BP神经网络在水处理工程中电气自动化设备故障检测中的应用研究

BP神经网络在水处理工程中电气自动化设备故障检测中的应用研究

单丹

中国市政工程华北设计研究总院有限公司 300060

摘要：当前，我国的建设工程技术发展迅速，水处理工程历经坎坷，由弱到强。新中国成立以来，水处理工程应用技术不断创新，近年来电气自动化技术在水处理工程中应用广泛，在不同类型的水处理工程中采用了不同的控制系统，完成了对设备的精密控制，为精准检测电气自动化设备故障，采用神经网络诊断电器自动化设备故障。将电气自动化设备故障分为五类，选取电气自动化设备负载端输出电压和输入端电流为采样点，在采样点收集原始数据;采用基于BP模型的神经网络结构，对采样原始数据进行前向计算、误差计算和误差反向传递，在此基础上，采用自适应学习的故障检测算法实现自动化电气设备的故障的自适应检测，该算法不仅能够准确检测设备的已知状态，还可对非训练样本集的状态类型进行自主学习，实现了设备故障的自适应检测。实验检测发现，该方法检测故障可信度和故障检测率均高于0.95，且抗噪性能佳。

关键词：水处理工程；电气自动化设备；BP神经网络；故障检测

1、水处理工程电气自动化的重要性

电气自动化技术应用在水处理工程中让电气设备的操作、运行、保护变得具有逻辑性，在正常运作时能精确地完成每一个指令级动作，能做到自我检测、控制。电气自动化的基础在于对PLC(可编程逻辑控制器)和变频器技术等协作设备的有效运用，实现继电保护自动化，可以更全面地保障二次设备的稳定运行。所以PLC控制程序和变频器技术应用是极其关键。现阶段电气自动化不断地运用在建设工程、钢铁、石油、化工、电力、建材、机械制造、汽车、交通运输等各个行业。随着我国科技水平的不断提升，智能化的设备在人们生活中起到的作用在逐步的增大，电力设备当下也在逐渐变得更加科技化。在水处理工程的电气安装时，其自动化水平的高低直接决定着水处理工程的整体质量和资金的耗费。在进行实际的施工中，电气设备运行水平的高低直接决定着水处理工程是否可以高效的运行以及其是否能够安全的使用。若是将水处理工程作为一个有机体来看，那么其电气自动化部分就是其心脏部位，与此同时，电气设备是给水处理工程提供动力的源泉。

电气自动化技术在水处理工程中实现了自动化模式，可以在监控过程中发出警告信号，提高操作、技术人员的效率。自动化模式在水处理工程中的实现，不仅可以有效保证工程的可靠性和经济效益以及工作效率，还能及时发现问题和事故所在，缩短维修时间，保证系统尽快恢复。除此之外，还可以降低大量人力的投入，减少成本。这是因为电气自动化这种技术主要是通过计算机实现对工程的控制，这就保证即使处于无人值班状态，工程也可以正常的工作和运转，实现了电气设备集中控制。这样不仅提高了工作效率，减少了成本，更加强了对系统的监测能力，只有不断的监测才能发现问题，找到问题并解决问题，只有不断监测才能找到信息，收集到有效数据。数据的收集不仅可以帮助技术人员及时发现系统中存在的潜在问题，还可以帮助技术人员找到适合本系统的机器与机组等。除此之外，还可以在故障发生时，通过这些信息启动备用系统，不仅可以节省时间，更能节省不必要的人力与财力损失，实现更高的经济收益。这些对于整个水处理工程系统的运转都有重大意义。

2、电气自动化设备故障检测算法

随着社会进步和科技发展，自动化电器设备正在不断完善，电气自动化设备逐渐代替人力成为企业运行设备的主要操控部件。但由于外界环境因素等影响，电气自动化设备在运行过程中常会出现一些故障，导致设备无法正常运行。因此检修人员需要实时检测电气自动化设备，及时发现电气自动化设备出现故障，对其进行检修，保证电气自动化设备正常工作。近几年，越来越多学者对检测方法进行了研究，并取得了较好的研究成果。

以电气自动化设备的三相桥式可控整流装置电路为例，采集电气自动化设备的原始数据。首先对故障进行分类，根据以往经验可知，在电气自动化三相桥式可控整流装置主电路中，很少发生三只和三只以上晶闸管同时出现故障的情况，保护电路使电路短路故障变成短路故障，所以主要研究电路中有一只或两只晶闸管发生短路故障的情况。电气自动化中三相桥式可控整流电路故障可分成五种类型。第一类是正常工作状态，第二类是只有一只晶闸管出现故障，第三类是两个晶闸管发生故障，且这两个晶闸管同属一个相电源，第四种情况也是两个晶闸管发生故障，但这两个晶闸管在同一半桥中，第五种状况是两个交叉晶闸管发生故障。其次设定仿真参数，设置触发脉冲，脉冲占空比大约为26%，触发角度可选取0°、30°、60°、90°、120°、180°。设置晶闸管参数，将电阻设置为0.15Ω，电感设置为1.1μH，缓冲电压设置为0.11μH，设置三相交流电源，将各相电压频率设置为51Hz，相角互查为120°，采样周期为100μs，采样时间控制在0～51ms。最后选取采样点，输出端电压和输入端电流中含有极其丰富的故障信息，且这些故障信息极易被检测出来，所以选取负载端输出电压和输入端电流为采样点。

3、BP神经网络理论基础及算法

BP神经网络是机器学习方法在传统的统计理论的应用成果，唯一的差别是传统的统计理论遵循的是经验风险最小，而BP神经网络遵循的是结构风险最小，该方法最大的特点就是适用于小样本数据，而神经网络适用于大样本数据，所以对于跨既有线高速铁路桥梁施工安全风险评估这种小样本数据，BP神经网络的适用性更强。

BP神经网络采用的是三层结构，中间隐层节可以根据不同的实际问题而做出变化，从而扩大了适用范围；同时通过BP神经网络的分析加权阈值可以提高训练数据的维数，将非线性问题的求解引入到高维空间，这样既可以保障不同实际问题的样本数据不受维数的限制，同时可以避免神经网络算法的维数短板。计算过程简单明了，物理意义更加明确。通过新技术的应用，研究项目安全风险评估的所有运行过程都将会及时透明的展示给项目参与者。信息化的安全风险评估管理系统的优势在于其可以自动化的进行数据分析，加快信息流通的速度。

4、电气自动化设备的神经网络故障检测过程

4.1BP神经网络分析加权阈值的选取

神经网络分析加权阈值影响着数据从原始空间映射到高维空间的方式，所以神经网络分析加权阈值的选择是BP神经网络分析建模过程中的重要环节，本次研究没有选择复杂的神经网络分析加权阈值，而是选择了具有径向对称解析的反距离褶积神经网络分析加权阈值，具体表达式如下：

=0,l=1,2…N₁

其中x代表输入特征变量， 代表第j个反距离褶积神经网络分析加权阈值的中心， 代表反距离褶积神经网络分析加权阈值宽度，‖x-x_j‖代表范数。首先利用训练样本数据对BP神经网络分析模型进行训练，训练的核心就是反距离褶积神经网络分析加权阈值宽度 和扰动系数A进行全局搜索寻优，σ主要反应神经网络分析加权阈值的映射关系，而A则代表各种类型的误差允许范围，

4.2BP神经网络模型验证

对于选定的分析加权阈值，建立了BP神经网络模型，我们对于模型进行了验证，验证结果如表1所示。

表1 BP神经网络模型验证表格

从表中可以看到，通过BP神经网络平均误差控制在0.3%以内，拟合情况良好，证明了模型建立的分析加权阈值选择正确，参数训练合理。

4.3神经网络故障检测结果分析

在电气自动化设备故障检测中，有五种故障类型特征量，将五种类型特征量作为神经网络的输入向量，整个故障检测过程主要是选取设备状态特征向量，在故障特征向量空间进行分类，实现检测电气自动化设备故障的目的。将这五种故障类型特征量及其对应的状态编码作为训练样本，并执行自适应学习的故障检测算法，对非训练样本集的状态类型进行自主学习，学习过程中更新可信度阈值，具备自动化设备新状态的准确检测功能。，本文方法采用神经网络检测电气自动化设备具有较高非线性拟合能力，尽管训练样本数量较多，电气自动化设备故障类型较多，但整体检测过程消除误差效率较好，且在考虑消除检测误差和偏差时，应考虑检测时间和检测精度，选取适当权系数和训练步数，在提高检测效率的同时，缩短检测时间。

5、结论

随着自动化技术的不断发展，工业企业中广泛应用电气自动化，如何高效精准检测电气自动化设备中存在的故障成为目前研究热点。本文基于神经网络设计检测电气自动化设备中可能存在的故障。在实验部分通过网络训练结果可以看出，本文方法在检测电气自动化设备故障时应考虑消除检测误差和偏差，结合检测时间和检测所需精度，选取适当的权系数和训练步数，在提高检测效率的同时，缩短检测时间。同时本文方法能够准确检测出晶闸管负载端电压以及电流故障，具有较高的自适应学习能力，可准确识别出新的故障，具有较高可信度。结合上述分析可知，本文方法检测电气自动化设备故障性能最好。

参考文献：

［1］叶盛，王维俊．基于海洋能的海岛供电保障研究［J］．中国储运，2012，1(6):131－132．

［2］GJB1364－1992．装备费用－效能分析［S］．

［3］张杰．效能评估方法研究［M］．北京:国防工业出版社，2009:10－50．