滿芳芳，李安麒，布 和

（中國人民解放軍96922部隊，遼寧 大連 116000）

0 引 言

電子通信指揮系統(tǒng)在突發(fā)事件中是政府的應(yīng)急通信的重要組成部分，而其中電源線路在常規(guī)情況下通常不會使用，容易出現(xiàn)故障，導致在突發(fā)情況下無法使用，因此需要對其電源線路故障進行診斷[1]。國外對線路故障診斷研究中早期通過數(shù)學分析法對人為制造的故障進行了故障診斷試驗，后期則開始研究了人工智能技術(shù)在故障診斷上的可能性，而隨著計算機技術(shù)的發(fā)展，故障診斷技術(shù)也開始逐步成熟[2]。而國內(nèi)在該方面起步較晚，雖然隨著研究也提出了運用模型，對線路中的數(shù)據(jù)進行帶入，得出故障情況，但該方法存在很多局限性，而智能化的故障診斷技術(shù)又往往存在著成本過高的問題[3]。

1 電源線路故障診斷方法

1.1 線路電弧特性分析

考慮到在線路故障發(fā)生時，往往存在瞬時性短路，而當在電源線路中的接地故障出現(xiàn)時，因故障點和線路電源上保持聯(lián)系，系統(tǒng)電源的故障點處會和大地形成故障回路，在電弧特性上會反映出一個幅值很大的電流壓降[4]。而當系統(tǒng)電源線路屬于正常工作的情況下，電弧通常比較穩(wěn)定。電弧壓降僅僅在弧柱有較小的反應(yīng)，弧角上幾乎沒有變化。那么在電弧特性的分析中，去監(jiān)測電弧動態(tài)電導變量和電弧的穩(wěn)態(tài)電導常量，并根據(jù)時間常數(shù)得出電源線路中的電弧動態(tài)特性。在對電弧穩(wěn)態(tài)電導常量的監(jiān)測中，需要考慮到電弧電流的絕對值和單位長度下的電弧電壓。根據(jù)文獻研究的值，在電源線路中的電弧伏安特性上存在磁滯特征。由于非故障相與故障相間存在靜電親和，導致故障點處仍然會有一段時間燃燒，而且在電弧電壓低于電弧重燃電壓時，二次電弧情況才會消失。而二次電弧的伏安特性與一次電弧不同，在非故障相和故障相之間的互感，產(chǎn)生的電弧幅值對比一次電弧電流更小，同時存在時間變化動態(tài)特性。

1.2 電源線路特征提取

對電源線路特征的提取可以使用小波變換來進行，通過對電源線路中的局部格式頻率自動變化的截取，在電源線路的高頻處截取出窄的視覺窗，并在低頻處截取寬的時間窗來處理非平穩(wěn)信號。小波分析時，可以將信號分解成不同的小波分量。在不同的分量級中，反映不同寬度的時間窗口，不同級也對應(yīng)不同寬度的頻窗。在小波疊加的作用下，結(jié)果通常等于信號的低通頻波。在不同的分級分析上，就需要實現(xiàn)精細程度的時、頻分析。而對電源線路的參數(shù)指標的診斷中，可以采用小波的多分辨分析，對信號提供實時的時頻分解，考慮到時頻尺度時存在二進制變化的，在截取下的高頻段的頻率分辨較差，同時對低頻段時間窗口分辨較差，因此要對電源線路的特征信號進行間隔劃分。在診斷分析中，可以將頻帶進行多層次的劃分，通過小波疊加對高分辨分析和低分辨分析的部分進行深入分解，同時根據(jù)信號特征選擇相應(yīng)的頻帶，并讓信號頻譜匹配，提高時間窗口和頻率窗口的分辨率。

1.3 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

神經(jīng)網(wǎng)絡(luò)在進行模式識別中，可以反映非線性映射，同時對于輸入和輸出的信息變化反應(yīng)較快，適合復(fù)雜問題的求解[5]。而神經(jīng)網(wǎng)絡(luò)的自我學習能力較強，在網(wǎng)絡(luò)訓練后，根據(jù)計算需求可以自動選擇計算步驟，同時具備泛化性能，在輸入非訓練函數(shù)時，仍能產(chǎn)生相應(yīng)的響應(yīng)，適合進行電源線路的故障診斷。對神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置中，網(wǎng)絡(luò)層數(shù)的設(shè)置中，需要保證神經(jīng)網(wǎng)絡(luò)可以逼近所要求的任意連續(xù)函數(shù)。通常，神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)層數(shù)越多測量值越準確，但網(wǎng)絡(luò)層數(shù)越多訓練時間也就越長。電源線路故障診斷方法中的神經(jīng)網(wǎng)絡(luò)層數(shù)選擇上，將故障信息劃分為4組數(shù)據(jù)，在輸入層的節(jié)點中選擇4個，特征編碼設(shè)置為8位，則輸出節(jié)點選擇8個。而隱含層神經(jīng)元數(shù)的確定，可以根據(jù)被測目標的輸入和輸出信息來進行確定，在神經(jīng)網(wǎng)絡(luò)的設(shè)計中，可以對不同的隱含層數(shù)的網(wǎng)絡(luò)進行訓練，并在結(jié)果中找到符合要求的神經(jīng)元數(shù)量。

1.4 粒子群算法神經(jīng)網(wǎng)絡(luò)診斷

神經(jīng)網(wǎng)絡(luò)作為多層前饋網(wǎng)絡(luò)，可以模擬各種函數(shù)，而由于計算采用整體逼近的方法，使整體特征不會因個體誤差而變化。但是神經(jīng)網(wǎng)絡(luò)中存在梯度下降的情況，且收斂速度較慢，同時對初始權(quán)值變化敏感，容易受到影響。神經(jīng)網(wǎng)絡(luò)中的各節(jié)點數(shù)量按章節(jié)1.3的方法進行確定，但在初始化時則需要對粒子群算法進行確定，同時由于適應(yīng)度函數(shù)由網(wǎng)絡(luò)的均方誤差確定，因此在神經(jīng)網(wǎng)絡(luò)中全局最優(yōu)值，可以采用粒子當前值。同時粒子群中粒子個體的適應(yīng)度值應(yīng)根據(jù)粒子個體的當前值，并使適應(yīng)值作為當前值。在診斷中，通過自動編碼，將上述的電弧特性以及線路特征參數(shù)輸入至輸入層中，通過神經(jīng)元的激活函數(shù)進行參數(shù)計算，將輸入的數(shù)據(jù)從輸入端傳送到隱含層，隱含層通過收斂將數(shù)據(jù)形成編碼信息，再將編碼信息傳送至輸出層中，在傳輸過程中完成信息重構(gòu)，根據(jù)數(shù)據(jù)信息診斷電源線路故障情況。

2 實驗論證分析

為了驗證設(shè)計的電源線路故障診斷方法的可行性，使用電子通信指揮系統(tǒng)電源中28 V-11 V的DC-DC變換電路作為故障診斷的實例，并使用兩種方法進行線路故障診斷，判斷兩種方法之間的優(yōu)劣性。

實驗中為了實現(xiàn)對DC-DC電路的故障診斷，軟硬故障類型均設(shè)置了5種故障模式，并對電路工作模式進行仿真，提取故障模式中的特征參數(shù)，使用所提方法與傳統(tǒng)方法進行對比實驗。硬故障的對比結(jié)果如表1所示。

由表1可知，兩種方法在對明顯的硬故障的診斷中均達到了較好的診斷率，而軟故障的診斷結(jié)果對比如表2所示。

由表2可知，傳統(tǒng)方法在進行軟故障診斷時，正確率較低，且無法實現(xiàn)對二極管DIODE導通電阻增大故障的診斷，而所提診斷方法在兩種類型的故障中均可以實現(xiàn)準確的診斷，證明所提方法具有可行性。

3 結(jié) 論

通過使用神經(jīng)網(wǎng)絡(luò)設(shè)計了電源線路故障的診斷方法，結(jié)果證明其在診斷中正確診斷率高于傳統(tǒng)方法，存在可行性。但是考慮到實際使用環(huán)境和實驗環(huán)境間區(qū)別較大，實際情況下噪音和電壓不穩(wěn)定的情況都會影響診斷情況，未來研究將會考慮到實際環(huán)境下的應(yīng)用，并開展進一步的深入研究。

表1 硬故障診斷結(jié)果對比

表2 軟故障診斷結(jié)果對比