【技术实现步骤摘要】
本专利技术涉及电力行业可靠性。更具体地说，本专利技术涉及一种基于bp神经网络的电动机失磁监测方法。
技术介绍
1、大型电动机是电力工业生产的重要设备，随着电力工业的发展和技术进步，电动机正朝着大容量高电压的方向发展，电动机单机容量的提高为提高电动机效率、降低成本、减轻电能生产对环境的影响提供了可能。但同时也对电动机的安全可靠运行提出了更高的要求。大容量的电动机一旦发生故障将会造成停电事故甚至危及电力系统的稳定运行，事故的涉及面大、修理周期长、费用高、经济损失巨大，因此，大型电动机的安全可靠运行已成为电力系统的大事。
2、转子失磁作为一种典型的故障模式，不仅因材料缺陷、制造装配缺陷而存在于早期故障阶段，也因随机冲击应力等环境因素产生的高温而出现在运行阶段。尽管电动机对局部失磁状态、整体失磁状态均有一定的容错性，但转子失磁故障将不可避免地增加能耗、降低输出功率，最终传递到电力系统中并加速降低整个系统的剩余使用寿命。因此，预测电动机内部结构的性能状态尤为重要。
3、通常电动机失磁故障诊断、健康度检测都是基于采集电机电流、电压或转矩信号的，可以分为基于模型、基于信号和基于数据方法。但实际上，准确的物理模型需要在仿真软件中不断校模，费事费力，而且容易受到电动机运行状态的影响，会导致最后的判断结果精度不高，为失磁诊断带来困难。
技术实现思路
1、本专利技术的目的是提供一种基于bp神经网络的发电机失磁监测方法，本专利技术的目的在于针对现有技术存在的缺陷，提供一种具备可以更
2、为了实现根据本专利技术的这些目的和其它优点，提供了一种基于bp神经网络的发电机失磁监测方法，其包括以下步骤：
3、步骤1，采集电动机的失磁特征信号数据，构建原始失磁特征信号数据库；
4、步骤2，根据电动机运行状况，对所述原始失磁特征信号数据进行预处理，更新所述原始失磁特征信号数据库，得到处理后失磁特征信号数据库；
5、步骤3，将所述原始失磁特征信号数据库作为训练样本导入bp神经网络模型中，设定所述bp神经网络模型的输出类型，再导入所述处理后失磁特征信号数据库，开展样本训练；
6、步骤4，获得最优聚类，计算诊断阈值，得到离群样本；
7、步骤5，利用所述离群样本对所述处理后失磁特征信号数据和失磁状态开展关联分析，获得发电机失磁状态检测结果。
8、优选的是，一种基于bp神经网络的发电机失磁监测方法，所述步骤包括：
9、步骤1，收集电动机失磁表现形式并筛选出失磁表现下的失磁特征参数，结合电动机运行特征确定所需的传感器类型及传感器形式；
10、步骤2，将失磁特征采集传感器布置在电动机上，通过所述失磁特征采集传感器采集电动机典型工况下的失磁特征信号数据，构建具有代表性的原始失磁特征信号数据库；依据电动机各类失磁特征物理属性及敏感形式，对所述失磁特征数据库中的所述原始失磁特征信号数据进行预处理，更新所述原始失磁特征信号数据库，得到处理后失磁特征信号数据库；
11、步骤3，搭建bp神经网络，划分失磁程度，设定诊断标签，导入所述原始失磁特征信号数据库进行神经网络配置，导入所述处理后失磁特征信号数据库样本训练；bp神经网络模型，采用粒子群聚类算法计算数据样本与聚类中心的距离，优化聚类中心；
12、步骤4，对所述处理后失磁特征信号数据库进行聚类分析，得到清洗后的样本数据；
13、步骤5，采用经处理后的样本数据进行训练，实现对电动机的各类失磁特征信号数据和电动机失磁状态的关联性分析。
14、优选的是，一种基于bp神经网络的发电机失磁监测方法，所述步骤1中失磁特征参数包括电动机的失磁故障特征相电流、负载端温升变化率、电动机输出转速脉动、正常运行时电动机的动态输出扭矩和机身振动参数。
15、优选的是，一种基于bp神经网络的发电机失磁监测方法，所述步骤1中失磁特征信号数据为电流传感器采样的电动机各典型运行工况下的相电流、温度传感器采样的电动机各典型运行工况下的负载端温升变化、转子位置监测传感器预采样的电动机各典型运行工况下的输出转速脉动、扭矩传感器预采样的电动机各典型运行工况下电动机的动态输出扭矩和振动传感器采样的电动机各典型运行工况下电动机的机身振动信号数据。
16、优选的是，一种基于bp神经网络的发电机失磁监测方法，所述步骤1中失磁特征采集传感器与上位机通过有线连接，相应失磁特征数据采集后保存在上位机中的失磁特征数据库，供下一步故障信息采集和进一步分析诊断选用。
17、优选的是，一种基于bp神经网络的发电机失磁监测方法，所述步骤3包括以下子步骤：
18、步骤3.1，确定基本参数，计算数据样本到聚类中心的数值大小，如式(1)所示：
19、
20、式中：x＝{xi,i＝1,2,…,n}为数据样本总集合，表示聚类中心，j代表从1到m的求和下标，通常表示有m个聚类中心，i代表从1到n的求和下标，n是数据样本的数量，即有n个样本点，xi表示第i个样本数据点，d(·,·)表示一个距离度量函数，用于计算两个点之间的距离；
21、步骤3.2，得到聚类中心，根据划分法则得到需要的样本值。假定存在样本xi7，如果在第j个聚类中心之间的距离满足式(2)，则样本xi就划分到j中；
22、
23、式中：表示第i个样本数据点xi与第j个聚类中心之间的距离，这是取最小值操作符，表示对于每一个样本数据点xi，计算它到所有m个聚类中心的距离，并从中选取最小的那个距离；
24、步骤3.3，在经过上述计算后，获得局部最优解pid和全局最优解pg；
25、步骤3.4，进行粒子群聚类算法，更新局部最优解和全局最优解，对数据进行聚类划分。；
26、优选的是，一种基于bp神经网络的发电机失磁监测方法，所述粒子群聚类算法其步骤如式(3)-式(5)所示：
27、粒子速度更新公式：
28、vi(t+1)＝α*vi(t)+β1*rand()*(pid-zi(t))+β2*rand()*(pg-zi(t)) 式(3)
29、位置更新公式：
30、zi(t+1)＝zi(t)+vi(t+1) 式(4)
31、粒子的适应度计算公式为：
32、fi＝1/j 式(5)
33、式中：vi(t)是第i个粒子在t时刻的原有的速度、zi(t)是第i个粒子在t时刻的位置、pid-zi(t)是第i个粒子当前最佳经历的距离、pg-zi(t)是粒子群当前最佳的距离，α是惯性系数、β1和β2是加速常数，fi＝1/j通常表示第i个样本数据点的某种权重或规范化系数，rand()是一个随机函数，在[0,1]范围内产生均匀分布的随机数。
34、优选的是，一本文档来自技高网...
【技术保护点】
1.一种基于BP神经网络的发电机失磁监测方法，其特征在于，其步骤包括：
2.根据权利要求1所述的基于BP神经网络的发电机失磁监测方法，其特征在于，具体包括：
3.根据权利要求2所述基于BP神经网络的发电机失磁监测方法，其特征在于，所述步骤1所述失磁特征参数包括电动机的失磁故障特征相电流、负载端温升变化率、电动机输出转速脉动、正常运行时电动机的动态输出扭矩和机身振动参数。
4.根据权利要求2所述基于BP神经网络的发电机失磁监测方法，其特征在于，所述步骤1所述失磁特征信号数据为电流传感器采样的电动机各典型运行工况下的相电流、温度传感器采样的电动机各典型运行工况下的负载端温升变化、转子位置监测传感器预采样的电动机各典型运行工况下的输出转速脉动、扭矩传感器采样的电动机各典型运行工况下电动机的动态输出扭矩和振动传感器采样的电动机各典型运行工况下电动机的机身振动信号数据。
5.根据权利要求2所述基于BP神经网络的发电机失磁监测方法，其特征在于，所述步骤1中失磁特征采集传感器与上位机通过有线连接，相应失磁特征数据采集后保存在上位机中的失磁特征数据
6.根据权利要求2所述基于BP神经网络的发电机失磁监测方法，其特征在于，所述粒子群聚类算法计算数据样本与聚类中心的距离，优化聚类中心，其步骤包括：
7.根据权利要求6所述基于BP神经网络的发电机失磁特征监测方法，其特征在于，粒子群聚类算法其步骤如式(3)-式(5)所示：
8.根据权利要求2所述基于BP神经网络的发电机失磁特征监测方法，其特征在于，所述聚类分析的方法采用上下临界图的异常值识别标准划定所述诊断阈值。
...【技术特征摘要】
1.一种基于bp神经网络的发电机失磁监测方法，其特征在于，其步骤包括：
2.根据权利要求1所述的基于bp神经网络的发电机失磁监测方法，其特征在于，具体包括：
3.根据权利要求2所述基于bp神经网络的发电机失磁监测方法，其特征在于，所述步骤1所述失磁特征参数包括电动机的失磁故障特征相电流、负载端温升变化率、电动机输出转速脉动、正常运行时电动机的动态输出扭矩和机身振动参数。
4.根据权利要求2所述基于bp神经网络的发电机失磁监测方法，其特征在于，所述步骤1所述失磁特征信号数据为电流传感器采样的电动机各典型运行工况下的相电流、温度传感器采样的电动机各典型运行工况下的负载端温升变化、转子位置监测传感器预采样的电动机各典型运行工况下的输出转速脉动、扭矩传感器采样的电动机各典型运行工况下电动机的动态输出扭矩和振动...
【专利技术属性】
技术研发人员：张民威，崔悦，苏疆东，佟帅，何继全，王振鑫，汪洋，任继顺，
申请(专利权)人：北京中元瑞讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。