您現在的位置：中國傳動網 > 技術頻道 > 技術百科 > 基于神經網絡的在非線性電路故障診斷中設計

基于神經網絡的在非線性電路故障診斷中設計

時間：2016-10-27 15:46:05來源：姜洪發

導語：?電路故障的復雜多樣、元件參數的大離散性、有限的可及測試節點和廣泛的非線性等因素，使得電路故障診斷無論在理論上還是在方法上距實用還有相當的一段距離。

引言

電路故障的復雜多樣、元件參數的大離散性、有限的可及測試節點和廣泛的非線性等因素，使得電路故障診斷無論在理論上還是在方法上距實用還有相當的一段距離。近幾年來，隨著非線性系統理論的順速發展，電路的故障診斷理論與方法也取得了長足的進步，隨著系統的復雜化以及對系統的安全性和可靠性的要求越來越高，對故障預測診斷技術的需求日趨緊迫。

電路故障診斷已廣泛應用于通訊、軍工、自動控制、家用電器、測量儀表等各方面模擬電路故障診斷的方法有、專家系統和人工神經網絡等，線路切割法對懷疑元件一般是切割其前后聯系，通過測試其關鍵點電流和電壓信號，判斷是否產生了故障，但這種方法不但測試起來比較麻煩，而且由于無法猜測到哪個元件產生了故障，因此必須切割很多元件才能診斷出真正的故障元件所在。而在很多情況下是不允許進行這種破壞性的診斷，特別是一些比較重要的儀器電路或者是正在運行的機電設備故障的搜索等。還存在由未知的不確定因素引起的隨機干擾使電路呈現出復雜的非線性特性。人工神經網絡系統因其具有較強的非線性映射、在線學習、聯想記憶功能等特點，成為目前處理故障診斷問題的一個重要的研究方法。本文將CPN神經網絡信息融合技術引入電路的故障搜索之中，通過測試電路工作時電子元件的產生的電流，溫度，電壓等三方面的數據的信息，利用CPN神經網絡對模擬電路故障建模和多信息融合，從而準確搜索出故障元件位置。

1、CPN網絡運行原理

1.1CPN網絡模型

對傳神經網絡也叫反傳網，主要由三層網絡構成，即輸入層、Kohonen層和Grossberg層，結構如圖1所示為CPN神經網絡結構圖。第1層為輸入層，將神經元輸入向量輸送到第二層。第2層為Kohonen層，該層執行無導師學習，以“強者占先，弱者退出”方式工作，網絡按照SOM學習規則產生競爭層的獲勝神經元，并按這一規則調整相應的Kohonen層的連接權值W。第3層為輸出層，該層主要執行Grossberg提出的外星(Outstar)法。Grossberg層執行有導師訓練，按照基本競爭型網絡學習規則，得到各輸出神經元的實際輸出，并按照有導師型的誤差校正方法，修正Grossberg層的連接權值V，以實現類的表示功能。其中輸入層神經元的個數n=傳感器個數

待診斷元件個數。在此系統中Kohonen層神經元個數取8個。Grossberg層神經元個數m=待診斷元件數。

圖1CPN神經網絡結構圖

1.2改進CPN網絡算法實現步驟

①數據預處理階段：將輸入量Pk值進行歸一化處理。

表1CPN神經網絡模式樣本

序號	傳感器	輸入隸屬度				輸出值
		A1	A2	A3	A4	A₁	A₂	A₃	A₄
1	電壓	0.51	0.26	0.01	0.18	1	0	0	0
	溫度	0.70	0.17	0.01	0.11
2	電壓	0.03	0.71	0.13	0.16	0	1	0	0
	溫度	0.08	0.65	0.12	0.07
3	電壓	0.32	0.21	0,39	0.05	0	0	1	0
	溫度	0.01	0.01	0.77	0.10
4	電壓	0.29	0.24	0.02	0.46	0	0	0	1
	溫度	0.09	0.05	0.18	0.59

表2CPN神經網絡融合診斷結果

序號	傳感器	輸入隸屬度				診斷結果
序號	傳感器	A1	A2	A3	A4	診斷結果
1	電壓	0.513	0.214	0.020	0.193	不確定
	溫度	0.683	0.181	0.102	0.025	不確定
	融合	0.803	0.052	0.033	0.081	A1故障
2	電壓	0.033	0.701	0.215	0.051	不確定
	溫度	0.075	0.631	0.134	0.068	不確定
	融合	0.013	0.789	0.034	0.105	A2故障
3	電壓	0.314	0.222	0,389	0.039	不確定
	溫度	0.000	0.000	0.800	0.101	不確定
	融合	0.024	0.049	0.853	0.063	A3故障
4	電壓	0.202	0.214	0.081	0.434	不確定
	溫度	0.079	0.081	0.194	0.558	不確定
	融合	0.053	0.128	0.051	0.732	A4故障

5、結論

本文將執行外星算法的Grossberg層和執行自組織映射的Kohonen層相結合得到了與BP神經網絡相似的CPN網絡。因此也解決了多級網絡的訓練存在的問題，突破了單級網的局限性。通過優化CPN網絡的初始權限值的設置規則，能夠有效地克服對于輸入向量限制過于嚴格的局限行，從而避免了初始權值和樣品輸入順序對網絡的學習影響較大。改進后的CPN網絡性能更加穩定，適用范圍擴大。通過優化CPN網絡提高了算法的計算速度，使得CPN神經網絡改進算法的診斷精度較高，網絡的收斂速度也更快，因此非常適用于非線性電路的故障診斷。

更多資訊請關注儀器儀表頻道

標簽：