現代大型設備隨著功能的逐步完善，自動化程度加深，其內部結構也越來越復雜。在運行過程中，某一個地方出現故障，就會發生其他連鎖反應，進而導致設備停運，甚至會釀成嚴重的后果。設備中斷路器起到線路的開通使用、關斷退出、檢測排除故障線路等主要的監控和保護作用，負責系統的穩定運行。因此，斷路器的故障診斷也顯得極其重要。專家系統將其所具備的知識、經驗、推理等多項技能按照一定的規則進行編制，組合成復雜的計算機程序。在充分利用計算機系統的情況下，擴展自身的工作范圍，使計算機系統具備自主思考能力，可以順暢地與工作人員進行“交流”，可以應用推理方式提供決策建議。以往運用語言描述、思維推理的難題，RBF神經網絡專家系統故障診斷能夠很好地解決這個問題，兩者在功能上互補，可以更快速地進行故障診斷。

1 故障診斷專家系統簡介

    故障診斷專家系統^[1]的運行步驟為：先對需要被診斷的信息進行收集，然后綜合交叉使用每一種專家經驗，如需要，亦可調用其他應用程序；向用戶索要必需的信息后即能迅速地發現故障所在處，然后經過用戶進行證實。系統結構圖如圖1所示。

    其中部分功能為：

    (1)數據庫:數據庫通常由動態數據庫和靜態數據庫兩部分構成。靜態數據庫是設備的自有參數，而動態數據庫則是運行過程中所產生的一系列參數，如電壓、功率等。

    (2)知識庫:知識庫^[2]包含各種信息，反映系統的因果關系，可以進行故障推理。能否解決問題的關鍵取決于其知識量的內容。

    (3)人機接口:人機接口為人與專家系統進行“交流”提供了一個平臺，是連接人機的紐帶。

    (4)推理機:推理機利用知識庫中的知識，依據已有的信息綜合運用各種規則，按照一定的問題求解策略進行推理診斷，并給出診斷結果，完成問題求解任務。

2 系統設計

    由于基于RBF神經網絡^[3]的診斷專家系統的優越性，被廣泛地運用在故障診斷、管理系統、電機運作等方面。建立基于神經網絡的專家系統一般包括4個步驟：(1)配置系統:確定神經網絡的結構；(2)采集信息:收集有關領域知識的訓練和測試樣本集；(3)訓練網絡:用訓練樣本訓練神經網絡；(4)驗證性能:用測試樣本測試網絡性能。

    系統設計了一個集神經網絡、數據融合、專家系統于一體的故障檢測系統。在本系統中，用戶總控模塊的主要功能是對整個系統進行協調控制，使整個系統成為既獨立又統一的整體；數據庫主要存儲一些原始輸入的有關數據及運行過程中產生的所有數據信息等；知識庫存儲網絡的權重以產生規則的形式表示；推理機制負責神經網絡的輸出結果與知識庫中的原有知識相結合做出推理診斷；結果解釋負責對預測結果做出說明，解釋。

2.1 系統總體設計

    模型框圖如圖2所示。

    本系統的工作過程可以表述為：根據訓練樣本進行訓練，將結果權值矩陣作為知識保存在知識庫中。根據設計要求，首先進入數據庫進行查詢，查詢成功后推薦出符合要求的一組參數值。如果查詢失敗，則通過知識庫中的知識(權值矩陣)，利用推理算法給出運算結果，最后對系統給出的推薦值進行實驗驗證和評價，得到滿意結果，則將其存入數據庫中。

2.2 知識的獲取與表示

    知識從知識源轉移到知識庫，即可獲取所需知識，知識獲取是AI(Artificial Intelligence)知識工程中的關鍵性技術難題。本知識庫系統建立過程中，知識獲取的內容包含提出網絡結構，組織待學習的樣本，使用神經網絡學習算法。通過對樣本的學習，得到所需權值分布，從而完成知識獲取。

    在基于神經網絡的斷路器專家系統中，構造了一個三層RBF網絡。對這些參數進行歸一化計算出它們的特征值(X₁，X₂…X₈)。中間節點數的選擇太多，學習時間過長；若節點數太少，容錯性差，識別能力差。本例經過綜合考慮及程序調試后，選擇的是18個節點。若為6種成分組成的，則網絡的輸出層就有6個輸出節點(Y₁，Y₂…Y₆)。

    為了加快神經網絡的工作速度并避免測得的壞數據造成的不良影響，在輸入量輸入到網絡之前，需要先將輸入量歸一化。在此采用的歸一化處理的方法是統一把輸入量轉化為[0，1]之間的數據，對應的歸一化公式為：

其中，X_i、X_min、X_max分別表示同一特征量的第i個數據、最小值、最大值，X是歸一化后的數據。 

3 故障診斷的實現

    在開關柜故障種類中，機械故障^[4]占的比例很大，很多器件都與機械操作有關，如分合閘時涉及到很多環節；且開關的操作頻率是不固定的，有的很久也不動作，有些卻需要不斷地操作運行。在本文中，為了更好地說明原理和方法，重點監測機械狀態的是斷路器的行程和分合閘的速度以及在操作時的振動信號。斷路器在進行操作時，產生振動信號的時間變化和一些具有特殊意義的數值(如峰值等)，并結合斷路器的分合閘特性曲線來監測其機械狀態，對于正規生產的斷路器，其性能一般也都相對來說比較穩定。斷路器機械特性是否產生改變的判斷根據為：對其進行多次分合閘測試，待其振動波形穩定后，特征曲線即為該穩定的波形。通過該特征曲來判斷斷路器振動信號正常與否。

    由于條件的限制，該裝置并沒有在實際運行現場進行試驗。而是在設備主回路不帶電的情況下，對斷路器動觸頭行程等進行測量，通過串行通信接口將信息發送到PC。此次測試使用的是萬相品牌斷路器樣機，其型號為ZN28-12/T1250-31.5。該型號斷路器出廠的機械特性參數為：分閘時間≤0.06 s，合閘時間≤0.2 s；平均分閘速度0.9～1.5 m/s，平均合閘速度0.4～0.8 m/s；開距11±1 mm，超行程(觸頭彈簧壓縮長度)4±1 mm。通過電流、角位移傳感器來采集動觸頭的行程-時間曲線，分合閘線圈電流信號；這些數據傳送到PC后自動進行有關的計算或處理。本系統的測量數據與準確數據的相對誤差在可允許誤差范圍之內，可以得知設備運行情況。

    現把10 kV真空開關柜作為研究對象，每隔相同的時間分別對其進行采樣：溫度傳感器測得的接頭溫度T₁、電纜連接處的溫度T₂和絕緣電阻值R₁，以上這些測量得到的特征量都將作為輸入量輸入到神經網絡中。對開關柜進行狀態監測，在此采用的是Matlab程序對采集到的數據進行數據的歸一化，歸一化后的結果如表1所示。

    收集數據完成后，采用RBF神經網絡^[5]對數據逐一進行測試。利用Matlab程序建立一個RBF神經網絡：Net=newrb(P，Q，Goal，Spread)。其中P為網絡的輸入向量，Q為輸出向量，從表中可以得到；Goal是均方誤差值，定為0．01；設Spread為徑向基函數的分布，它的大小影響網絡的精度,分別將其設定為0．4，0．5，0．6，0．7，0．8，0．9，1等6個等級。分別取上述值時，經過分析計算，得知Spread=0.7此時的誤差為最小，此時獲得的結果最理想。通過相關參數設置之后，經過圖形用戶接口把Matlab工作空間中的數據導入，在窗口中可以看到建立的網絡結構圖。

    選擇RBF進行網絡診斷時，輸入為8個輸入量，隱含層數為1層，隱含節點數[6]由系統自動生成，直到滿足系統要求的誤差為止。經過多次的訓練之后，網絡的輸出已經達到預先設定的要求，輸出曲線比較光滑，且訓練速度快，本文設定輸出值大于0.5時，表明有此故障類型。從輸出的數據即能得到基于 RBF網絡的專家系統可以準確地分辨出與訓練樣本具有相似健康狀況規律的健康狀況，而且準確度較高。

參考文獻

[1] 卞玉濤，李志華.基于專家系統的故障診斷方法的研究與改進[J].電子設計工程，2013(16)：83-86.

[2] 顧兆丹.基于專家系統的船舶電力系統故障診斷[D].大連：大連海事大學，2012.

[3] 宋海軍，陳步英，李洪燕.基于BP神經網絡的煤礦機械故障診斷專家系統的開發[J]．煤礦機械，2012，33(8)：264-265.

[4] 胡英才.基于神經網絡融合技術的鉆井事故診斷方法研究[D].西安：西安石油大學,2011.

[5] 曹波偉，薛青，牛金濤，等.基于神經網絡和專家系統的裝備智能故障診斷的研究[C]. Proceedings of the 30th Chinese Control Conference，2011(6)：2707-2710.

[6] 鄭圣鵬.基于神經網絡的鍋爐管壁溫度預測研究[J]. 工程與實驗，2012，52(3)：61-63.