基于K-Means小波神经网络的软电路故障诊断方法技术

本申请公开的基于K

【技术实现步骤摘要】
基于K
‑
Means小波神经网络的软电路故障诊断方法


[0001]本申请涉及电路故障诊断
，更具体地说，尤其涉及一种基于神经网络的软电路故障诊断方法。

技术介绍

[0002]在电路模拟诊断研究领域中，软故障又称渐变故障，它是由元件参量随时间和环境条件的影响缓慢变化而超出容差造成的、通过事前测试或监控可以预测的故障。随着超大规模模拟电路的发展和电子器件复杂性的提高，人们越来越意识到电路的可靠性是系统稳定运行的保证，在许多场合其重要性甚至超过了系统的功能和性能，因此对电路的测试诊断提出来更高要求。
[0003]目前，当BP神经网络成为诊断模拟电路中软故障的常用方法时，BP神经网络的局限性也逐渐曝漏出来。对于一个单隐含层的BP神经网络来讲，在理想情形下当神经元的数目足够多时，足以以任何精度逼近任何一个具有有限间断点的非线性函数，但随着神经元数目的增多，计算复杂性增大，网络训练速度和收敛速度都会减慢，导致网络训练所需要的时间也会随之增长，影响故障诊断的效率。所以，如何提高BP神经网络诊断电路软故障的效率成为本领域技术人员的一个热门的研究课题。
[0004]因此，如何提供一种基于神经网络的软电路故障诊断方法，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率，已经成为本领域技术人员亟待解决的技术问题。

技术实现思路

[0005]为解决上述技术问题，本申请提供一种基于神经网络的软电路故障诊断方法，其能够减少确定神经元数目的工作量，快速的确定最优的神经网络结构，降低计算的复杂度，加快网络的训练速度和收敛速度，从而提高故障诊断效率。
[0006]本申请提供一种基于K
‑
Means小波神经网络的软电路故障诊断方法，包括以下步骤：S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点；S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应；S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据；S4、K
‑
Means聚类分析：将经过仿真得到的原始故障数据进行K
‑
Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据；S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。
[0007]进一步地，在本专利技术一种优选方式中，在所述步骤S4中，剔除所述离群数据的步骤包括：
[0008]S401、令数据聚类数量K＝i，其中i＝1,2,3......,n，随后进行聚类分析；
[0009]S402、利用公式计算聚类有效性指标——CH指标值；
[0010]S403、获取聚类数据由1到n情况下所有的所述CH指标值，并计算所述CH指标值的变化率，绘制聚类分析指标曲线图；
[0011]S404、选取聚类有效性指标小且变化稳定时的聚类数量K作为最终的聚类数，根据所述最终聚类数剔除所述训练初始样本数据中的离群数据。
[0012]3、根据权利要求2所述的基于K
‑
Means小波神经网络的软电路故障诊断方法，其特征在于，所述聚类有效性指标的计算公式为：
[0013][0014]其中，CH指标值越小代表此时类自身越紧密，类与类之间越分散，即聚类结果更优；NC—类的总数；—两类质心C
i
和C
j
之间的距离；C
i
—第i个聚类质心；C
j
—第j个聚类质心。
[0015]进一步地，在本专利技术一种优选方式中，其特征在于，在所述步骤S5中，所述信号数据小波分析具体为：调用小波变换中最常用的小波基函数对数据进行分解，其中选用haar对信号数据进行多层分解，提取分解到各层的系数得到故障特征向量，随后确定网络输入层神经元的数目。
[0016]进一步地，在本专利技术一种优选方式中，其特征在于，在所述步骤S6中，所述故障诊断对比分析具体包括：
[0017]S601、将所述故障特征信号数据分成训练样本集以及测试样本集两部分；
[0018]S602、构建BP神经网络结构，将所述训练样本集进行归一化处理后用于网络训练，训练完成后确定隐含层神经元的具体数量，得到最终的BP神经网络训练模型；
[0019]S603、随后将所述测试样本集归一化并导入所述BP神经网络训练模型中进行验证预测；S604、将预测后的数据进行反归一化与误差计算，而后将故障实际真实情况与故障预测值进行对比，确定故障诊断的正确率。
[0020]进一步地，在本专利技术一种优选方式中，其特征在于，在所述步骤S601中，所述故障特征信号数据按比例划分为所述训练样本集和所述测试样本集，具体为：70％所述训练样本集和30％所述测试样本集。
[0021]进一步地，在本专利技术一种优选方式中，其特征在于，在所述步骤S602中，还包括：在构建BP神经网络结构后，设置网络参数；其中所述网络参数包括训练次数、学习速率以及训练目的。
[0022]进一步地，在本专利技术一种优选方式中，在所述步骤S604中，所述误差计算包括：平均绝对误差MAE、均方误差MSE以及均方根误差RMSE。
[0023]本专利技术提供的一种基于K
‑
Means小波神经网络的软电路故障诊断方法，与现有技术相比，包括以下步骤：S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备
电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点；S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应；S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据；S4、K
‑
Means聚类分析：将经过仿真得到的原始故障数据进行K
‑
Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据；S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。本专利技术提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
Means小波神经网络的软电路故障诊断方法，其特征在于，包括以下步骤：S1、测试电路模拟：选择有待进行故障检测的设备电路，将所述设备电路利用电路仿真软件进行电路模拟，随后在模拟电路中设置故障测试点；S2、故障响应设置：将需要诊断的所述模拟电路赋予激励信号，分类设置仿真模拟电路中出现各种故障状态和无故障状态的输出响应；S3、获取初始样本数据：运用统计模拟法对所述模拟电路进行仿真分析，获取大量原始故障数据作为训练初始样本数据；S4、K
‑
Means聚类分析：将经过仿真得到的原始故障数据进行K
‑
Means聚类分析与有效性指标分析，获取聚类中心的信号数据，并且随后剔除其中训练初始样本数据中的离群数据；S5、信号数据小波分析：将所述信号数据通过小波变换进行多层多尺度分解，剔除冗余信号数据，随后从中提取尽可能少且能足够表征电路状态的故障特征信号数据；S6、故障诊断对比分析：构建BP神经网络，将所述故障特征信号数据导入所述BP神经网络中进行训练验证预测，将输出的故障预测值与故障实际真实情况进行对比，确定故障诊断的准确率。2.根据权利要求1所述的基于K
‑
Means小波神经网络的软电路故障诊断方法，其特征在于，在所述步骤S4中，剔除所述离群数据的步骤包括：S401、令数据聚类数量K＝i，其中i＝1,2,3......,n，随后进行聚类分析；S402、利用公式计算聚类有效性指标——CH指标值；S403、获取聚类数据由1到n情况下所有的所述CH指标值，并计算所述CH指标值的变化率，绘制聚类分析指标曲线图；S404、选取聚类有效性指标小且变化稳定时的聚类数量K作为最终的聚类数，根据所述最终聚类数剔除所述训练初始样本数据中的离群数据。3.根据权利要求2所述的基于K
‑
Means小波神经网络的软电路故障诊断方法，其特征在于，所述聚类有效性指标的计算公式为：其中，CH指标值越小代表此时类自身越紧密,类与类之间越分散,即聚类结果更优；NC—类的总数；—两类质...

【专利技术属性】
技术研发人员：李文军，
申请(专利权)人：北京中匠云智能科技有限公司，
类型：发明
国别省市：