摘要：针对当前方法存在的电气设备状态检测正确率低，误检率、漏检率高居不下的难题，为了改善电气设备状态检测结果，设计基于光纤传感器的电气设备状态检测方法。分析电气设备状态检测的研究现状，找到各种电气设备状态检测方法的局限性；通过光纤传感器采集电气设备状态信号，对电气设备状态信号进行预处理，并从电气设备状态信号中提取特征；采用ＲＢＦ神经网络根据特征拟合电气设备状态变化特点，建立电气设备状态检测模型，并与其他电气设备状态检测方法进行仿真对比测试实验。实验结果表明，提出的方法的电气设备状态检测正确率超过９０％，电气设备状态的误检率、漏检率均低于５％，检测效果明显优于对比方法，可以应用于实际的电气设备安全维护中。

关键词：电气设备；状态信号；ＲＢＦ神经网络；信号去噪；检测效率

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。

１．２电气设备状态信号的降噪处理

设Ψ（ｔ）∈Ｌ２（Ｒ），Ｌ２（Ｒ）的傅里叶变换为Ψ（ω），当Ψ（ω）满足式（１），Ψ（ｔ）表示母小波，ＣΨ＝∫ＲΨ（ω）２ωｄω（１）对Ψ（ｔ）进行伸缩和平移得到小波序列，具体如：Ψａ，ｂ（ｔ）＝１ａΨｔ－ｂ（）ａ，ａ，ｂ∈Ｒ（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Ｗｆ（ａ，ｂ）＝〈ｆ，Ψａ，ｂ（ｔ）〉＝ａ－１／２∫Ｒｆ（ｔ）Ψｔ－ｂ（）ａｄｔ（４）小波逆变换为ｆ（ｔ）＝１ＣΨ∫Ｒ∫Ｒ１ａ２Ｗｆ（ａ，ｂ）Ψｔ－ｂ（）ａｄａｄｂ（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。

１．３ＲＢＦ神经网络建立电气设备状态检测模型

１．３．１ＲＢＦ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］。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ｌｉ＝１ＷｉｋＲｉ（Ｘ′）（６）式中，ｉ为神经网络的节点编号。径向基核函数为Ｒｉ（Ｘ′）＝ｅｘｐ－１２Ｘ′－ｃｉσ（）（）ｉ（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。Ｓｔｅｐ１：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。Ｓｔｅｐ２：根据式（８）确定输入样本与隐含层节点之间的最小距离。Ｓｔｅｐ３：不断调整径向基核函数的中心。Ｓｔｅｐ４：对于整个训练样本反复执行Ｓｔｅｐ２至Ｓｔｅｐ３，直到满足式（９）设定的条件为止，Ｊｅ＝∑ｌｉ＝１ｘ（ｋ）－ｃｉ（ｋ）≤ε（９）Ｓｔｅｐ５：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）１．３．２ＲＢＦ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。

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。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。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。

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。

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。

作者:施力仁 单位:中山市中等专业学校