ÜZEMFENNTARTÁSI TEVÉKENYSÉGEK 3.09 5.06
Műszaki diagnosztika mesterséges neuronhálózatok alkalmazásával Tárgyszavak: műszaki diagnosztika; transzformátor; transzformátorolaj; szigetelőanyag termikus öregedés; öregedési vizsgálat; mesterséges neuronháló.
A villamos elosztó hálózatok nagy transzformátorainak meghibásodása főként szigetelőanyagaik (olaj és papír) hő okozta öregedésének következménye. A termikus öregedés a közepes és nagy feszültségű kábelekhez használt műanyagok, köztük a PVC dielektromos és mechanikai tulajdonságait is megváltoztatja. Mindkét anyag öregedésének prognózisához 80–140 °C-on többezer órás, tehát hosszadalmas és költséges öregedési vizsgálatot végzett a Sonelgaz társaság (Algéria). Algériai kutatók mesterséges neuronhálókat (artificial neural networks, ANNs) fejlesztettek ki, amelyek lehetővé teszik rövidebb kísérleti idő alatt a termikus öregedési stressz hosszabb távú előrejelzését.
Szigetelések minőségromlása Transzformátorolaj Az energiaellátó rendszerekben használt olajjal töltött berendezések szigetelőképessége, főleg felmelegedett állapotban a levegővel érintkező olaj oxidálódása következtében romlik, a folyamatot réz és acél gyorsítja. A kémiai reakciók oldhatatlan termékei a fenékre leülepedve, felületekre iszap formájában lerakódva csökkentik a transzformátor hűtését és hozzájárulnak az olaj káros felmelegedéséhez. Az olajban a buborékképződés elektromos kisülést idézhet elő, különösen az indukciós tekercs körüli érzékeny térrészben. Az olaj élettartamára vagy várható állapotára vonatkozó információk megszerzése hosszú időt, az olajdiagnosztika nagy adatbázisból végezhető feldolgozást kíván. Un. intelligens módszerek alkalmazása meggyorsítja a folyamatot és költségét is csökkenti.
Az algériai kutatók módszerének alapja az olaj esetében a dielektromos veszteségi tényező mint öregedési mutató, amelyet az olaj 80–120 °C-os öregítése közben (mindig kihűlés után) mértek, 2 kV feszültség és 5 mm elektródtávolság mellett. PVC-kábel A hő okozta öregedésvizsgálat mechanikai próbáit közepes, 10 kV feszültségű kábel szigetelőanyagának az IEC-szabvány szerinti kialakítású 7,5 cm hosszú, 2 mm vastagságú mintáin végezték 80, 100, 120 és 140 °C-os hőmérsékleten. Az öregítés idejének letelte után meghatározták a PVC húzószilárdságát és szakadási nyúlását.
A hő okozta öregedés előrejelzésének módszere A hálózatot leíró alapösszefüggések A kutatók a kísérleti adatok normális eloszlását radiális bázisú Gauss-függvényre építették (radial basis function Gaussian net – RBFGnet). A hálózatot a múltban megfigyelt eseményekkel tanították meg a különféle tulajdonságokra (back-propagation – BP), illetve véletlen jelsorozattal közelítették meg a hibák optimumát. Ez utóbbi véletlen optimalizálási eljárás (random optimisation method – ROM) kevesebb kezdeti megszorítást igényel, pl. a variancia nagyságát illetően. A neuronhálózat tanítására egymást követően közölt információkat (ún. FNN-tanítást), továbbá kötegelt mintákat (batch learning techniques) alkalmaztak. A múltban megfigyelt események sokféle hálózat esetén szolgálhatnak a tanítás alapjaként. Ezek azonban nem egyformán hatékonyak, a kutatás előkészítése során kell meghatározni a legalkalmasabbat. A műszaki diagnosztika hatékonyságát illetően nem közömbös, hogy a hálózat működésében milyen a rejtett réteg bonyolultsága, a tanulások üteme és a megállapítások bizonytalansága miként alakul, az outputban milyen torzításokkal és léptékváltásokkal kell számolni. Megállapítható az egyes hálózatfajták tanulási sebessége. Nem kedvezőek azok a hálózatok, amelyekben a lokális minimum (helyi szélső érték) és a végállapot közötti út sok stagnálással, túl lassú előrehadással tehető meg. A hálózat kialakítására a radiális bázisú Gauss-függvény (a továbbiakban RBF) bizonyult a legalkalmasabbnak, ezzel a jelenlegi értékek interpolációi kellő hatékonysággal végezhetők. Az RBF-hálózat alapja a
„p” számú magfüggvény (core function) súlyozott összegeként definiált interpolációs eljárás, amelynek alapösszefüggése: p
f ( x) = ∑ w j Φ( x − ξ i ) i =1
A definiáló egyenletben az abszolutértékes különbség méri az x változó távolságát az interpolációs hálózat egyes csomópontjaitól, a hálózatban összesen n számú ilyen központ (centres) van, jelük ξ. Az összesen p számú magfüggvényt Φ jelöli, ezek súlyozását pedig w. A magfüggvények révén érhető el a hálózati csomópontok folytonossága. A vizsgálati céloknak megfelelő normális eloszlást választottak, amely az inputoknak a központhoz viszonyított radiális helyzetét tekintve szimmetrikus („haranggörbe”).
Tanítási technika A választott normális eloszlás előnye, hogy függvények generálására alkalmas hálózati modellt hoz létre. Meghatározhatók a Gaussfüggvény helyi jellemzői a hálózat tanításához, és kellően hatékony a függvények generálása, általános alakra hozása. Matematikai értelemben több korlátozó feltétel érvényesül az RBF-függvény alkalmazását illetően. Az 1. ábra szerint az „előre haladó” (feed-forward) hálózat egy rejtett réteggel működik, az ezekben meghatározott függvények teremtenek kapcsolatot a bemeneti (x) és a kimeneti szint (y) között. kimeneti (output) egység
… …
rejtett egységek
bemeneti (input) egységek
1. ábra Előre haladó háló egyedi rejtett réteggel és egyetlen kimenettel (output)
A rejtett rétegben a Gauss-függvény alábbi definiáló egyenletét alkalmazták: 1 n (xi − cij )2 p j ( xi ) = exp − ∑ ) 2 2 i =1 σ ij
A fenti összefüggésben a „c” a hálózat központjait jelöli, ezek száma mindkét változó szerint n, a σ2 pedig a normális eloszlás szélességét jelzi. A tanításhoz – az alapegyenleten több átalakítást végezve – olyan véletlen mintákat (ROM) alkalmaztak, hogy az inputok során az egyes központok közötti távolság egymással egyenlő legyen. A modellben eszerint összesen n számú neuron éri el az input rétegét, ezek áthaladnak a rejtett rétegen, amely az aktuális jeleket a Gauss-függvény szerint értékeli, majd a kimenő rétegben egyetlen válaszneuron jelenik meg „leképezésként”. A gyakorlatban a múltbeli események alkalmazhatók a hálózat tanítására, vagyis a bemenet és a kimenet közötti rejtett összefüggés meghatározására. Összetett analitikai kifejezések (parciális differenciálhányadosok) felhasználásával három alapvető paramétert határoztak meg: – az egyes függvényalakokhoz rendelt w súlyozási rendszert, – a hálózati központok „c” konfigurációját a választott műszaki feladat szerint, – a Gauss-függvény szélességét (σ).
Véletlen alapú tanítási technika (ROM) Sokféle optimumkeresés alkalmazza a véletlen alapú (ROM) vizsgálati módszert. A neuronhálózat esetén az a módszer lényege, hogy ún. „fehér zaj” (white noise) sorozatával módosítják a hálózathoz kialakított súlyozási rendszert. Ezzel a megnövelt súlyozási rendszerrel határozzák meg a neuronhálózat outputjait. Alapesetben olyan súlyozó tényezőket feltételeznek, amelyek nagy kezdeti hibával járnak, és várható, hogy a véletlen zajhatás hozzáadása csökkenti a kezdeti hibát, és ezekkel az elfogadott módosításokkal új súlyrendszert lehet felvenni. Mindaddig megtartják az előzőleg elfogadott súlyozási rendszert, amíg azokkal a számítások az optimális hibának megfelelőek. Nincs lényeges eltérés az előbbi RBFG-eljárás visszatekintő tanításánál bemutatott és a ROM-módszerhez alkalmazott neuronhálózatok
között. Eltérő viszont a súlyrendszerek igazítása, mivel sem a hálózati központok (c) elrendezését, sem a Gauss-függvény szélességét nem szükséges vizsgálni. A hibák minimumra szorításához alkalmazott ismérvek ugyanis ezektől függetlenek a ROM-eljárásban. A varianciavektor szabja meg a ROM eljárásait, viszonylag tág határok között módosítható számítási hibával. Ezekre a hibákra azonban nem jellemzők „túllendülések” (oszcillációk). A ROM eljárásra jellemző, hogy a viszonylag széles hibahatár miatt előfordul stagnálás a hibafelületeken, vagyis a javításhoz viszonylag sok lépés szükséges. Előnyösek az olyan tanítási eljárások, amelyek a nagy varianciák progresszív csökkentésére vezetnek.
Kapcsolat az öregedési folyamat és az igénybevétel mértéke között A neuronhálózatra épített modellvizsgálat fő célja az volt, hogy leírják a PVC anyag öregedési folyamatát különböző termikus igénybevételi feltételek között (2. ábra). A kísérleteket 80, 100 és 120 °C-on végezték és a mérési eredmények jelleggörbéiből modellezéssel adtak előrejelzést a várható öregedési folyamatra (3. ábra). A visszatekintő tanításhoz felhasznált mérési eredmények 1300, 2600, illetve 4800 órás kísérletsorozat eredményei, a hőmérséklettől függően. A két mérés közötti lépésköz 100, 200, illetve 400 óra volt.
szakadási nyúlás, %
350 300 250 200 150 100 50 0 100
hálókimenet kísérleti görbék 800
1500
2200
öregítési idő, h
2. ábra A szakadási nyúlás előrejelzése BP módszerrel
120 °C
400
100 °C
szakadási nyúlás, %
350
80 °C
300 250 200 150 100
hálókimenet kísérleti görbék
50 0
400
1000
1700
2500
4000
5500
7000
öregedési idő, h
3. ábra Az élettartam meghatározása a szakadási nyúlásból A 4. ábra mutatja be az anyag öregedése és az igénybevétel hőmérséklete közötti függvényt, amelynek adatai az előrejelzésekre is alkalmazhatók. 100 000
élettartam, h
hálókimenet kísérleti görbe
10 000
1000 40
60
80
100
hőmérséklet, °C
4. ábra A szakadási nyúlásnak megfelelő hőállósági görbe
120
dielektromos veszteségi tényező
A transzformátorolaj értékmérőjeként dielektromos veszteségét határozták meg az öregedési idő függvényében, 120 °C-on az „FFN-minta” technikáját és az előrejelzéshez két ún. tanuló-időtartamot, 750, ill. 900 órát alkalmazva (5. ábra). A szakaszos tanulótechnikát csak a transzformátorolaj öregedésének előrejelzésére alkalmazták, amely 900 órás tanulási idővel kiváló prognosztikai értékűnek bizonyult, amennyiben nem érzékeny az adatbázis „zajára”. 0,45 0,40
előrejelzett értékek kísérleti értékek
0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 0
400
1200
1600
1200
1600
öregedési idő, h
a)
dielektromos veszteségi tényező
800
0,12 előrejelzett értékek kísérleti értékek
0,10 0,08 0,06 0,04 0,02 0,00 0
b)
400
800 öregedési idő, h
5. ábra A dielektromos veszteségi tényező alakulása az „FFN”-minta technikájával meghatározva, a) tanulási idő 750 h, b) 900 h
A BP- és ROM-eredményeket példaként a 120 °C-os szakadási nyúlás–öregedési idő görbéjén összehasonlítva a kísérleti adatokkal megállapítható, hogy mindkét technika a neuronháló jó előrejelzője, elfogadható hibákkal, de bizonyos különbséggel a ROM javára. A BP-eljárás hátránya ezenkívül a fejlesztőparaméterek kiigazításához szükséges hosszú idő. Összeállította: Dr. Boros Tiborné Mokhnacke, L.; Boubakeur, A.: Prediction of thermal ageing in transformer oil and high voltage PVC cables using artificial neural networks. = IEE Proceedings Science, Measurement and Technology, 150. k. 3. sz. 2003. máj. p.107–112. Mokhnache, L.; Boubakeur, A.: The use of some paradigms of neural networks in prediction of dielectric properties for high voltage liquid-solid and gas insulations. = Proceedings of IEEE-ISEI’02, Boston, Massachusetts USA, 2002. p. 306–309.
