施力仁

(中山市中等专业学校，信息技术部，广东, 中山 528400)

0 引言

随着电气自动技术的不断发展，出现了大量的电气设备，电气设备在工作过程中，如果状态不正常，出现故障，那么会影响电气设备的正常工作，甚至可能会影响到其他相关设备的正常工作[1-2]。电气设备工作状态检测可以帮助管理人员了解电气设备的运行情况，及时或者提前发现电气设备的故障，快速处理这些电气设备故障，保证电气设备的正常工作。因此，电气设备状态检测具有十分重要的研究意义[3-5]。

由于电气设备状态检测具有较高的实际应用价值，国内外许多研究机构的研究人员、相关专业人员以及高校一些科研人员对其进行了有益的研究，并取得了一系列的电气设备状态检测研究成果，提出了许多有效的电气设备状态检测方法[6]。最初一些专业人员通过专业工具进行电气设备状态检测，该方法的检测过程繁锁，而且检测结果具有一定的盲目性和主观性，错误率高，结果可信度低[7]。随后出现基于信号处理技术的电气设备状态检测方法，该方法通过信号的变化去跟踪电气设备状态，并结合一些人工智能技术进行电气设备状态检测模型的设计，如基于决策树的电气设备状态检测方法、基于BP神经网络的电气设备状态检测方法、基于支持向量机的电气设备状态检测方法、基于RBF神经网络的电气设备状态检测方法等。决策树方法的电气设备状态检测速度快，但是检测正确率较低；支持向量机的电气设备状态检测正确率高，但是检测实时性差;神经网络的电气设备状态检测效果要优于决策树，检测实时性要优于支持向量机，成为当前主要的研究方向[8-10]。在神经网络的电气设备状态检测过程中，信号采集和去噪十分关键，当前主要采用普通传感器采集电气设备状态信号，这些状态信号包含了大量的噪声，对电气设备状态检测结果产生不利影响，使得电气设备状态检测效果有待进一步提升。

为了解决当前方法存在的缺陷，提高电气设备状态检测正确率，提出基于光纤传感器的电气设备状态检测方法。该方法结合了光纤传感器、小波去噪方法以及RBF神经网络的优点，通过它们对电气设备状态变化特点进行拟合，并与其他电气设备状态检测方法进行仿真对比测试实验，验证了光纤传感器的电气设备状态检测方法的优越性。

1 基于光纤传感器的电气设备状态检测方法

1.1 光纤传感器采集电气设备状态信号

当电气设备状态发生变化时，其信号的波形也会发生相应的变化，因此通过光纤传感器对电气设备状态信号进行采集。相对于普通传感器，光纤传感器对环境的要求低，可以将被测对象的状态转变为光信号，使得采集电气设备状态信号的速度加快。本文选择的光纤传感器参数见表1。

表1 采集电气设备状态信号的光纤传感器参数

1.2 电气设备状态信号的降噪处理

(1)

对Ψ(t)进行伸缩和平移得到小波序列，具体如：

(2)

由于光纤传感器采集的电气设备状态信号为数字信号，因此构建离散小波序列，具体为

Ψj,k(t)=2-j/2Ψ(2-jt-k),j,k∈Z

(3)

小波变换具体为

(4)

小波逆变换为

(5)

电气设备状态信号降噪实质为通过小波变换得不同的小波系数，将噪声对应的小波系数置为0，然后重构电气设备状态信号，获取滤除噪声后的电气设备状态信号。

1.3 RBF神经网络建立电气设备状态检测模型

1.3.1 RBF神经网络

相比其他神经网络，RBF神经网络的最大不同点为隐含层采用了径向基核函数，通过该核函数对隐含层节点的输入和输出进行非线性映射，可以采用图1对其结构进行描述[11]。

图1 RBF神经网络的基本结构

设Wik表示节点之间的连接权值，对一个输入向量X′，通过非线性映射数R()可以得到节点的相应输出计算式为

(6)

式中，i为神经网络的节点编号。

径向基核函数为

(7)

式中，ci表示径向基的中心。

对于第j个样本，计算其与所有径向基的中心之间的距离，并找到最小的中心cmin，具体如：

cmin(j)=cmin(j-1)+α(X′(j)-cmin(j-1))

(8)

RBF神经网络的学习步骤如下。

Step 1：根据待求解的问题对RBF神经网络的相关参数进行初始化，并设置学习的允许的最大误差。

Step 2：根据式(8)确定输入样本与隐含层节点之间的最小距离。

Step 3：不断调整径向基核函数的中心。

Step 4：对于整个训练样本反复执行Step 2至Step 3，直到满足式(9)设定的条件为止，

(9)

Step 5：确定最优径向基核函数的中心后，对权值wik进行更新操作：

wki(k+1)=wki(k)+Δwki(k)

(10)

1.3.2 RBF神经网络的电气设备状态检测原理

首先采集电气设备状态信号，并采用小波变换去掉电气设备状态信号的噪声；然后提取电气设备状态检测特征，并对其进行归一化处理；最后采用RBF神经网络对特征和电气设备状态之间的关系进行学习，建立电气设备状态检测模型。

2 电气设备状态检测方法的性能测试

2.1 测试平台

为了测试基于光纤传感器的电气设备状态检测方法的有效性和优越性，选择没有降噪+RBF神经网络的电气设备状态检测方法(RBFNN)、普通传感器的电气设备状态检测方法进行对比实验，采用电气设备状态检测正确率、电气设备状态的误检率和漏检率以及电气设备状态检测效率分析各种检测方法的测试结果，采用相同的测试平台，具体如表2所示。

表2 电气设备状态检测测试平台

2.2 测试对象

为了使电气设备状态检测结果更具说服力，将电气设备状态划分为5种类型：正常状态、元件故障、电路故障、负载不均衡、电源故障，分别采用1～5进行编号，对各种状态的样本进行采集，采集的各种样本数量如表3所示。

表3 5种类型电气设备状态的样本数量

2.3 电气设备状态检测结果分析

采用不同电气设备状态检测方法对表3中的测试数据进行学习和建模，并统计电气设备状态检测正确率、电气设备状态的误检率和漏检率，结果如图2所示。

(a)检测正确率

从图2可以看出。

(1)普通传感器的电气设备状态检测正确率为81.47%，电气设备状态的误检率和漏检率分别为10.02% 和8.51%，电气设备状态检测结果无法达到理想状态，缺陷十分明显，这是因为普通传感器对环境因素比较敏感，影响了电气设备状态信号的采集。

(2)RBFNN的电气设备状态检测正确率为86.25%，电气设备状态的误检率和漏检率分别为8.12% 和5.63%，电气设备状态检测结果并非最优，这是因为没有进行降噪处理，噪声干扰了电气设备状态检测结果。

(3)光纤传感器的电气设备状态检测正确率为93.34%，电气设备状态的误检率和漏检率分别为4.26%和2.40%，电气设备状态检测结果十分理想，克服了RBFNN和普通传感器的缺陷，这是因为本文方法采用光纤传感器采集信号，并对噪声进行了去除处理，改善了电气设备状态检测结果。

2.4 电气设备状态的检测效率对比

统计不同方法的电气设备状态检测时间，结果如图3所示。对图3的电气设备状态检测时间进行分析可以发现，对不同的状态，电气设备状态检测时间有一定的差异性，但是对于同一种状态，光纤传感器的电气设备状态检测时间要少于普通传感器和RBF神经网络，这主要是由于通过降噪处理，简化了电气设备状态检测的建模过程，提升了电气设备状态的检测效率。

图3 电气设备状态检测时间对比

2.5 电气设备状态检测方法的通用性测试

为了本文方法的通用性，采用本文方法对100个电气设备的各种状态进行检测，统计电气设备状态检测正确率，结果如图4所示。从图4可以看出，本文方法的电气设备状态检测正确率均高于90%，电气设备状态检测结果十分稳定，具有较好的通用性，实际应用范围广泛。

图4 电气设备状态检测的通用性测试

3 总结

针对当前的电气设备状态检测过程中受噪声干扰和检测效果不理想的问题，为了获得更优的电气设备状态检测结果，本文提出了基于光纤传感器的电气设备状态检测方法，并通过具体仿真实验可以得到如下结论。

(1)采用光纤传感器对电气设备状态信号进行采集，克服了外界环境对电气设备状态信号检测过程的干扰，获得了更好的电气设备状态信号。

(2)引入去噪技术对电气设备状态信号进行预处理，过滤掉电气设备状态信号中的噪声，消除了噪声对电气设备状态检测特征提取的不利影响。

(3)采用RBF神经网络跟踪电气设备状态的变化特点，解决了当前方法无法有效拟合电气设备状态变化特点的弊端，不仅提高了电气设备状态检测正确率，而且其电气设备状态检测结果更加可信。

(4)相对于其他电气设备状态方法，本文方法的电气设备状态检测结果和检测效率均得到了一定的提升，可以保证电气设备正常工作，能够提升电气设备运行的安全性和可靠性，具有十分广泛的应用前景。