本发明专利技术公开了一种基于粒子群算法的模拟电路故障诊断神经网络方法,包括以下步骤:给待测的模拟电路施加激励信号,在电路的测试节点测量激励响应信号;将测量的激励响应信号消噪后再作小波包变换提取候选故障特征信号,再进行正交主元分析和归一化处理后,提取故障特征信息,作为样本输入神经网络进行分类。本发明专利技术采用粒子群算法用来替代传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小和具有较好的泛化性能等特点。采用这种基于粒子群优化的模拟电路故障诊断的BP神经网络法,能够明显地减少算法中迭代的次数和提高网路收敛精度,提高了诊断的速度和精度。
【技术实现步骤摘要】
本专利技术涉及一种模拟电路故障诊断方法,特别涉及一种基于粒子群算法 的模拟电路故障诊断神经网络方法。
技术介绍
模拟电路故障诊断技术自20世纪60年代开始研究以来,取得不少成就, 研究者们提出了很多方法,其中元件参数辨识方法要求提供较多的诊断用信 息,需要特定的数学模型,且数学运算费时长。而模式识别方法无须数学模 型,只须运用特定的运算规则,将测量空间映射到决策空间,避免了繁杂的 数学运算,因而大大縮短了时间,只须有限的故障信息,即能断定网络中的 元件故障,而且实施比较方便,具有较好的实用前景。模式识别方法主要采用基于人工神经网络中的BP神经网络进行故障判 断,它具有结构简单、可塑性强,具有良好的自适应、自学习、极强的非线 性逼近、大规模并行处理和容错能力等特点。但BP神经网络也存在着容易陷 入局部极小、泛化能力较弱或很差和网络的收敛速度较慢的缺陷。
技术实现思路
为解决模拟电路故障诊断方法存在的上述技术问题,本专利技术提供一种基 于粒子群优化算法的模拟电路故障诊断神经网络方法。本专利技术解决上述技术问题的技术方案包括以下步骤1) 对待测电路进行灵敏度分析,确定电路的测试节点;2) 针对典型故障情况,在样本提取节点采样信号,对采样信号进行小包消噪分解,提取各频带内信号的能量特征作为候选特征向量;3) 对所提取的候选特征向量进行主元分析和归一化处理,得到故障特征 向量;4) 将故障特征向量作为训练样本输入经过粒子群算法优化后的BP神经网 络中,训练样本训练BP神经网络,使其误差平方和小于期望误差,并将训练 后的网络权值、阈值及误差存于存储器中;5) 将被测电路实际测量信号进行小波包变换,提取故障特征向量,输入 训练好的BP神经网络,BP神经网络的输出即为故障类型。本专利技术的技术效果在于本专利技术中采用基于小波包变换的候选故障特征 向量的提取,提高了故障的分辨率;通过基于候选故障特征经主元分析和归 一化处理形成故障特征,有效地实现数据的压縮和特征的提取,并消除了原 变量因量纲不同和数值差异太大而带来的影响,同时减少了神经网络的输入, 从而简化了网络的结构;通过用粒子群优化算法来替代BP算法中的梯度下 降法来训练神经网络的参数(权值和阈值),能够改善BP算法的性能,有效地 减少了算法的迭代次数,使其不易陷入局部极小,以增强泛化性能。这种融 合智能的故障诊断方法不仅降低了神经网络输入参数的维数,便于充分利用 其自学习、自适应和容错能力强的特点,提高了故障诊断的速度和精度。 附图说明图1为本专利技术中小波包分解示意图。图2为本专利技术中基于小波包分解的故障特征信号提取的方框图。 图3为本专利技术中采用粒子群算法优化BP算法的方框图。 图4为本专利技术中三层BP神经网络的模型结构5为本专利技术中的方 框图。具体实施方式下面结合附图对本专利技术进一步的说明。本专利技术采用基于粒子群优化BP神经网络实现模拟电路故障诊断过程如下1) 对待测的模拟电路进行灵敏度分析,确定可测节点,再给电路施加激励信号U(i),在可测节点测量激励响应信号V(o)。2) 将测量的激励响应信号V(o)作小波包变换消噪处理,提取各频带内信 号的能量特征作为候选特征向量。3) 对所提取的候选特征向量进行主元分析和归一化处理,得到故障特征 向量F。上述步骤中将测量的激励响应信号进行小波包变换就是将激励响应信号 通过两组滤波器进行滤波,得到信号的低频信号和高频信号;再通过对低频 信号和高频信号的进一步分解,可以得到下一尺度函数上的低频信号和高频 信号,依次类推,可以得到经过N层小波包分解后的低频信号和高频信号,分 解后的小波系数即为候选特征向量。图2为基于小波包分解的故障特征信号提取的方框图。以含噪声信号的小 波特征向量提取为例, 一个含噪声信号的基本模型可以表示为 s(") = /(") + CTe("),"为采样间隔,/(w)为特征信号,e(w)为噪声信号。对含噪声信号进行消噪分解,将去噪细节系数和轮廓系数一起构成候选特征向 量,再将分解后各尺度函数空间子频带内信号能量,按尺度顺序排列成的向 量即为特征向量,其具体步骤为(l)原始信号采样序列N层正交小波包分解,得到各尺度函数空间上的低频和高频小波包分解系数序列^和d,。(2) 对高频系数进行消噪处理。(3) 求各层小波分解系数(包括低频与高频系数)序列的采样点能量。(4) 特征向量的构造当电路发生故障时,会对各频带内的采样点能量有 较大的影响,故以能量为元素可以构成特征向量F, F的构造如下考虑L类故障识别问题,设样本的k层小波包分解的各频段的能量值为<formula>formula see original document page 7</formula>, Emax:max(E),Emin=min(E),<formula>formula see original document page 7</formula> (/ = 0, 1,2,…) 五max各能量值为:<formula>formula see original document page 7</formula>根据Monte-Carlo分析的结果,设求出第z'和/类故障模式的能量特征值的 均值和方差向量分别为//"、 ,A、 cr^和o"y,p定义第z'类和第y'类故障模式的能量特征值的均值之差的绝对值与其方差平方和之比J"jj)为<formula>formula see original document page 7</formula>则第K层/类和/类故障模式的能量特征值的均值差的绝对值与其方差平方和之比j似&)的和为<formula>formula see original document page 7</formula>,因此小波包分解的层数k应满足<formula>formula see original document page 7</formula>,即对某小波进行分解时,如果进一步分解使<formula>formula see original document page 7</formula>增大,则继续执行,否则该系数不再分解。求得满足要求的k后,将各厶按值的大小进行 排列为/"2J/2^.々/^,设巧j-(^^^;^〉0,"e}(入为一大于零的常数),则最后的特征值为 <formula>formula see original document page 7</formula>候选特征向量经过主元分析(PCA)后,消除信号中的冗余分量,减少了神 经网络输入空间的维数,归一化后形成故障特征向量,作为神经网络的训练 样本和检验样本。将故障特征向量作为样本输入经过粒子群算法优化后的BP 神经网络中进行分类,从而对模拟电路进行故障诊断。图3为基于粒子群算法的BP神经网络学习算法优化过程的方框图,用 …,X^)表示一组参数,向量X中的每一维表示神经网络的权值或阈值的值,d为BP神经网络中所有权值和阈值的个数,粒子的适应 度函数表示为/=1其中~本文档来自技高网...
【技术保护点】
一种基于粒子群算法的模拟电路故障诊断神经网络方法,即给待测电路施加激励,在电路的测试节点测量激励响应信号;将测量的响应信号作小波包变换消噪处理后提取候选故障特征信号,然后进行正交主元分析和归一化处理以提取故障特征信息,再将故障特征信息作为样本输入经过粒子群算法优化后的神经网络进行故障分类。具体步骤如下: 1)对待测电路进行灵敏度分析,确定电路的测试节点; 2)针对典型故障情况,在样本提取节点采样信号,对采样信号进行小波包变换消噪处理,提取各频带内信号的能量特征作为候选特征向量; 3)对所提取的候选特征向量进行主元分析和归一化处理,得到故障特征向量; 4)将故障特征向量作为训练样本输入经过粒子群算法优化后的BP神经网络中,训练样本训练BP神经网络,使其误差平方和小于期望误差,并将训练后的网络权值、阈值及误差存于存储器中; 5)将被测电路实际测量信号进行小波包变换,提取故障特征向量,输入训练好的BP神经网络,BP神经网络的输出即为故障类型。
【技术特征摘要】
【专利技术属性】
技术研发人员:何怡刚,刘美容,祝文姬,肖迎群,谭阳红,陈伟锋,尹新,
申请(专利权)人:湖南大学,
类型:发明
国别省市:43[中国|湖南]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。