基于IAGA-BP的复杂机电产品线缆故障定位方法研究.pdf

电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 7 期2023 年 7 月Vol.35 No.7Jul.2023基于 IAGA-BP 的复杂机电产品线缆故障定位方法研究王发麟，袁刚，龚建华，俞威（南昌航空大学航空制造工程学院，南昌 330063）摘要：针对复杂机电产品线缆断路故障定位难的问题，本文提出一种改进的自适应遗传算法与误差逆向传播神经网络相结合的线缆断路故障定位方法。首先，采用改进的自适应遗传算法对误差逆向传播神经网络的权值阈值选取进行优化；然后，将预测的定位结果与同类型的算法进行比较，结果表明改进的自适应遗传算法与误差逆向传播神经网络相结合的方法对定位线缆故障距离效果更好。最后，结合某相控阵雷达机柜中的故障线缆实例，验证了本文提出的方法在复杂机电产品线缆断路故障定位方面的可行性。关键词：线缆故障定位；小波分析；改进自适应遗传算法；神经网络；复杂机电产品中图分类号：TP391文献标志码：A文章编号：1003-8930（2023）07-0065-09DOI：10.19635/ki.csu-epsa.001142Research on Cable Fault Location Method for Complex Mechatronic Products Based onIAGA-BPWANG Falin，YUAN Gang，GONG Jianhua，YU Wei（School of Aeronautical Manufacturing Engineering，Nanchang Hangkong University，Nanchang 330063，China）Abstract:Aimed at the problem of difficulty in locating the cable open-circuit fault in complex mechatronic products，acable open-circuit fault location method which combines improved adaptive genetic algorithm with back propagation BPneural network is proposed in this paper.The weight threshold selection of back propagation BP neural network is optimized by the improved adaptive genetic algorithm，and the predicted location results are compared with those of thesame type of algorithm.Results show that the improved adaptive genetic algorithm combined with back propagation BPneural network is more effective in locating the cable fault distance.Finally，a faulty cable in a phased array radar cabinet is taken as an example，and the feasibility of the proposed method in cable open-circuit fault location for complexmechatronic products is verified.Key words:cable fault location；wavelet analysis；improved adaptive genetic algorithm；neural network；complex mechatronic product复杂机电产品线缆故障定位是指当线缆中发生某些故障问题时，检修人员需要快速找出故障发生的位置以维护各个系统间的正常运行，保证产品设备的正常工作。为了及时准确地查找出故障发生的位置点或者故障区域，提高线缆整体的故障维修效率，故障定位技术越来越被重视，尤其在复杂机电产品中，产品内部线缆错综复杂，线缆故障定位变得更加重要1-4。近年来，针对线缆故障定位的研究已成为国内外学者关注的重点，文献5提出一种新的基于阻抗线缆故障定位技术，利用阻抗矩阵通过最小二乘法估计故障电流，提高故障定位的精度。文献6提出一种单端行波的故障测距方法，利用离散的小波变换从电压中提取暂态信息，采用支持向量机对故障段进行识别，通过观察行波图来确定故障的位置点；该方法在多种故障类型中均有很好的精度效果，对于老化的线路也有较高的精度。文献7提出了时域反射技术的飞机线缆故障定位方法，利用时域反射法TDR（time domain reflection）测量反射波的电压幅度，计算阻抗的变化，从而获取故障点到测出点之间的距离；该方法精度较高，但当线缆中的阻抗过小时，就很难确定反射的波形导致无法定位，同时当线缆故障距离较远时，反射波在传输的过程中会存在衰减耗损的情况，也会导致定位误差收稿日期：2022-07-21；修回日期：2022-10-26网络出版时间：2022-11-10 14：20：52基金项目：江西省自然科学基金重点资助项目（20212ACB202005）王发麟等：基于 IAGA BP 的复杂机电产品线缆故障定位方法研究电 力 系 统 及 其 自 动 化 学 报66第 7 期增大。文献8提出一种基于遗传算法的故障分层定位方法，通过分析开关函数的影响机理建立分层故障定位模型，提高算法的收敛速度，能够准确快速的对故障进行定位，但容易陷入局部最优。由于线缆的特殊性使线缆在故障定位方面仍存在许多问题亟待解决。现有的线缆定位技术大多采用行波法，存在较大的误差。随着智能算法的出现给线缆的故障定位问题提供了一种新的研究思路。本文在已有研究的基础上，提出一种基于改进自适应遗传算法和误差逆传播IAGA-BP（improvedadaptive genetic algorithm-back propagation）的复杂机电产品线缆断路故障定位方法。首先，通过SIMULINK搭建线缆故障仿真模型，模拟线缆断路故障。然后，利用小波分析对故障信号进行特征量提取，将提取的特征量作为误差逆向传播BP（backpropagation）神经网络的输入，故障距离作为输出，构建BP神经网络定位模型。接着，在遗传算法GA（genetic algorithm）和自适应遗传算法 AGA（adaptive genetic algorithm）的基础上提出利用改进自适应遗传算法 IAGA（improved adaptive genetic algorithm）对 BP 神经网络的权值阈值进行优化的方法。最后，结合某相控阵雷达机柜中的故障线缆，分析IAGA-BP在复杂机电产品线缆断路故障定位方面的可行性，结果表明，IAGA-BP方法对定位线缆故障距离的效果更好，并在一定程度上提高了线缆定位的准确率。1线缆故障模型构建1.1问题描述目前，针对线缆故障定位问题的研究大多采用阻抗法和行波法的测距来确定线缆故障点的位置。行波法测量线缆故障距离的原理是通过对故障线缆发射“行波”，记录入射波与反射波之间的时间差值和“行波”在线缆中的传播速度来确定线缆的故障距离。由于受到线缆材质、线缆老化和工作环境等因素的影响，导致“行波”在线缆中传播的速度无法精确的确定，从而产生较大的定位误差。研究发现，通过改变线缆故障距离，故障信号中的某些特征量会因为故障距离的改变而改变，例如，反射波的幅值、信号的模极大值均会发生改变，两者之间存在某种对应关系。因此，本文提出反射信号的幅值、模极大值与确定线缆的故障距离之间存在一定关系的猜想，以幅值和模极大值为研究对象，通过小波分析提取故障信号中的特征量，建立特征量与故障距离之间的BP神经网络定位模型。1.2线缆故障仿真模型本文以MATLAB为仿真平台，搭建线缆故障仿真模型如图1所示。该模型的工作原理为采用受控电压源将外部信号转化为线路可采用的信号；采用分布式参数线缆作为测试线缆，其中，分布式参数线缆中的电阻、电容和电感数据可通过查阅相关资料进行设定；线缆的长度即为断路故障距离，可通过改变线缆长度，进而改变故障的距离；通过电压表记录故障信号的电压变化；通过示波器对故障信号进行展示。最终将得到的故障信号图形通过小波分析方法进行分析，并提取故障信号中的特征量9-10。本文的仿真实验以窄脉冲信号为测试信号，图 2 给出了周期为 1 s、幅值为 220 V、占空比为0.5%的窄脉冲信号，其中，图2（b）为测试信号的放大图。图3给出了线缆在500 m处断路故障的反射波形仿真测试信号。以线缆长度500 m处发生断路故障为例，在断路故障时如果线缆中发生的故障未知，可通过观察图3反射波形的极性来判断是否为断路故障，当其极性与入射波的极性相同时即为断路故障。在图3所示的线缆500 m处的断路故障反射波形基础上，调整线缆的故障距离为100 m、200 m、300 m、400 m等不同距离，继续进行断路故障实验，得到相应的反射波形，通过反射波形来提取其在对应故障距离下的特征量。1.3小波分析及特征量提取小波分析是根据信号分析的实际经验建立相对应的反演公式，已成为现代信号处理的重要方法之一，在特征提取和故障诊断等方面均有广泛地应用。由小波分解的正交特性可知，信号分解后的信息量是完整的，因此利用小波分析信号频率的分布情况可以有效地提取信号中的特征值11-13。本文利用小波分析对线缆故障信号的特征量进行提取分析，并将提取出来的特征量作为神经网络的输入，从而实现对线缆的故障进行定位。由文献1，12对线缆故障定位的的研究可得以下结论：随着故障距离的逐渐增加，线缆在断路处的阻抗不连续会导致反射信号中的幅值发生相应的衰减；当故障距离越大时对应电压幅值越小，故障距离的大小会影响反射信号的幅值大小。信号的奇异点往往包含了比较重要的信息，当线缆在某处发生故障时，该处的信号会发生突变，从而产王发麟等：基于IAGA BP的复杂机电产品线缆故障定位方法研究67第 35 卷生一个对应的奇异点，通过定位奇异点便可确定线缆的故障距离；由于模极大值是检测奇异性位置的重要指标，故线缆的故障距离与奇异点之间的关系转化为线缆故障距离与模极大值之间的关系。因此，确定线缆的故障定位特征量为“幅值、模极大值”，验证了本文在第1.1节中提出的猜想。对于线缆故障信号中的模极大值问题，由小波变换的内积定义可得14Wf()a,=f,a,=|a-1 2-f()t()()t-a dt（1）式中：Wf为f()t的小波变换函数；f()t为原始信号；a,为在尺度因子为a、平移因子为时的小波基函数；()()t-a为在对小波基函数进行尺度因子为a的伸缩和平移因子为的平移操作后得到的小波函数。当 在 某 一 尺 度a0下 有 一 点()a0,0使 得Wf()a0,=0，则称点()a0,0是局部极值点，若对0邻域内的任一点有|Wf()a0,|Wf()a0,0（2）则称()a0,0为小波变换模的极大值点15。通过MATLAB软件中的小波分析工具箱对采集到的500 m处的断路反射故障信号进行小波分析，由于在进行线缆故障仿真时，给定的原始信号为理想信号，即未设置与白噪声类似的干扰信号，故信号总体上比较光滑。本文选择多贝西 db（Daubechies）小波对信号进行分析，并利用db4对信号进行5层分解，其结果如图4所示。其中，s为故障信号；a5为故障信号的近似信号（低频信号）；图 1线缆故障仿真模型Fig.1Simulation model of cable fault采用分布式参数线缆作为研究对象，模拟断路故障，可设置故障距离设置线路中的阻抗将外部信号转化为线路可采用的信号信号输出信号输入端口信号输入信号输入工作区受控电压源连续模块示波器1电压表接地端含有阻抗的电路器件对信号进行分析设置模拟类型、模拟参数，可以对反射信号进行频谱分析信号输出工作区受控电压源+-S+-V分布式参数线缆示波器，可以用于记录信号电压幅值，以图象形式表达示波器信号输出信号输出工作区1+-V（a）窄脉冲测试信号图 2线缆窄脉冲测试信号Fig.2Cable narrow pulse test signal25020015010050幅值/V时间/秒0.10.2 0.3 0.4放大图见图2（b）0.5 0.6 0.7 0.8 0.91.00（b）测试信号放大图2201761328844幅值/V时间/秒0.0050.0100.0150.0200.0250.0300图 3线缆断路故障反射信号Fig.3Reflected signal of cable open-circuit fault4.03.53.02.52.01.51.00.5幅值/V采样点1020304050600-电 力 系 统 及 其 自 动 化 学 报68第 7 期d1d5为对故障信号进行5层分解的细节信号。通过对高频分解系数d1的分析，确定奇异点的位置，在采样点为16时信号发生突变，此时对应的模极大值为1.16，在图4中为五角星点。通过小波分析对故障信号进行分析和特征量的提取，以线缆断路故障为例，列举5组不同线缆故障距离，其对应的模极大值和幅值如表1所示。2基于 IAGA-BP 的线缆故障定位方法2.1遗传算法遗传算法是对个体数进行编码操作，通过适应度函数确定个体适应度值，再通过选择、交叉、变异操作形成下一代种群，直到新的种群满足适应度条件后输出最后的结果。遗传算法对于复杂问题能够有一个很好的解，但本身容易陷入早熟，需要对算法本身进行改进，以避免早熟现象的发生16-18。2.2BP 神经网络BP神经网络通过不断地调整修正各层之间的权值阈值，使实际输出结果与期望的输出结果误差最小。BP 神经网络在解决非线性问题时十分方便，但本身的稳定性较差，权值阈值的选择没有规范性。因此，本文通过遗传算法对BP神经网络的权值阈值进行优化求解，以提高算法的稳定性19-21。2.3IAGA-BP 算法设计与实现步骤本文以BP神经网络作为线缆故障定位模型，通过遗传算法对其权值阈值进行优化处理。由第1.3节对影响断路线缆故障距离特征量的描述，将幅值、模极大值作为BP神经网络的输入，故障距离作为输出，隐含层中神经元的个数由经验公式确定为6，BP神经网络的结构为2-6-1，共有18个权值（权值计算为26+61）、7个阈值（阈值计算为6+1），对于线缆定位问题遗传算法个体的编码长度为25。IAGA-BP算法流程的具体步骤如下。步骤1对个体进行编码，确定种群数。采用十进制编码，线缆定位种群数确定为N=10。步骤2计算个体的适应度。当故障定位的误差越小时，表明预测的结果越准确，将神经网络训练数据预测的误差绝对值作为目标函数F，则适应度函数F为F=eF（3）式中，为选择的强制性，其值越小，选择的强制就越趋向于那些具有较高适应性的染色体。当个体的适应度满足条件时，解码输出最优权值阈值；当不满足时继续进行下一步操作。步骤3对个体进行选择操作。选择是在群体中选择“生命力”强的个体产生新的群体的过程。本文采用轮盘赌的选择操作方法，第i个个体被选择的概率pi为pi=f()xii=1Nf()xi,()i=1,2,N（4）式中，f()xi为个体适应度值，其值越小越好。步骤4对个体进行交叉操作。交叉操作是对两条染色体上的一点或多点基因进行交换产生新的个体的过程，设交叉操作的概率为pc，按照算术交叉的方式进行交叉操作可得第t+1代的两个交叉个体Xt+1a、Xt+1b为Xt+1a=Xtb+()1-XtaXt+1b=Xta+()1-Xtb（5）式中：Xta、Xtb为在第t代的两个交叉个体；为一个常数，由进化代数决定。步骤5对个体进行变异操作。变异也是产生图 4小波信号分解Fig.4Wavelet signal decomposition1.20-1.2d1采样点510152025550303540455010-1d210-1d30.20-0.2d40.20-0.2d50.30.20.1a52.41.20s表 1特征提取数据Tab.1Feature extraction data故障距离/m100200300400500模极大值2.862.421.951.551.16幅值6.895.774.723.662.57王发麟等：基于IAGA BP的复杂机电产品线缆故障定位方法研究69第 35 卷新个体的操作方法，保证算法在运行过程中种群的多样性。设变异概率为pm，采用均匀变异的方式进行变异。由于步骤4、步骤5中的交叉和变异的概率均是固定的，过高的交叉变异概率会使优秀的个体被破坏，交叉变异概率过小得不到新的个体，这样进行操作运算时算法均容易陷入早熟现象，得不到最优解。因此，需要对交叉操作概率pc和变异概率pm进行改进，提出动态调整的自适应交叉变异率。为保证种群多样性的同时也保证算法的收敛性，对固定值pc、pm进行改进，改进后的pc、pm可表示为pc=k1()fmax-ffmax-fmin,ffavgk2,ffavg（6）pm=k3()fmax-ffmax-favg,ffavgk4,ffavg（7）式中：fmax、fmin分别为种群中的最大和最小适应度；favg为平均适应度；f为两者交叉个体中较大的适应度；f为要变异个体的适应值；k1、k2、k3和k4在（0，1）上取值。AGA对处于进化后期的种群比较合适，对于在前期进化过程中，种群较优的个体基本处于一种不变化状态，但此时不变化的个体并不一定是最优的。当AGA在进行迭代的时候，把不再变化的非最优个体作为最优个体输出，会使迭代进化陷入局部最优，从而导致早熟现象的发生。为此对AGA的交叉变异率进行进一步改进，使种群中适应度最大的个体的交叉变异率不为0，并将初始的pc1、pm1分别提高为pc 2、pm2，其中，pc1、pm1分别为初始的交叉、变异概率，pc2、pm2分别为提高后的交叉、变异概率。改进后的交叉变异率pc、pm可表示为pc=pc1-()pc1-pc2()f-favgfmax-favg,ffavgpc1,ffavg（8）pm=pm1-()pm1-pm2()fmax-ffmax-favg,ffavgpm1,ffavg（9）经过选择交叉变异操作后，若不满足输出条件则返回步骤3；若满足输出条件继续下一步骤。步骤6获得初始的最优权值阈值，计算误差的绝对值ek，根据预测的输出结果Ok、期望输出结果Yk可得ek=|Ok-Yk,k=1,2,m（10）式中：m为输出层节点数；Ok为第k个输出层的预测结果。步骤7更新权值。通过误差，更新连接的权值wij、wjk为wt+1ij=wtij+Hj()1-Hjx()ik=1mwjkekwt+1jk=wtjk+Hjek（11）式 中：i=1,2,n，n为 输 入 层 节 点 数；j=1,2,l，l为隐含层节点数；t为迭代次数；为学习效率在（0，1）取值；f为隐含层的激励函数，本文选择指数型激励函数；aj为第j个隐含层的阈值；Hj为隐含层的输出，其可表示为Hj=fi=1nwijxi-aj（12）f()x=11+e-x（13）步骤8更新网络节点的阈值aj、bk为 at+1j=atj+Hj()1-Hjk=1mwjkekbt+1k=btk+ek（14）步骤9判断算法迭代是否结束，若结束输出结果；若未结束返回步骤6继续更新权值阈值。IAGA-BP算法的具体流程如图5所示。3仿真实验及结果分析3.1标准测试函数及算法参数设置为了检测本文提出的IAGA性能优劣，采用4种标准测试函数对GA、AGA、IAGA的优化性能效果进行测试，表2为选取的4种标准测试函数和其对应定义域下的全局最优值。在测试IAGA性能效果之前需要对参数进行设置。针对标准测试函数的实验，设置种群大小为50，最大迭代次数为100次，pc=0.4、pm=0.01、pc1=0.6、pm1=0.1、pc2=0.7、pm2=0.3、k1=k2=0.5、k3=0.1、k4=0.05。3.2实验结果及分析表3为4种标准测试函数的实验结果，实验结果表明，IAGA优化后的结果更加接近理论最优值，AGA次之，说明GA在改进后性能更稳定，优化效果更好，因此可以采用IAGA对BP神经网络进行优化，以提高线缆故障定位准确率。-电 力 系 统 及 其 自 动 化 学 报70第 7 期采用 IAGA-BP 对线缆故障定位进行仿真实验。通过第2.3节描述确定BP神经网络的输入层、隐含层、输出层的结构如图6所示。将“幅值、模极大值”作为BP神经网络输入层的输入，故障距离为输出，对BP神经网络进行训练测试。将收集到的已知故障距离实验数据分为2组，其中一组数据用于IAGA-BP的训练，另一组数据用于测试算法训练的可行性。同时设置对比实验，比较不同算法对线缆故障定位效果的优劣。设置BP、GA-BP、AGA-BP、IAGA-BP这4组对照类别，比较4组测试结果并进行分析。通过SIMULINK 仿真记录断路故障线缆的特征量，利用MATLAB软件平台进行结果验证，最终预测的线缆故障距离如表4所示。表4中，设置了14组线缆故障距离，并给出不同算法预测的故障距离，同时比较了不同算法预测线缆故障距离的误差率，其结果如图7所示。图 5IAGA-BP 算法流程Fig.5Flow chart of IAGA-BP algorithm初始值编码对适应度值F求解F=e-F对选择概率pi求解pi=f(xi)i=1Nf(xi)pc=pc1对阈值aj，bk进行更新at+1j=atj+Hj(1-Hj)k=1mwjkekbt+1k=btk+ek输出结果输入数据数据预处理初始权值阈值选定获得最优的权值与阈值计算误差ekek|Qk-Ykpm=pm1对动态交叉变异概率pc求解pc=pc1-(pc1-pc2)(f-favg)fmax-favg对动态变异概率pm求解pm=pm1-(pm1-pm2)(fmax-f)fmax-favg对权值wij，wjk进行更新wt+1ij=wtij+Hj(1-Hj)x(i)k=1mwjkekwt+1jk=wtjk+Hjek满足结束条件f favgffavg满足结束条件开始结束是否是否是否是否进行交叉操作进行变异操作表 2标准测试函数Tab.2Standard test functions函数名称RastriginGriewankSchafferRosenbrock函数表达式f()xi=i=1Nx2i-10cos()2xi+10f()xi=i=1Nx2i4000-i=1Ncos xii+1f()x,y=0.5+()sin x2+y22-0.5()1+0.001()x2+y22f()xi=i=1N-1100()x2i-xi+12+()xi-12定义域-5.12，5.12-600，600-10，10-2.048，2.048全局最优值0000表 3GA，AGA，IAGA 测试结果比较Tab.3Comparison of test result among GA,AGA andIAGA algorithms函数名称RastriginGriewankSchafferRosenbrock迭代次数50505050算法GAAGAIAGAGAAGAIAGAGAAGAIAGAGAAGAIAGA理论结果000000000000测试结果1.25110-48.00310-61.00210-71.13410-53.50210-103.12610-121.61610-31.29310-51.55010-61.00610-41.60110-53.39510-6迭代收敛次数1621231928327912141517王发麟等：基于IAGA BP的复杂机电产品线缆故障定位方法研究71第 35 卷由图7可以看出，采用4种不同算法对线缆发生故障的故障点进行定位的优劣。由图7（a）可得BP神经网络可以用来作为检测线缆断路故障距离的方法，有一定的准确率，但是误差较大，最大误差可达6.25%；由图7（b）可得在BP神经网络的基础上采用GA对BP神经网络进行优化，构成GA-BP算法，并对线缆故障进行定位，其误差结果有了较为明显的降低；由图7（c）可得在GA-BP的基础上对GA进行优化，从而提出AGA-BP算法来定位线缆故障距离，定位结果有了一定的改善，误差率控制在3%以内，但整体的误差率仍比较高；由图7（c）可得在AGA-BP基础上继续对AGA进行优化，提出的IAGA-BP算法，再一次降低了线缆定位的误差率，并将总体的误差率控制在2%以下。通过对算法的比较可知，IAGA-BP算法在定位线缆断路故障距离上精度更加准确、误差率更小。由于IAGA-BP线缆断路故障定位的自身平均误差约为1.5%，考虑存在误差的主要原因为训练样本过少，导致BP的拟合效果没有达到最优，产生预测结果与实际结果之间偏差，为此可以适当增大训练集和测试集的规模来进一步提高故障定位的精度。4实例分析为了验证本文提出算法的定位效果，以某型号的相控阵雷达产品中的机柜线缆为研究对象。线图 6线缆故障定位模型Fig.6Cable fault location model表 4线缆故障定位Tab.4Cable fault location幅值模极大值故障距离输入层隐含层输出层a1b1a2b2a3b3a4b4a5b5a6b6实际故障距离/m510203050100150200250300350400450500BP5.2410.4819.0531.4952.5394.60157.97186.50263.08284.30330.96422.20426.33473.50GA-BP5.1510.3020.6828.9351.7096.40144.42191.20241.25289.10337.65414.50434.39483.70AGA-BP5.1210.2220.4829.3748.9097.10153.57195.00244.18294.00342.65407.90440.10487.00IAGA-BP5.079.9020.2429.5349.2598.57152.34196.84246.35295.41356.58393.92442.67491.60（a）BP 预测故障距离6.56.05.55.04.5误差率/%故障距离/m1002005003004000BP（b）BP 与 GA-BP 预测故障距离比较76543误差率/%故障距离/m1002005003004000BPGA-BP（c）GA-BP 与 AGA-BP 预测结果比较5.04.54.03.53.02.52.01.5误差率/%故障距离/m1002005003004000GA-BPAGA-BP（d）AGA-BP 与 IAGA-BP 预测结果比较3.02.52.01.51.00.5误差率/%故障距离/m1002005003004000IAGA-BPAGA-BP图 7线缆故障误差率的比较Fig.7Comparison of cable fault error rate-电 力 系 统 及 其 自 动 化 学 报72第 7 期缆终端设置了断点，即线缆终端插头未插入电路板中，实际设置的故障距离为2.7 m，众多线缆通过线缆转接区连接到外部。由于线缆故障已经设置为断路故障，此时将故障线缆通过转接端子座直接与故障检测仪器相连，线缆故障检测定位仪器通过发射低压脉冲信号进入故障线路，此时线缆定位仪器对故障线缆反射回来的信号进行记录分析。图8为验证线缆故障距离的实验操作流程，验证实验中所涉及的部分工具的具体作用如下：被测线缆为验证的实验对象；扫码枪用于查询线缆的各种参数，R、L、C、G分别为电阻、电感、电容和电导；线缆检测仪器与故障线缆连接，进行接受与发射信号；计算机用于对存在的故障线束和故障距离进行记录，并提供测试开发与运行环境，即，采用 CableTest、MATLAB R2018a作为设计工具，Microsoft Visual Studio 2010作为开发工具，C+作为开发语言。将被测线缆通过转接端子座与线缆检测仪器相连，故障线缆设置在CH8串口上（可一次性接入CH0CH31个串口），同时扫码枪通过对被测线缆上的标识码进行识别，获取电阻R、电感L、电容C、电导G等参数；将仪器测得的波形与扫码枪获取的参数输入到计算机中进行分析，测试结果如图9所示。经过开发后的Cable Test软件能够准确的判断出发生断路故障的线束在串口CH8上，并判断出断路发生的故障点在2.7 m处，与人为设置的断路故障距离一致，表明了本文提出的方法在检测线缆故障距离上具有可行性。5结语本文首先通过对复杂机电产品的线缆断路故障定位问题进行研究，建立线缆断路故障定位模型，设置不同的线缆长度作为其故障距离进行仿真实验。然后，将“模极大值、幅值”作为BP神经网络的输入，故障距离作为输出，建立确定线缆故障距离的模型框架；采用IAGA对BP神经网络权值阈值的选取进行优化，将IAGA-BP算法的预测结果与BP神经网络、GA-BP算法、AGA-BP算法的预测结果进行比较，得出IAGA-BP算法在定位精度和效率均有明显的提升。最后，将算法应用到某相控阵雷达产品中的机柜线缆的断路故障定位问题上进行实例验证，验证了该算法在解决复杂机电产品线缆故障定位方面的可行性。参考文献：1冯伟明（Feng Weiming）.海底电缆故障定位方法研究（The Research on Location Method of Submarine CableFault）D.沈阳：东北大学（Shenyang：Northeastern University），2015.2王发麟，李志农，王娜（Wang Falin，Li Zhinong，WangNa）.飞机整机线缆自动化集成检测技术研究现状和发展（Research status and its perspective of automated integrated detection technology for aircraft cables）J.航空制造技术（Aeronautical Manufacturing Technology），2021，64（4）：38-49.3朱群江，刘延迪，滕百川，等（Zhu Qunjiang，Liu Yandi，Teng Baichuan，et al）.线缆测试技术的发展综述（Summary of the development of cable testing technology）J.计算机测量与控制（Computer Measurement&Control），2019，27（12）：5-9.4Gururajapathy S S，Mokhlis H，Illias H A.Fault locationand detection techniques in power distribution systems图 8线缆故障定位实验Fig.8Cable fault location experiment被测线缆扫码枪线缆检测仪器计算机显示待测线缆与线缆检测仪器相连获取线缆参数特性R、L、C、G检测结果通过计算机显示输入参数图 9线缆故障距离判定Fig.9Cable fault distance determination王发麟等：基于IAGA BP的复杂机电产品线缆故障定位方法研究73第 35 卷with distributed generationJ.Renewable and SustainableEnergy Reviews，2017，74（7）：949-958.5Majidi M，Etezadi-Amoli M.A new fault location technique in smart distribution networks using synchronized/nonsynchronized measurementsJ.IEEE Trans on PowerDelivery，2018，33（3）：1358-1368.6Livani H，Evrenosoglu C Y.A machine learning and wavelet-based fault location method for hybrid transmissionlinesJ.IEEE Trans on Smart Grid，2014，5（1）：51-59.7黄明俊，程道良（Huang Mingjun，Cheng Daoliang）.基于时域反射技术的飞机线缆故障定位研究（Research onfault location of aircraft cable based on time-domain reflection technology）J.航空维修与工程（Aviation Maintenance&Engineering），2019，10（9）：35-37.8李明阳，张沈习，程浩忠，等（Li Mingyang，Zhang Shenxi，Cheng Haozhong，et al）.含分布式电源的主动配电网分层故障定位方法（Hierarchical fault location method foractive distribution network with distributed generations）J.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2021，33（8）：79-87.9陈孝根（Chen Xiaogen）.基于脉冲反射法的电缆故障点定位研究（Research on Cable Fault Location Based onPulse Reflection Method）D.淮 南：安 徽 理 工 大 学（Huainan：Anhui University of Science&Technology），2016.10 王华，王秀同，邵显奎（Wang Hua，Wang Xiutong，ShaoXiankui）.基于 MATLAB 的电缆故障仿真（Based onMATLAB to simulate cable fault）J.国外电子测量技术（Foreign Electronic Measurement Technology），2012，31（6）：47-50.11 杨蕊，李宏坤，贺长波，等（Yang Rui，Li Hongkun，HeChangbo，et al）.利用最优小波尺度循环谱的滚动轴承早期故障特征提取（Rolling element bearing incipientfault feature extraction based on optimal wavelet scales cyclic spectrum）J.机械工程学报（Journal of MechanicalEngineering），2018，54（17）：208-217.12 田书，赵敏（Tian Shu，Zhao Min）.基于小波分析和神经网络的井下电缆故障测距方法（Fault location methodof underground cable based on wavelet analysis and neural network）J.工矿自动化（Journal of Mine Automation），2012，38（4）：30-34.13 Sadegh H，Mehdi A N，Mehdi A.Classification of acousticemission signals generated from journal bearing at different lubrication conditions based on wavelet analysis incombination with artificial neural networ