基于GA-BP的船舶同步发电机定转子绕组匝间短路故障诊断研究

发布时间：2022-01-17 13:32

　　为诊断与分析船舶同步发电机定转子绕组匝间短路故障,文章采用基于主成分分析法（PCA）和遗传算法（GA）优化BP神经网络（GA-BP神经网络）的故障诊断方法。首先利用Maxwell软件平台故障仿真得到的定子三相电流作为特征信号,通过小波包分解重构以及PCA降维的处理方式,生成15维的样本数据,降低了网络规模以及处理计算时间,并针对传统BP神经网络收敛速度慢以及易陷入局部极小值的特点,利用GA算法对BP神经网络权值与阈值进行优化。通过样本数据对GA-BP神经网络进行训练测试,验证了PCA和GA-BP神经网络对于船舶同步发电机定转子匝间短路故障诊断具有可行性以及准确性。 

【文章来源】：中国修船. 2020,33(04)

【文章页数】：7 页

【部分图文】：

发电机正常以及故障状态下三相电流仿真波形

同步发电机在正常状态以及匝间短路故障状态下，由于其A相电流重构信号16个频带的能量占比数据主要集中在前半部分，因此仅对前10个频带的能量占比进行展示，如表2所示。由表2可知，正常状态、5.0%、12.5%、30.0%定子绕组匝间短路，12.5%、25.0%、50.0%转子励磁绕组匝间短路的能量主要集中在1、2、3、4、5频带，45.0%定子绕组匝间短路的能量主要集中在1、2、4、5、7频带。2.2 PCA降维

由公式(9)知，隐含层节点数在4～14之间，从中选取效果最佳的隐含层节点数。利用训练样本对不同隐含层节点的神经网络进行训练，图3为不同隐含层节点数下的BP神经网络训练精度。由图3可知，当隐含层节点数为10时神经网络训练精度最小，因此确定隐含层节点数为10。图4为传统BP神经网络以及GA-BP神经网络训练误差变化曲线。可看出，GA-BP神经网络收敛效率优于传统BP神经网络，克服了传统BP神经网络后期陷入局部极小值，影响收敛速度的缺点。

【参考文献】：
期刊论文
[1]基于BP神经网络的高压断路器故障诊断[J]. 余锋,许开熙,黄俊,黄涛,汪继刚.  真空科学与技术学报. 2019(03)
[2]基于GA-PSO优化BP神经网络的压缩机气阀故障诊断[J]. 邵继业,谢昭灵,杨瑞.  电子科技大学学报. 2018(05)
[3]智能故障诊断技术研究综述与展望[J]. 李红卫,杨东升,孙一兰,韩娟.  计算机工程与设计. 2013(02)
[4]基于BP神经网络的凿岩爆破参数优选[J]. 王新民,赵彬,王贤来,张钦礼.  中南大学学报(自然科学版). 2009(05)

硕士论文
[1]基于小波分析和神经网络的船舶同步发电机故障诊断研究[D]. 刘文.武汉理工大学 2013



本文编号：3594817