一种发电机电刷滑环烧伤故障程度诊断方法技术

本发明专利技术公开了一种发电机电刷滑环烧伤故障程度诊断方法，基于仿真软件仿真出发电机电刷滑环发生的不同程度烧伤故障，并采集对应流经电刷滑环系统的励磁电流作为训练样本数据，构造出一个基于自适应神经模糊推理系统；使用混合学习算法对构造的自适应神经模糊推理系统进行训练，确定系统中的输入隶属度函数及输出隶属度函数参数；确定了系统参数的自适应神经迷糊推理系统可以用于诊断发电机电刷滑环的烧伤故障及确定烧伤故障的程度。本发明专利技术提供的诊断方法准确有效，精确度高，可操作性强。

A diagnostic method for the degree of burn failure of electric brush ring in power generation

The invention discloses a brush slip ring burn degree of fault diagnosis method, simulation software based on the starting motor brush and slip ring occurred in different degrees of burn failure, and collect the corresponding flow through the brush and slip ring system excitation current as the training sample data, construct a based on adaptive neuro fuzzy inference system; using a hybrid learning algorithm for adaptive neural network the trained fuzzy inference system, determine the system input and output membership function parameters of membership functions; determine the system parameters. The adaptive neural reasoning system can be used to burn fault diagnosis of generator brush slip ring and to determine the extent of burn failure. The diagnosis method provided by the invention is accurate, effective, high precision and maneuverable.

【技术实现步骤摘要】
一种发电机电刷滑环烧伤故障程度诊断方法
本专利技术涉及一种发电机电刷滑环烧伤故障程度诊断方法，属于发电机

技术介绍
双馈异步感应发电机(DFIG)凭借其自身转速调节灵敏、功率变换双向、变频控制灵活等特点广泛应用于风力发电系统。作为发电机的动静转换器件，运行中的电刷滑环系统出现故障而导致发电机无法稳定运行的现象数见不鲜，严重时甚至会出现发电机电刷冒火现象并形成环火，造成机组减负荷后停机。与此同时，电刷滑环系统的日常维护工作量大，需要经常开展人工检查和器件更换工作，尤其是处于像高海拔、低气压、高湿度等这些恶劣环境下的风电机组，这将加大电刷滑环系统维护、修理工作的难度和更多人力、物力和财力的投入。与传统发电机的电刷滑环系统相类似，对双馈异步发电机电刷滑环系统故障的诊断及监测方法多种多样，但是对滑环烧伤故障的研究还未构建成熟的体系，因此很难掌握电机电刷滑环的运行工况而进行准确及时的抢修。截至目前，常用的监测方法有：电刷滑环间火花电弧监测、电刷滑环温度监测和电刷滑环系统振动监测。有学者以双馈异步发电机电刷滑环为研究对象，定量分析了电刷滑环不稳定接触对转子电流的影响，但是所受电机本身和外界干扰太大，具有一定局限性；有学者将热电偶嵌入到距接触面0.15～0.25mm深度处的电刷内来测量电刷和滑环的接触温度，实际操作工艺相对较复杂，精准度要求很高；最新的方法采用红外测温探头非接触测量滑环表面温度，通过通信总线实时传输温度数据，并设置过热报警功能，但检测精度不高，不能稳定实时地反映电机在电刷滑环处的烧伤故障程度。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种发电机电刷滑环烧伤故障程度诊断方法，解决现有技术中发电机电刷滑环故障诊断方法精度不高、可操作性不高、具有一定局限性的技术问题。为解决上述技术问题，本专利技术所提供的技术方案是：一种发电机电刷滑环烧伤故障程度诊断方法，包括如下步骤：建立训练样本集：对电刷滑环烧伤故障程度进行分类，仿真不同程度烧伤故障对应的流经电刷滑环的励磁电流，建立包括不同程度烧伤故障的多个训练样本集；构建自适应神经模糊推理系统：以训练样本集中发生不同程度烧伤故障时流经电刷滑环的励磁电流作为输入，赋予每种程度烧伤故障一个输出，构建自适应神经模糊推理系统，选择推理系统输入输出的隶属度函数；设置推理系统的训练目标误差，对构建的自适应神经模糊推理系统进行训练，确定推理系统的输入隶属度函数参数和输出隶属度函数参数；比较判断：采集流经发电机电刷滑环的励磁电流，输入至自适应神经模糊推理系统，将自适应神经模糊推理系统的输出与每种程度烧伤故障赋予的输出相对比，判断发电机电刷滑环是否烧伤，在满足训练目标误差的条件下，判断故障程度。电刷滑环烧伤故障程度分为：滑环表面正常、滑环表面故障相一处轻度烧伤、滑环表面故障相一处重度烧伤、滑环表面故障相一处轻度烧伤加一处重度烧伤。赋予每种程度烧伤故障一个输出，具体为：滑环表面正常赋输出值“1”、滑环表面故障相一处轻度烧伤赋输出值“2”、滑环表面故障相一处重度烧伤赋输出值“3”、滑环表面故障相一处轻度烧伤加一处重度烧伤赋输出值“4”。建立训练样本集的具体方法如下：基于Ansoft仿真软件，构造发电机电刷滑环不同程度烧伤故障，仿真不同程度烧伤故障情况下流经电刷滑环的励磁电流，建立多个训练样本集；对训练样本集中的励磁电流进行处理，包括采用公式(1)对训练样本集中的励磁电流进行归一化处理：式中：Imax、Imin分别为励磁电流的最大值和最小值，I*为归一化结果，对归一化后的训练样本集使用减法聚类算法来进行非线性规划，将处理后的数据作为自适应神经模糊推理系统的输入。采用混合学习法对构建的自适应神经模糊推理系统进行训练。以训练样本集中发生不同程度烧伤故障时流经电刷滑环的励磁电流作为输入，每组输入有3个隶属度函数，隶属度函数的类型选用高斯型隶属度函数，采用网格分割方式生成。与现有技术相比，本专利技术所达到的有益效果是：1、不需要分离双馈异步发电机和电刷滑环系统作分别研究，保证了电机整体结构运行的完整性，可操作性强，诊断结果准确、可靠；2、避免受电机本身及外界干扰，诊断结果有效，诊断精确度高。附图说明图1是本专利技术涉及的自适应神经模糊推理系统的结构示意图；图2是本专利技术涉及的自适应神经模糊推理系统的训练过程示意图；图3是本专利技术涉及的自适应神经模糊推理系统进行故障程度分类的流程图。具体实施方式本专利技术中考虑了发电机电刷滑环系统表面烧伤的4种故障程度，包括：滑环表面正常、滑环表面故障相一处轻度烧伤、滑环表面故障相一处重度烧伤、滑环表面故障相一处轻度烧伤加一处重度烧伤。基于仿真软件仿真出发电机电刷滑环发生的不同程度烧伤故障，并采集对应流经电刷滑环系统的励磁电流作为训练样本数据，构造出一个基于自适应神经模糊推理系统；使用混合学习算法对构造的自适应神经模糊推理系统进行训练，确定系统中的输入隶属度函数及输出隶属度函数参数；确定了系统参数的自适应神经迷糊推理系统可以用于诊断发电机电刷滑环的烧伤故障及确定烧伤故障的程度。本专利技术提供的诊断方法准确有效，精确度高，可操作性强。下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所示，基于自适应神经模糊推理系统的双馈异步风力发电机电刷滑环烧伤故障程度的诊断方法整个建模过程分5层进行，用Q1,i表示第1层的第i个节点的输出：第1层：该层每个节点i是以节点函数表示的方形节点(该层参数是可变的)：Q1,i＝uAi(x1),i＝1,2；Q1,i＝uB(i-2)(x2),i＝3,4(1)其中：x1(或x2)为节点i的输入，Ai(或Bi-2)是与该节点函数值相关的语言变量，如“大”或“小”等；或者说Q1,i是模糊集A(A＝A1,A2,B1,B2)的隶属度函数，通常可以选用高斯函数或钟型函数；uAi(x1)表示隶属于语言变量A的节点分量；uB(i-2)(x2)表示隶属于语言变量B的节点分量；第2层：该层的节点在图1中用Π表示，将输入信号相乘，而将其乘积输出为：Q2,i＝wi＝uAi(x1)uBi(x2),i＝1,2(2)uBi(x2)表示该层的隶属于语言变量B的节点分量；wi表示该层不同语言变量的分支总量；第3层：该层的节点在图中用Ν表示，第i个节点计算第i条规则的wi与全部规则w值之和的比值为：表示该层各分支总量的加权平均值；第4层：该层每个节点i为自适应节点，其输出为：其中：pi、qi和ri均为结论参数，fi表示加权平均系数；第5层：计算所有规则的最终输出，即计算所有输入信号的总输出为：表示各变量的加权平均量。将发电机流经电刷滑环处的励磁电流仿真数据作为自适应神经模糊推理系统故障诊断系统的输入，对自适应神经模糊推理系统进行训练，从而诊断滑环表面烧伤故障；基于Ansoft仿真软件，构造发电机电刷滑环烧伤故障，仿真出不同程度的烧伤故障数据，建立包括该数据的多个训练样本集；对采集的数据进行归一化处理：式中：Imax、Imin分别为励磁电流的最大值和最小值，I*为归一化数据，均在[0.05,0.95]范围内。对归一化后的训练数据样本空间使用减法聚类算法来进行非线性规划，归一化的数据作为自适应神经模糊推理本文档来自技高网...

【技术保护点】
一种发电机电刷滑环烧伤故障程度诊断方法，其特征在于，包括如下步骤：建立训练样本集：对电刷滑环烧伤故障程度进行分类，仿真不同程度烧伤故障对应的流经电刷滑环的励磁电流，建立包括不同程度烧伤故障的多个训练样本集；构建自适应神经模糊推理系统：以训练样本集中发生不同程度烧伤故障时流经电刷滑环的励磁电流作为输入，赋予每种程度烧伤故障一个输出，构建自适应神经模糊推理系统，选择推理系统输入输出的隶属度函数；设置推理系统的训练目标误差，对构建的自适应神经模糊推理系统进行训练，确定推理系统的输入隶属度函数参数和输出隶属度函数参数；比较判断：采集流经发电机电刷滑环的励磁电流，输入至自适应神经模糊推理系统，将自适应神经模糊推理系统的输出与每种程度烧伤故障赋予的输出相对比，判断发电机电刷滑环是否烧伤，在满足训练目标误差的条件下，判断故障程度。

【技术特征摘要】
1.一种发电机电刷滑环烧伤故障程度诊断方法，其特征在于，包括如下步骤：建立训练样本集：对电刷滑环烧伤故障程度进行分类，仿真不同程度烧伤故障对应的流经电刷滑环的励磁电流，建立包括不同程度烧伤故障的多个训练样本集；构建自适应神经模糊推理系统：以训练样本集中发生不同程度烧伤故障时流经电刷滑环的励磁电流作为输入，赋予每种程度烧伤故障一个输出，构建自适应神经模糊推理系统，选择推理系统输入输出的隶属度函数；设置推理系统的训练目标误差，对构建的自适应神经模糊推理系统进行训练，确定推理系统的输入隶属度函数参数和输出隶属度函数参数；比较判断：采集流经发电机电刷滑环的励磁电流，输入至自适应神经模糊推理系统，将自适应神经模糊推理系统的输出与每种程度烧伤故障赋予的输出相对比，判断发电机电刷滑环是否烧伤，在满足训练目标误差的条件下，判断故障程度。2.根据权利要求1所述的发电机电刷滑环烧伤故障程度诊断方法，其特征在于，电刷滑环烧伤故障程度分为：滑环表面正常、滑环表面故障相一处轻度烧伤、滑环表面故障相一处重度烧伤、滑环表面故障相一处轻度烧伤加一处重度烧伤。3.根据权利要求2所述的发电机电刷滑环烧伤故障程度诊断方法，其特征在于，赋予每种程度烧伤故障一个输出，具体为：滑环表面正常赋输出值“1”、滑环...

【专利技术属性】
技术研发人员：马宏忠，李思源，徐艳，魏海增，张艳，刘宝稳，黄春梅，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32