改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的牽引變壓器故障診斷研究*

秦　景，王　玥，秦　波，吳慶朝

(1.河北建筑工程學(xué)院 電氣工程學(xué)院，河北 張家口　075000；2.浙江大學(xué) 控制科學(xué)與工程學(xué)院，杭州　310027；3.內(nèi)蒙古科技大學(xué) 機(jī)械工程學(xué)院，內(nèi)蒙古 包頭　014010；4.大同電力機(jī)車有限責(zé)任公司 技術(shù)中心，山西 大同　037000)

?

改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的牽引變壓器故障診斷研究*

秦景1，王玥2，秦波3，吳慶朝4

(1.河北建筑工程學(xué)院 電氣工程學(xué)院，河北 張家口075000；2.浙江大學(xué) 控制科學(xué)與工程學(xué)院，杭州310027；3.內(nèi)蒙古科技大學(xué) 機(jī)械工程學(xué)院，內(nèi)蒙古 包頭014010；4.大同電力機(jī)車有限責(zé)任公司 技術(shù)中心，山西 大同037000)

摘要：為了快速準(zhǔn)確地識(shí)別出油浸式牽引變壓器的常見故障，結(jié)合粒子群算法全局搜索能力強(qiáng)、尋優(yōu)速度快及模糊神經(jīng)網(wǎng)絡(luò)容錯(cuò)能力強(qiáng)、自適應(yīng)性強(qiáng)的特點(diǎn)，提出了將模糊邏輯、RBF神經(jīng)網(wǎng)絡(luò)及粒子群算法有機(jī)結(jié)合的油浸式牽引變壓器故障診斷方法。針對(duì)粒子群算法局部搜索能力不足的缺點(diǎn)，改進(jìn)粒子群的速度更新公式和慣性權(quán)重，以此優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，從而構(gòu)建起基于油中氣體分析技術(shù)的改進(jìn)PSO優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的牽引變壓器故障診斷模型。實(shí)驗(yàn)及仿真結(jié)果表明，與BP神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)PSO優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)相比，改進(jìn)PSO優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的故障辨識(shí)準(zhǔn)確性更高、泛化能力更強(qiáng)。

關(guān)鍵詞：牽引變壓器；改進(jìn)粒子群算法；模糊神經(jīng)網(wǎng)絡(luò)；故障診斷

0引言

牽引變壓器作為電力機(jī)車從牽引電網(wǎng)獲取電能的重要銜接設(shè)備，其工作狀態(tài)的優(yōu)劣直接決定著電力機(jī)車的安全、可靠、高效的運(yùn)行。由于牽引變壓器運(yùn)行環(huán)境的特殊性致使其不僅要承受較大的網(wǎng)壓波動(dòng)和繞組中的高次諧波，且當(dāng)受電弓發(fā)生偏移或離線時(shí)，極易引起變壓器直流磁化，進(jìn)而誘發(fā)牽引變壓器的諸多潛伏性故障[1]。為此，準(zhǔn)確、快速的監(jiān)測(cè)和診斷出牽引變壓器的潛在故障及類型不僅能夠保障電力機(jī)車的安全高效運(yùn)營(yíng)，而且對(duì)提高我國(guó)鐵路電氣化的整體水平具有重要意義。

當(dāng)前，針對(duì)我國(guó)電力機(jī)車牽引變壓器均為油浸式變壓器，多數(shù)學(xué)者和科研人員普遍采用油中溶解氣體分析(DissolvedGasAnalysis,DGA)的故障診斷技術(shù)[2-3]。隨著計(jì)算機(jī)技術(shù)和機(jī)器學(xué)習(xí)理論的發(fā)展，國(guó)內(nèi)外的學(xué)者紛紛提出了多種基于人工智能的牽引變壓器故障類型辨識(shí)新方法。文獻(xiàn)[4]構(gòu)建了一個(gè)三層(ErrorBackPropagation,BP)BP神經(jīng)網(wǎng)絡(luò)，并采用L-M訓(xùn)練算法實(shí)現(xiàn)了變壓器的故障的快速診斷；文獻(xiàn)[5]根據(jù)油中溶解的氣體構(gòu)建了網(wǎng)絡(luò)結(jié)構(gòu)為“5—20—5”的(RadicalBasisFunction,RBF)RBF神經(jīng)網(wǎng)絡(luò)，仿真結(jié)果表明其能夠提高變壓器故障診斷率；文獻(xiàn)[6]針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法收斂速度慢、迭代次數(shù)多的問題，引入自適應(yīng)粒子群算法(ParticleSwarmOptimization,PSO)對(duì)其進(jìn)行優(yōu)化克服了標(biāo)準(zhǔn)PSO和BP網(wǎng)絡(luò)的缺陷，較好的實(shí)現(xiàn)了變壓器故障類型的診斷；文獻(xiàn)[7]將專家系統(tǒng)和模型診斷的方法相結(jié)合并應(yīng)用到牽引變壓器的故障診斷中，仿真結(jié)果證明了方法的可行性和有效性。然而上述方法中，神經(jīng)網(wǎng)絡(luò)具有自組織、魯棒性和容錯(cuò)性的優(yōu)勢(shì)，但其輸入都是確定的數(shù)值，無(wú)法有效處理基于知識(shí)的表達(dá)方式；專家系統(tǒng)可以克服此缺點(diǎn)，提高模型的效率和準(zhǔn)確率，但其面臨著組合爆炸、知識(shí)獲取、自適應(yīng)、自組織、自學(xué)習(xí)等諸多方面的問題；PSO在優(yōu)化過程中所有粒子都朝著最優(yōu)解的方向移動(dòng)，趨向同一化，易造成群體的多樣性漸失，致使算法后期收斂速度變慢，難以獲得較好的優(yōu)化結(jié)果[8]。鑒于此，為了獲得更好的優(yōu)化效果將善于表達(dá)模糊和定性知識(shí)、具有人類思維推理方式的模糊邏輯與具有自組織、自適應(yīng)能力的RBF神經(jīng)網(wǎng)絡(luò)及改進(jìn)標(biāo)準(zhǔn)PSO算法中粒子的速度、位置更新策略、慣性權(quán)重相結(jié)合，增強(qiáng)其全局搜索能力，并在此基礎(chǔ)上來(lái)優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)cij、bij和wko；最后，將改進(jìn)粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的算法用于構(gòu)建牽引變壓器故障診斷辨識(shí)模型，以此來(lái)有效提高診斷的效率和準(zhǔn)確性。

1牽引變壓器故障特征分析

在DGA中，最常用也是最有效的牽引變壓器故障判別方法即是改良三比值法，其故障判別的基本原理即依據(jù)變壓器內(nèi)故障情況下裂解產(chǎn)生氣體組分含量的相對(duì)濃度與溫度的依存關(guān)系而進(jìn)行故障類別辨識(shí)[9]，其編碼規(guī)則及故障判別標(biāo)準(zhǔn)見表1、表2。

表1　改良三比值法編碼規(guī)則

表2　改良三比值法判斷標(biāo)準(zhǔn)

由表1和表2易知，3種比值在較大范圍內(nèi)變動(dòng)且邊界劃分過于清晰，故不宜直接作為神經(jīng)網(wǎng)絡(luò)的輸入。尤為重要的是，不同氣體的3種比值組合不同診斷出變壓器的故障也不同。對(duì)此模糊神經(jīng)網(wǎng)絡(luò)既可以對(duì)輸入進(jìn)行模糊化處理，又能很好的處理這種強(qiáng)耦合的分類問題，能有效的克服此缺點(diǎn)[10]。

2改進(jìn)粒子群優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)算法

2.1模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)兼具了模糊邏輯與神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)，在處理非線性、模糊性問題上具有明顯的優(yōu)越性。與BP相比，RBF神經(jīng)網(wǎng)絡(luò)不僅在函數(shù)逼近、分類能力和學(xué)習(xí)速度[11]等方面具有無(wú)可比擬的優(yōu)勢(shì)，而且其能克服BP的訓(xùn)練時(shí)間長(zhǎng)、易陷入局部最優(yōu)等缺陷，故將模糊邏輯與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建圖1所示的四層模糊RBF神經(jīng)網(wǎng)絡(luò)，分別由輸入層、模糊化層、規(guī)則層和輸出層構(gòu)成，層與層之間通過神經(jīng)元連接，其學(xué)習(xí)到知識(shí)以權(quán)值的形式保存；其中模糊層中的模糊邏輯采用高斯核作為隸屬函數(shù)，見式(1)。

圖1　模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

(1)

式中，i=1,2,...n;j=1,2,...,l；n和l分別表示第一層輸入樣本的個(gè)數(shù)和第二層節(jié)點(diǎn)的個(gè)數(shù)，cij和bij分別表示第i個(gè)輸入變量與第j個(gè)模糊集合的均值和方差。

由圖1易知，上述結(jié)構(gòu)涵蓋了模糊化、規(guī)則推理、清晰化三個(gè)步驟，具有明確的模糊邏輯意義。然而，在模糊RBF神經(jīng)網(wǎng)絡(luò)具體運(yùn)用過程中，其結(jié)構(gòu)參數(shù)cij、bij和wko對(duì)初始條件依賴較強(qiáng)，致使算法學(xué)習(xí)復(fù)雜、收斂速度慢、易陷入局部最優(yōu)且模糊規(guī)則沒有合理的確定方法，易出現(xiàn)冗余規(guī)則，限制了其應(yīng)用[12-15]。對(duì)此，提出將改進(jìn)的PSO算法來(lái)優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)cij、bij和wko以此提高模型的泛化能力和精度。

2.2改進(jìn)粒子群算法優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)算法

PSO算法源于對(duì)鳥類捕食行為的研究，因其簡(jiǎn)單、易實(shí)現(xiàn)、收斂速度快被廣泛應(yīng)用于復(fù)雜過程的建模與優(yōu)化，并取得了較好的效果[8]。由參考文獻(xiàn)[8]中標(biāo)準(zhǔn)PSO迭代公式可知，在迭代過程中粒子通過綜合考慮“自身認(rèn)知”和“社會(huì)認(rèn)知”，朝著全局最優(yōu)解移動(dòng)；然而，在算法后期粒子局部開掘能力不足，易陷入局部最優(yōu)，對(duì)此作以下改進(jìn)：首先，利用所有個(gè)體極值的平均值來(lái)代替?zhèn)€體極值，使得粒子在尋優(yōu)過程中可以更好的借鑒其它粒子的尋優(yōu)經(jīng)驗(yàn)，式(2)和式(3)為改進(jìn)后的速度迭代公式；其次，采用先增后減的慣性權(quán)重w改進(jìn)策略，使得PSO前期收斂速度較快、后期的搜索能力也強(qiáng)，避免粒子陷入局部極值鄰域內(nèi)同時(shí)也降低了全局尋優(yōu)的難度，改進(jìn)后的慣性權(quán)重計(jì)算公式見(4)。改進(jìn)PSO優(yōu)化模糊RBF的具體流程見圖2。

(2)

式中，pmeanj(t)=(p1j(t)+p2j(t)+…+pmj(t))/m

(3)

(4)

式中：i=1,2,…,m—第i個(gè)粒子；j=1,2,…,d—第j維空間；pb和gb—適應(yīng)度確定的個(gè)體和全體極值。c1,c2—認(rèn)知因子；t—迭代次數(shù)，rand()—(0-1)之間的隨機(jī)數(shù)；w—慣性權(quán)重。tmax—最大迭代次數(shù)。

圖2　改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)算法流程

3改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)牽引變壓器故障診斷

3.1故障的模糊化及訓(xùn)練樣本的獲取

利用改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行牽引變壓器的故障診斷，首先應(yīng)對(duì)3種氣體的比值進(jìn)行模糊化處理，確定模糊規(guī)則并根據(jù)故障特征與原因表象間的對(duì)應(yīng)關(guān)系進(jìn)行數(shù)據(jù)模糊化。文中分別用α1，α2，α3表示C2H2/C2H4、CH4/H2、C2H4/C2H6的比值，x1，x2，x3分別表示改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)模型的輸入。綜合表1、表2可知，3種氣體的比值范圍較廣且不容易確定，故采用如下分布函數(shù)作為α1，α2，α3的隸屬函數(shù),則模糊RBF神經(jīng)網(wǎng)絡(luò)的輸入x1、x2、x3分別如式(10)、(11)、(12)所示：

(10)

(11)

(12)

由此可知，故障診斷模型的輸入為x1、x2、x3模糊化值，輸出為9種故障，分別用F1,F2,F3,F4,F5,F6,F7,F8,F9來(lái)表示。結(jié)合中車集團(tuán)大同電力機(jī)車有限責(zé)任公司技術(shù)中心近5年來(lái)對(duì)機(jī)務(wù)段跟蹤服務(wù)積累的經(jīng)驗(yàn)和有關(guān)專家經(jīng)驗(yàn)，將上述9種常見故障發(fā)生情況轉(zhuǎn)化為對(duì)應(yīng)的故障可信度，絕對(duì)發(fā)生時(shí)定為1，可能發(fā)生時(shí)定為0.5，不可能發(fā)生時(shí)為0，便得到故障特征和原因?qū)?yīng)的模糊規(guī)則化庫(kù)，即訓(xùn)練樣本，如表3所示。以表3中的第4組樣本為例，當(dāng)x1、x2、x3的值分別為0、0.76和1時(shí)，即對(duì)應(yīng)著C2H2/C2H4的濃度小于0.1，CH4/H2的濃度小于0.1，C2H4/C2H6的濃度大于3，由DGA技術(shù)可知其發(fā)生了高溫過熱700℃的故障。由此構(gòu)建立起輸入x1、x2、x3與故障間的對(duì)應(yīng)關(guān)系。

表3　牽引變壓器故障診斷模型訓(xùn)練樣本

3.2模型結(jié)構(gòu)的確定

由上述分析易知，診斷模型的輸入層節(jié)點(diǎn)個(gè)數(shù)為3，分別對(duì)應(yīng)9種故特征障即輸出層有9個(gè)節(jié)點(diǎn)個(gè)數(shù)，分別與故障原因一一對(duì)應(yīng)；輸出值范圍為[0,1]，代表故障發(fā)生的可信程度；由此確定模糊RBF神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為3-27-36-9，最終牽引變壓器的診斷模型如圖3所示。依據(jù)上述網(wǎng)絡(luò)計(jì)算粒子群中每個(gè)粒子的維數(shù)：27×2+36×9=378維；其余種群的參數(shù)設(shè)置：種群個(gè)數(shù)m=30，迭代次數(shù)為100次，精度為0.001，c1=c2=2；粒子的速度范圍為[-0.1,0.1]，位置范圍為[-1,1]，wmax=0.9,wmin=0.4。

圖3　牽引變壓器故障診斷模型

3.3模型訓(xùn)練及結(jié)果比較

首先，對(duì)構(gòu)建的上述牽引變壓器故障辨識(shí)模型進(jìn)行訓(xùn)練。訓(xùn)練時(shí)隨機(jī)選取表3中36組樣本中的30組作為訓(xùn)練樣本，余下6組作為測(cè)試樣本；按照?qǐng)D2所示具體流程進(jìn)行訓(xùn)練。改進(jìn)的PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)與標(biāo)準(zhǔn)PSO優(yōu)化RBF模糊神經(jīng)網(wǎng)絡(luò)迭代過程中適應(yīng)度曲線如圖4所示，易知改進(jìn)的PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)經(jīng)過12次迭代便收斂到0.001附近，較標(biāo)準(zhǔn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)收斂速度快且精度較高。由圖5可知改進(jìn)PSO優(yōu)化算法經(jīng)過48步訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的迭代精度便達(dá)到設(shè)定的目標(biāo)精度0.0001；最終獲得6組測(cè)試樣本的輸出結(jié)果與期望結(jié)果的對(duì)比見表4；如對(duì)于序號(hào)1診斷結(jié)果，當(dāng)故障信號(hào)為C2H2/C2H4<0.1、CH4/H2>1、1

圖4　改進(jìn)PSO與標(biāo)準(zhǔn)PSO優(yōu)化模糊RBF網(wǎng)絡(luò)適應(yīng)度值曲線比較

圖5　改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

序號(hào)123456F1000000F2000001F3100000期望F4001000輸出F5000010F6010000F7000000F8000000F9000100序號(hào)123456F10.1120.13500.3130.2010.021F20.0040.2930.0320.1140.1090.996F30.8620.1240.0450.030.0040.008期望F40.0210.020.9510.2050.0520.143輸出F50.020.1630.0050.3010.7990.317F60.3210.9640.2730.3610.0630.004F70.1520.2450.1320.1240.0010.005F80.0760.0910.2410.2230.3410.109F90.0230.0030.1130.4420.0070

為進(jìn)一步驗(yàn)證改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)牽引變壓器故障診斷模型(改進(jìn)PSO-FNN)的有效性，對(duì)在某機(jī)務(wù)段現(xiàn)場(chǎng)采集到的20組故障數(shù)據(jù)利用所提出的診斷模型進(jìn)行辨識(shí)，并與標(biāo)準(zhǔn)PSO優(yōu)化的模糊RBF神經(jīng)網(wǎng)絡(luò)(標(biāo)準(zhǔn)PSO-FNN)、BP神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果進(jìn)行對(duì)比，結(jié)果見表5。由表5易知，與BP模型和標(biāo)準(zhǔn)PSO-FNN模型相比，所提方法故障判別準(zhǔn)確率更高、速度更快，能夠更好的實(shí)現(xiàn)牽引變壓器的故障辨識(shí)。

表5　不同牽引變壓器故障診斷模型辨識(shí)準(zhǔn)確率的比較

4結(jié)論

DGA故障診斷技術(shù)是變壓器故障識(shí)別的主要方法，本文根據(jù)其編碼特點(diǎn)融合了PSO算法、模糊邏輯、RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，提出了改進(jìn)PSO算法優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的牽引變壓器的故障識(shí)別方法。一方面，模糊RBF神經(jīng)網(wǎng)絡(luò)不僅能夠克服模糊邏輯規(guī)則的主觀性和神經(jīng)網(wǎng)絡(luò)的黑箱性而且其能夠很好的解決了改良三比值方法邊界劃分過于清晰的缺點(diǎn)；另一方面本文從粒子速度迭代公式及慣性權(quán)重更新策略方面改進(jìn)了粒子群算法，并以此優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，建立改進(jìn)粒子群算法優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)的牽引變壓器故障診斷模型，實(shí)現(xiàn)了牽引變壓器故障的快速、準(zhǔn)確的辨識(shí)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)PSO優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)知識(shí)表達(dá)明確、訓(xùn)練迅速、泛化能力強(qiáng)，能夠更準(zhǔn)確的辨識(shí)故障原因，且優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)PSO優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)的辨識(shí)效果，從而能夠更好的實(shí)現(xiàn)牽引變壓器的故障診斷。

[參考文獻(xiàn)]

[1] 付強(qiáng),陳特放,朱佼佼.基于HPSO-WNN的牽引變壓器故障診斷算法研究[J].鐵道學(xué)報(bào),2012,34(9):26-32.

[2] 尹金良.基于相關(guān)向量機(jī)的油浸式電力變壓器故障診斷方法研究[D].保定:華北電力大學(xué),2013.

[3] 許惠君,王宗耀,蘇浩益.基于DGA的反饋云熵模型電力變壓器故障診斷方法研究[J].電力系統(tǒng)保護(hù)與控制,2013,41(23):115-119.

[4] 王曉霞,王濤.基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].華東電力,2008,36(2):112-116.

[5] 吳宏岐,周妮娜,王春英.基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷及MATLAB仿真研究[J].科學(xué)技術(shù)與工程,2010,10(5):1249-1251,1275.

[6] 程加堂,熊偉,徐紹坤,等.基于改進(jìn)粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].高壓電器,2012,48(2):42-45.

[7] 高松,劉志剛,徐建芳,等.基于模型診斷和專家系統(tǒng)的牽引變壓器故障診斷研究[J].鐵道學(xué)報(bào),2013,35(7):42-49.

[8] 王春暖,秦波,秦巖,等.基于改進(jìn)PSO優(yōu)化BP的數(shù)控機(jī)床熱誤差預(yù)測(cè)研究[J].組合機(jī)床與自動(dòng)化加工技術(shù),2014(10):69-72.

[9]SuryaKaiavathiM,RavindranathReddyB,SinghB.Transformerfaultdiagnosisusingfuzzylogicandneuralnetwork[C].2005.

[10] 代睿.一種基于RBF神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法[J].北京聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,23(2):30-33.

[11] 段明秀.基于PSO優(yōu)化的模糊RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用[J].當(dāng)代教育理論與實(shí)踐,2010,2(1):101-104.

[12]AngelinePJ.Evolutionaryoptimizationversusparticleswarmoptimization:philosophyandperformancedifferences.EvolutionaryProgramming,1998,48(17):1956.

[13] 馬廉潔,曹小兵,陳小輝,等.基于GA與RBF神經(jīng)網(wǎng)絡(luò)的工程陶瓷點(diǎn)磨削表面硬度數(shù)值模擬[J].組合機(jī)床與自動(dòng)化加工技術(shù),2015(1):30-34.

[14] 喬俊飛,韓紅桂.RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)動(dòng)態(tài)優(yōu)化設(shè)計(jì)[J].自動(dòng)化學(xué)報(bào),2010,36(6):865-872.

[15] 張彩云.基于改進(jìn)PSO算法的模糊神經(jīng)網(wǎng)絡(luò)研究[D].哈爾濱:哈爾濱理工大學(xué),2014.

(編輯李秀敏)

文章編號(hào)：1001-2265(2016)07-0078-04

DOI:10.13462/j.cnki.mmtamt.2016.07.022

收稿日期：2015-09-19；修回日期：2015-11-26

*基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(21366017)；河北省教育廳基金(QN2014203)

作者簡(jiǎn)介：秦景(1980—)，女，河南南陽(yáng)人，河北建筑工程學(xué)院講師，研究方向?yàn)殡姎庾詣?dòng)化，(E-mail)30914769@qq.com；通訊作者：秦波(1982—)，男，河南鎮(zhèn)平人，內(nèi)蒙古科技大學(xué)講師，碩士，研究方向?yàn)閺?fù)雜工業(yè)過程建模、優(yōu)化及故障診斷，(E-mail)nkdqb@163.com。

中圖分類號(hào)：TH165;TG506

文獻(xiàn)標(biāo)識(shí)碼：A

Research on Traction Transformer Fault Diagnosis Based onImprovedParticleSwarmOptimizedFuzzyNeuralNetwork

QIN Jing1,WANG Yue2,QIN Bo3,WU Qing-chao4

(1.SchoolofElectricalEngineering,HebeiUniversityofArchitecture,ZhangjiakouHebei075000,China;2.SchoolofControlScienceandEngineering,ZhejiangUniversity,Hangzhou310027,China)

Abstract：In order to identify common faults of oil immersed type traction transformer quickly and accurately, a new integrated algorithm based on fuzzy logic,RBF neural network and particle swarm is proposed for fault diagnosis of traction transformer.Particle swarm algorithm has the global search ability and a fast search speed, and fuzzy neural network has the fault tolerant ability,strong adaptability. However,the local search ability of particle swarm is slow. Thus, improved velocity updated strategy and inertia weight strategy are proposed to optimize the structure parameters of fuzzy neural network.Furthermore,an improved particle swarm optimized fuzzy neural network based on oil gas analysis technique is formed.Experimental and simulation results show that the proposed method has a higher fault identification accuracy and stronger generalization ability comparing with BP neural network and the standard PSO optimization of fuzzy neural network.

Key words：traction transformer;improved particle swarm optimization; fuzzy neural network; fault diagnosis