基于人工智能的船舶發(fā)電機(jī)短路故障檢測方法
發(fā)布時(shí)間:2021-03-10 21:34
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(jī)短路故障存在的檢測精準(zhǔn)度低問題,提出基于人工智能的船舶發(fā)電機(jī)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(jī)器學(xué)習(xí)模型,增加權(quán)矩陣動量項(xiàng),調(diào)整權(quán)值,改變收斂速度。使用人工智能機(jī)器算法,調(diào)整變化系數(shù)。分析分線圈工作狀態(tài),計(jì)算發(fā)電機(jī)轉(zhuǎn)子通入勵磁電流后氣隙中磁通密度,得到感應(yīng)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(zhǔn)度高,實(shí)現(xiàn)智能故障檢測。
【文章來源】:艦船科學(xué)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(jìn)行訓(xùn)練,設(shè)置最大訓(xùn)練次數(shù)為500次,學(xué)習(xí)率為0.1,訓(xùn)練精度為0.01,確定機(jī)器學(xué)習(xí)次數(shù),具體訓(xùn)練情況如圖3所示。由訓(xùn)練結(jié)果可以看出,當(dāng)機(jī)器學(xué)習(xí)次數(shù)為8次時(shí),訓(xùn)練時(shí)間最短,收斂效果最好,因此,選擇學(xué)習(xí)次數(shù)為8次。圖3訓(xùn)練情況Fig.3Trainingsituation對船舶發(fā)電機(jī)運(yùn)行模擬信號再次仿真得到表2所示數(shù)據(jù)。可知,學(xué)習(xí)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(jī)短路故障檢測方法有效。表2學(xué)習(xí)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(shí)現(xiàn)故障特征檢測,是一種有效的船舶發(fā)電機(jī)短路故障診斷方法,為船舶發(fā)電機(jī)內(nèi)部故障在線檢測與診斷提供理論基矗當(dāng)發(fā)電機(jī)啟動時(shí),在線進(jìn)行無負(fù)荷運(yùn)行,檢測是否存在短路故障,防止負(fù)荷后故障擴(kuò)大,從而減少故障損失。也可配合繼電保護(hù),對發(fā)電機(jī)進(jìn)行有效保護(hù)。因此,使用該檢測方法具有較高的實(shí)用價(jià)值。參考文獻(xiàn):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(yīng)用[J].艦船科學(xué)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(xiàn)】:
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(jī)勵磁繞組短路故障診斷[J]. 馬明晗,武玉才,李永剛,王羅. 電機(jī)與控制學(xué)報(bào). 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(qiáng),鄭澤慧. 電力自動化設(shè)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(yīng)用[J]. 梁純,仇文寧. 艦船科學(xué)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
【文章來源】:艦船科學(xué)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(jìn)行訓(xùn)練,設(shè)置最大訓(xùn)練次數(shù)為500次,學(xué)習(xí)率為0.1,訓(xùn)練精度為0.01,確定機(jī)器學(xué)習(xí)次數(shù),具體訓(xùn)練情況如圖3所示。由訓(xùn)練結(jié)果可以看出,當(dāng)機(jī)器學(xué)習(xí)次數(shù)為8次時(shí),訓(xùn)練時(shí)間最短,收斂效果最好,因此,選擇學(xué)習(xí)次數(shù)為8次。圖3訓(xùn)練情況Fig.3Trainingsituation對船舶發(fā)電機(jī)運(yùn)行模擬信號再次仿真得到表2所示數(shù)據(jù)。可知,學(xué)習(xí)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(jī)短路故障檢測方法有效。表2學(xué)習(xí)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(shí)現(xiàn)故障特征檢測,是一種有效的船舶發(fā)電機(jī)短路故障診斷方法,為船舶發(fā)電機(jī)內(nèi)部故障在線檢測與診斷提供理論基矗當(dāng)發(fā)電機(jī)啟動時(shí),在線進(jìn)行無負(fù)荷運(yùn)行,檢測是否存在短路故障,防止負(fù)荷后故障擴(kuò)大,從而減少故障損失。也可配合繼電保護(hù),對發(fā)電機(jī)進(jìn)行有效保護(hù)。因此,使用該檢測方法具有較高的實(shí)用價(jià)值。參考文獻(xiàn):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(yīng)用[J].艦船科學(xué)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(xiàn)】:
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(jī)勵磁繞組短路故障診斷[J]. 馬明晗,武玉才,李永剛,王羅. 電機(jī)與控制學(xué)報(bào). 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(qiáng),鄭澤慧. 電力自動化設(shè)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(yīng)用[J]. 梁純,仇文寧. 艦船科學(xué)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
本文鏈接:http://sikaile.net/kejilunwen/chuanbolw/3075314.html
最近更新
教材專著