針對加窗傅立葉變換和用函數(shù)識別法檢測船舶發(fā)電機短路故障存在的檢測精準度低問題,提出基于人工智能的船舶發(fā)電機短路故障檢測。依據(jù)基于人工智能的短路故障檢測原理,構(gòu)建機器學習模型,增加權(quán)矩陣動量項,調(diào)整權(quán)值,改變收斂速度。使用人工智能機器算法,調(diào)整變化系數(shù)。分析分線圈工作狀態(tài),計算發(fā)電機轉(zhuǎn)子通入勵磁電流后氣隙中磁通密度,得到感應電動勢,根據(jù)磁通分量幅值大小可確定匝間短路故障。由仿真結(jié)果可知,該方法檢測精準度高,實現(xiàn)智能故障檢測。 

【文章來源】：艦船科學技術(shù). 2020,42(20)北大核心

【文章頁數(shù)】：3 頁

【部分圖文】：

定子匝間短路故障Fig.2Short-circuitfaultbetweenstatorturns

處理之后故障特征值Tab.1Faultcharacteristicvaluesafternormalization頻帶能量值正常情況10%匝間短路20%匝間短路E11.000.070.95E20.880.181.00E30.850.251.00E40.750.351.00E50.800.251.00E61.000.000.95E71.020.650.95E80.880.211.00將表1中數(shù)據(jù)進行訓練，設置最大訓練次數(shù)為500次，學習率為0.1，訓練精度為0.01，確定機器學習次數(shù)，具體訓練情況如圖3所示。由訓練結(jié)果可以看出，當機器學習次數(shù)為8次時，訓練時間最短，收斂效果最好，因此，選擇學習次數(shù)為8次。圖3訓練情況Fig.3Trainingsituation對船舶發(fā)電機運行模擬信號再次仿真得到表2所示數(shù)據(jù)�？芍�，學習后得到的結(jié)果與歸一化處理后的結(jié)果存在小量誤差，但是仍能判斷出故障發(fā)生具體模式，因此，基于人工智能的船舶發(fā)電機短路故障檢測方法有效。表2學習后得到的故障特征值Tab.2Faultcharacteristicvaluesobtainedafterlearning頻帶能量值正常情況10%匝間短路20%匝間短路E11.000.060.92E20.880.151.01E30.850.241.00E40.750.351.00E50.800.241.00E61.000.000.94E71.020.650.93E80.880.211.004結(jié)語采用人工智能技術(shù)實現(xiàn)故障特征檢測，是一種有效的船舶發(fā)電機短路故障診斷方法，為船舶發(fā)電機內(nèi)部故障在線檢測與診斷提供理論基矗當發(fā)電機啟動時，在線進行無負荷運行，檢測是否存在短路故障，防止負荷后故障擴大，從而減少故障損失。也可配合繼電保護，對發(fā)電機進行有效保護。因此，使用該檢測方法具有較高的實用價值。參考文獻：梁純,仇文寧.人工智能技術(shù)在船舶電力系統(tǒng)故障診斷中的應用[J].艦船科學技術(shù),2018,40(16):56–58.[1]馬明晗,武玉才,李永剛,等.基于定

【參考文獻】：
期刊論文
[1]基于定子雙檢測線圈的核電半速汽輪發(fā)電機勵磁繞組短路故障診斷[J]. 馬明晗,武玉才,李永剛,王羅.  電機與控制學報. 2019(06)
[2]基于Duffing系統(tǒng)與APES算法的DFIG定子匝間故障檢測新方法[J]. 許伯強,鄭澤慧.  電力自動化設備. 2019(05)
[3]人工智能技術(shù)在船舶電力系統(tǒng)故障診斷中的應用[J]. 梁純,仇文寧.  艦船科學技術(shù). 2018(16)
[4]一種轉(zhuǎn)子勵磁繞組匝間短路故障檢測方法[J]. 韓建群,楊芷若,石旭東.  控制工程. 2018(05)



本文編號：3075314