可以發現，對不同的狀態，電氣設備狀態檢測時間有一定的差異性，但是對于同一種狀態，光纖傳感器的電氣設備狀態檢測時間要少于普通傳感器和ＲＢＦ神經網絡，這主要是由于通過降噪處理，簡化了電氣設備狀態檢測的建模過程，提升了電氣設備狀態的檢測效率。

２．５電氣設備狀態檢測方法的通用性測試

為了本文方法的通用性，采用本文方法對１００個電氣設備的各種狀態進行檢測，統計電氣設備狀態檢測正確率，結果如圖４所示。從圖４可以看出，本文方法的電氣設備狀態檢測正確率均高于９０％，電氣設備狀態檢測結果十分穩定，具有較好的通用性，實際應用范圍廣泛。

３總結

針對當前的電氣設備狀態檢測過程中受噪聲干擾和檢測效果不理想的問題，為了獲得更優的電氣設備狀態檢測結果，本文提出了基于光纖傳感器的電氣設備狀態檢測方法，并通過具體仿真實驗可以得到如下結論。

作者:施力仁 單位:中山市中等專業學校