现代大型设备随着功能的逐步完善，自动化程度加深，其内部结构也越来越复杂。在运行过程中，某一个地方出现故障，就会发生其他连锁反应，进而导致设备停运，甚至会酿成严重的后果。设备中断路器起到线路的开通使用、关断退出、检测排除故障线路等主要的监控和保护作用，负责系统的稳定运行。因此，断路器的故障诊断也显得极其重要。专家系统将其所具备的知识、经验、推理等多项技能按照一定的规则进行编制，组合成复杂的计算机程序。在充分利用计算机系统的情况下，扩展自身的工作范围，使计算机系统具备自主思考能力，可以顺畅地与工作人员进行“交流”，可以应用推理方式提供决策建议。以往运用语言描述、思维推理的难题，RBF神经网络专家系统故障诊断能够很好地解决这个问题，两者在功能上互补，可以更快速地进行故障诊断。

1 故障诊断专家系统简介

    故障诊断专家系统^[1]的运行步骤为：先对需要被诊断的信息进行收集，然后综合交叉使用每一种专家经验，如需要，亦可调用其他应用程序；向用户索要必需的信息后即能迅速地发现故障所在处，然后经过用户进行证实。系统结构图如图1所示。

    其中部分功能为：

    (1)数据库:数据库通常由动态数据库和静态数据库两部分构成。静态数据库是设备的自有参数，而动态数据库则是运行过程中所产生的一系列参数，如电压、功率等。

    (2)知识库:知识库^[2]包含各种信息，反映系统的因果关系，可以进行故障推理。能否解决问题的关键取决于其知识量的内容。

    (3)人机接口:人机接口为人与专家系统进行“交流”提供了一个平台，是连接人机的纽带。

    (4)推理机:推理机利用知识库中的知识，依据已有的信息综合运用各种规则，按照一定的问题求解策略进行推理诊断，并给出诊断结果，完成问题求解任务。

2 系统设计

    由于基于RBF神经网络^[3]的诊断专家系统的优越性，被广泛地运用在故障诊断、管理系统、电机运作等方面。建立基于神经网络的专家系统一般包括4个步骤：(1)配置系统:确定神经网络的结构；(2)采集信息:收集有关领域知识的训练和测试样本集；(3)训练网络:用训练样本训练神经网络；(4)验证性能:用测试样本测试网络性能。

    系统设计了一个集神经网络、数据融合、专家系统于一体的故障检测系统。在本系统中，用户总控模块的主要功能是对整个系统进行协调控制，使整个系统成为既独立又统一的整体；数据库主要存储一些原始输入的有关数据及运行过程中产生的所有数据信息等；知识库存储网络的权重以产生规则的形式表示；推理机制负责神经网络的输出结果与知识库中的原有知识相结合做出推理诊断；结果解释负责对预测结果做出说明，解释。

2.1 系统总体设计

    模型框图如图2所示。

    本系统的工作过程可以表述为：根据训练样本进行训练，将结果权值矩阵作为知识保存在知识库中。根据设计要求，首先进入数据库进行查询，查询成功后推荐出符合要求的一组参数值。如果查询失败，则通过知识库中的知识(权值矩阵)，利用推理算法给出运算结果，最后对系统给出的推荐值进行实验验证和评价，得到满意结果，则将其存入数据库中。

2.2 知识的获取与表示

    知识从知识源转移到知识库，即可获取所需知识，知识获取是AI(Artificial Intelligence)知识工程中的关键性技术难题。本知识库系统建立过程中，知识获取的内容包含提出网络结构，组织待学习的样本，使用神经网络学习算法。通过对样本的学习，得到所需权值分布，从而完成知识获取。

    在基于神经网络的断路器专家系统中，构造了一个三层RBF网络。对这些参数进行归一化计算出它们的特征值(X₁，X₂…X₈)。中间节点数的选择太多，学习时间过长；若节点数太少，容错性差，识别能力差。本例经过综合考虑及程序调试后，选择的是18个节点。若为6种成分组成的，则网络的输出层就有6个输出节点(Y₁，Y₂…Y₆)。

    为了加快神经网络的工作速度并避免测得的坏数据造成的不良影响，在输入量输入到网络之前，需要先将输入量归一化。在此采用的归一化处理的方法是统一把输入量转化为[0，1]之间的数据，对应的归一化公式为：

其中，X_i、X_min、X_max分别表示同一特征量的第i个数据、最小值、最大值，X是归一化后的数据。 

3 故障诊断的实现

    在开关柜故障种类中，机械故障^[4]占的比例很大，很多器件都与机械操作有关，如分合闸时涉及到很多环节；且开关的操作频率是不固定的，有的很久也不动作，有些却需要不断地操作运行。在本文中，为了更好地说明原理和方法，重点监测机械状态的是断路器的行程和分合闸的速度以及在操作时的振动信号。断路器在进行操作时，产生振动信号的时间变化和一些具有特殊意义的数值(如峰值等)，并结合断路器的分合闸特性曲线来监测其机械状态，对于正规生产的断路器，其性能一般也都相对来说比较稳定。断路器机械特性是否产生改变的判断根据为：对其进行多次分合闸测试，待其振动波形稳定后，特征曲线即为该稳定的波形。通过该特征曲来判断断路器振动信号正常与否。

    由于条件的限制，该装置并没有在实际运行现场进行试验。而是在设备主回路不带电的情况下，对断路器动触头行程等进行测量，通过串行通信接口将信息发送到PC。此次测试使用的是万相品牌断路器样机，其型号为ZN28-12/T1250-31.5。该型号断路器出厂的机械特性参数为：分闸时间≤0.06 s，合闸时间≤0.2 s；平均分闸速度0.9～1.5 m/s，平均合闸速度0.4～0.8 m/s；开距11±1 mm，超行程(触头弹簧压缩长度)4±1 mm。通过电流、角位移传感器来采集动触头的行程-时间曲线，分合闸线圈电流信号；这些数据传送到PC后自动进行有关的计算或处理。本系统的测量数据与准确数据的相对误差在可允许误差范围之内，可以得知设备运行情况。

    现把10 kV真空开关柜作为研究对象，每隔相同的时间分别对其进行采样：温度传感器测得的接头温度T₁、电缆连接处的温度T₂和绝缘电阻值R₁，以上这些测量得到的特征量都将作为输入量输入到神经网络中。对开关柜进行状态监测，在此采用的是Matlab程序对采集到的数据进行数据的归一化，归一化后的结果如表1所示。

    收集数据完成后，采用RBF神经网络^[5]对数据逐一进行测试。利用Matlab程序建立一个RBF神经网络：Net=newrb(P，Q，Goal，Spread)。其中P为网络的输入向量，Q为输出向量，从表中可以得到；Goal是均方误差值，定为0．01；设Spread为径向基函数的分布，它的大小影响网络的精度,分别将其设定为0．4，0．5，0．6，0．7，0．8，0．9，1等6个等级。分别取上述值时，经过分析计算，得知Spread=0.7此时的误差为最小，此时获得的结果最理想。通过相关参数设置之后，经过图形用户接口把Matlab工作空间中的数据导入，在窗口中可以看到建立的网络结构图。

    选择RBF进行网络诊断时，输入为8个输入量，隐含层数为1层，隐含节点数[6]由系统自动生成，直到满足系统要求的误差为止。经过多次的训练之后，网络的输出已经达到预先设定的要求，输出曲线比较光滑，且训练速度快，本文设定输出值大于0.5时，表明有此故障类型。从输出的数据即能得到基于 RBF网络的专家系统可以准确地分辨出与训练样本具有相似健康状况规律的健康状况，而且准确度较高。

参考文献

[1] 卞玉涛，李志华.基于专家系统的故障诊断方法的研究与改进[J].电子设计工程，2013(16)：83-86.

[2] 顾兆丹.基于专家系统的船舶电力系统故障诊断[D].大连：大连海事大学，2012.

[3] 宋海军，陈步英，李洪燕.基于BP神经网络的煤矿机械故障诊断专家系统的开发[J]．煤矿机械，2012，33(8)：264-265.

[4] 胡英才.基于神经网络融合技术的钻井事故诊断方法研究[D].西安：西安石油大学,2011.

[5] 曹波伟，薛青，牛金涛，等.基于神经网络和专家系统的装备智能故障诊断的研究[C]. Proceedings of the 30th Chinese Control Conference，2011(6)：2707-2710.

[6] 郑圣鹏.基于神经网络的锅炉管壁温度预测研究[J]. 工程与实验，2012，52(3)：61-63.