论文部分内容阅读
励磁系统是同步发电机的重要组成部分,励磁系统一旦发生故障,直接影响着同步发电机的安全可靠运行。由于发电机励磁功率单元的工作电流很大,作为整流回路中的晶闸管等元件易遭受到过流过压而损坏。因此,快速准确地诊断出功率单元的故障部位和性质,对于缩短发电机的停机与检修时间有着十分重要的意义。论文阐述了发电机励磁系统及其故障检修维护的发展现状,结合当前最新的故障诊断方法,确定了粗糙集-神经网络(RSNN)相结合的故障诊断方法,对同步发电机励磁系统功率单元进行故障诊断。首先,采用MATLAB对励磁系统功率单元的故障进行建模仿真,得出晶闸管发生开路与短路情况下整流回路的输出波形;其次,应用BP神经网络方法对励磁系统功率单元进行故障诊断,并详细介绍了粗糙集理论特点及其应用成果;最后,采用了RSNN方法对励磁系统功率单元进行故障诊断。在RSNN分步法中,先利用粗糙集理论对故障属性建立决策表,并利用粗糙集理论中的知识约简方法化简决策表,得到故障类型的诊断规则并实现功率单元故障类型的诊断,再利用神经网络的非线性映射特性,将训练好的神经网络实现功率单元的故障元诊断;在RSNN整体法中,先对故障电压波形进行数据采样获得神经网络的训练样本,利用粗糙集理论中知识约简,消除冗余的故障样本,再利用约简后的故障样本对神经网络进行训练,将训练好的神经网络用于励磁系统功率单元的故障诊断。通过仿真实验验证,基于粗糙集-神经网络分步法和整体法均能准确的诊断出功率单元的故障元。特别是在RSNN整体法中,经过粗糙集理论处理过的样本数据,使得神经网络的训练规模比单纯的神经网络规模大大减小,在保证故障诊断的正确率不变的情况下,使故障诊断的速度大大提高。