[发明专利]一种基于LM-BP算法的弹簧操作机构故障识别方法、系统、设备及存储介质

说明书

本发明提出了一种基于LM‑BP算法的弹簧操作机构故障识别方法、系统、设备及存储介质，旨在解决断路器易发生机械故障，无法实现操作机构的故障诊断问题。本发明在确定线圈电流特性与操作机构故障间的对应关系的基础上，提出了操作机构故障诊断方法，采用含有一个隐含层的BP网络，在全局误差大于等于精度值、最大训练次数小于等于训练次数时，选取下一个训练样本及对应的期望输出，计算第n个样本数和修正量，网络误差增大引入阻尼因数再继续计算隐含层和输出层的连接权值，直到全局误差小于精度值、最大训练次数大于训练次数网络训练结束，实现故障识别。解决了传统网络易陷入局部最小值与平坦区问题，提高了神经网络的收敛速度和判断准确度。

技术领域

本发明属于故障诊断领域，具体涉及一种基于LM-BP算法的弹簧操作机构故障识别方法、系统、设备及存储介质。

背景技术

高压断路器是一种重要的电气设备，机械结构较为复杂，动作频率较为频繁，易发生机械故障，影响断路器分合闸动作可靠性，进而影响电力系统安全稳定性。操作机构作为断路器分合闸动作最重要的机构，保证操作机构的稳定可靠动作直接影响高压断路器运行的安全可靠性。

为深入研究线圈电流特性与高压断路器弹簧操作机构状态之间的关系，实现操作机构故障诊断，提高高压断路器安全可靠性，在分析了断路器操作机构各机械特性的基础上，选择分合闸线圈电流特性进行故障诊断，但是无法实现操作机构的故障诊断。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于LM-BP算法的弹簧操作机构故障识别方法、系统、设备及存储介质，旨在解决现有技术中断路器易发生机械故障，操作机构作为断路器分合闸动作最重要的机构，无法实现操作机构的故障诊断的缺陷性技术问题。

为了达到上述目的，本发明采用以下技术方案予以实现：

本发明提出的一种基于LM-BP算法的弹簧操作机构故障识别方法，根据BP神经网络隐含层和输出层计算得到的连接权值计算全局误差；

当全局误差小于精度值或训练次数大于最大训练次数时，BP神经网络训练结束，实现弹簧操作机构故障识别；

当全局误差大于等于精度值或训练次数小于等于最大训练次数时，选取下一个训练样本及对应的期望输出，计算样本数和修正量并对BP神经网络中引入阻尼因数，继续计算隐含层和输出层的连接权值，直到全局误差小于精度值或训练次数大于最大训练次数BP神经网络训练结束，实现弹簧操作机构故障识别。

优选地，一种基于LM-BP算法的弹簧操作机构故障识别方法的具体操作步骤如下：

S1、对BP神经网络进行初始化处理，随机选取第k个输入样本x(k)及输入样本x(k)对应的期望输出d(k)，设定误差函数为e，精度值为ε，最大训练次数为z，训练次数为n；

S2、根据S1计算得到的输入样本x(k)及输出期望d(k)，分别计算隐含层和输出层的连接权值；

S3、根据S2得到的连接权值计算全局误差E；

若E＜ε或n＞z，BP神经网络训练结束，实现弹簧操作机构故障识别；

若E≥ε或n≤z，选取下一个训练样本及对应的期望输出d(k)，计算第n个样本数X_n和修正量Δ，对BP神经网络中引入阻尼因数λ再继续执行S2的操作，直到E＜ε或n＞zBP神经网络训练结束，实现弹簧操作机构故障识别。

优选地，S2的具体操作步骤如下：

S2.1、根据S1计算得到的输入样本x(k)及输出期望d(k)，计算隐含层各神经元的实际输入和实际输出计算输出层各神经元的实际输入和实际输出