基于人工智能的船舶发电机短路故障检测方法
发布时间：2021-03-10 21:34
针对加窗傅立叶变换和用函数识别法检测船舶发电机短路故障存在的检测精准度低问题,提出基于人工智能的船舶发电机短路故障检测。依据基于人工智能的短路故障检测原理,构建机器学习模型,增加权矩阵动量项,调整权值,改变收敛速度。使用人工智能机器算法,调整变化系数。分析分线圈工作状态,计算发电机转子通入励磁电流后气隙中磁通密度,得到感应电动势,根据磁通分量幅值大小可确定匝间短路故障。由仿真结果可知,该方法检测精准度高,实现智能故障检测。
【文章来源】：舰船科学技术. 2020,42(20)北大核心
【文章页数】：3 页
【部分图文】：
定子匝间短路故障Fig.2Short-circuitfaultbetweenstatorturns
处理之后故障特征值Tab.1Faultcharacteristicvaluesafternormalization频带能量值正常情况10%匝间短路20%匝间短路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将表1中数据进行训练，设置最大训练次数为500次，学习率为0.1，训练精度为0.01，确定机器学习次数，具体训练情况如图3所示。由训练结果可以看出，当机器学习次数为8次时，训练时间最短，收敛效果最好，因此，选择学习次数为8次。图3训练情况Fig.3Trainingsituation对船舶发电机运行模拟信号再次仿真得到表2所示数据。可知，学习后得到的结果与归一化处理后的结果存在小量误差，但是仍能判断出故障发生具体模式，因此，基于人工智能的船舶发电机短路故障检测方法有效。表2学习后得到的故障特征值Tab.2Faultcharacteristicvaluesobtainedafterlearning频带能量值正常情况10%匝间短路20%匝间短路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结语采用人工智能技术实现故障特征检测，是一种有效的船舶发电机短路故障诊断方法，为船舶发电机内部故障在线检测与诊断提供理论基矗当发电机启动时，在线进行无负荷运行，检测是否存在短路故障，防止负荷后故障扩大，从而减少故障损失。也可配合继电保护，对发电机进行有效保护。因此，使用该检测方法具有较高的实用价值。参考文献：梁纯,仇文宁.人工智能技术在船舶电力系统故障诊断中的应用[J].舰船科学技术,2018,40(16):56–58.[1]马明晗,武玉才,李永刚,等.基于定
【参考文献】：
期刊论文
[1]基于定子双检测线圈的核电半速汽轮发电机励磁绕组短路故障诊断[J]. 马明晗,武玉才,李永刚,王罗. 电机与控制学报. 2019(06)
[2]基于Duffing系统与APES算法的DFIG定子匝间故障检测新方法[J]. 许伯强,郑泽慧. 电力自动化设备. 2019(05)
[3]人工智能技术在船舶电力系统故障诊断中的应用[J]. 梁纯,仇文宁. 舰船科学技术. 2018(16)
[4]一种转子励磁绕组匝间短路故障检测方法[J]. 韩建群,杨芷若,石旭东. 控制工程. 2018(05)
本文编号：3075314
【文章来源】：舰船科学技术. 2020,42(20)北大核心
【文章页数】：3 页
【部分图文】：
定子匝间短路故障Fig.2Short-circuitfaultbetweenstatorturns
处理之后故障特征值Tab.1Faultcharacteristicvaluesafternormalization频带能量值正常情况10%匝间短路20%匝间短路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将表1中数据进行训练，设置最大训练次数为500次，学习率为0.1，训练精度为0.01，确定机器学习次数，具体训练情况如图3所示。由训练结果可以看出，当机器学习次数为8次时，训练时间最短，收敛效果最好，因此，选择学习次数为8次。图3训练情况Fig.3Trainingsituation对船舶发电机运行模拟信号再次仿真得到表2所示数据。可知，学习后得到的结果与归一化处理后的结果存在小量误差，但是仍能判断出故障发生具体模式，因此，基于人工智能的船舶发电机短路故障检测方法有效。表2学习后得到的故障特征值Tab.2Faultcharacteristicvaluesobtainedafterlearning频带能量值正常情况10%匝间短路20%匝间短路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结语采用人工智能技术实现故障特征检测，是一种有效的船舶发电机短路故障诊断方法，为船舶发电机内部故障在线检测与诊断提供理论基矗当发电机启动时，在线进行无负荷运行，检测是否存在短路故障，防止负荷后故障扩大，从而减少故障损失。也可配合继电保护，对发电机进行有效保护。因此，使用该检测方法具有较高的实用价值。参考文献：梁纯,仇文宁.人工智能技术在船舶电力系统故障诊断中的应用[J].舰船科学技术,2018,40(16):56–58.[1]马明晗,武玉才,李永刚,等.基于定
【参考文献】：
期刊论文
[1]基于定子双检测线圈的核电半速汽轮发电机励磁绕组短路故障诊断[J]. 马明晗,武玉才,李永刚,王罗. 电机与控制学报. 2019(06)
[2]基于Duffing系统与APES算法的DFIG定子匝间故障检测新方法[J]. 许伯强,郑泽慧. 电力自动化设备. 2019(05)
[3]人工智能技术在船舶电力系统故障诊断中的应用[J]. 梁纯,仇文宁. 舰船科学技术. 2018(16)
[4]一种转子励磁绕组匝间短路故障检测方法[J]. 韩建群,杨芷若,石旭东. 控制工程. 2018(05)
本文编号：3075314
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3075314.html
