[发明专利]基于粒子群算法的模拟电路故障诊断神经网络方法

说明书

技术领域

本发明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。

背景技术

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，因而大大缩短了时间，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。

发明内容

为解决模拟电路故障诊断方法存在的上述技术问题，本发明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。

本发明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，对采样信号进行小波包消噪分解，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。

本发明的技术效果在于：本发明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缩和特征的提取，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为本发明中小波包分解示意图。

图2为本发明中基于小波包分解的故障特征信号提取的方框图。

图3为本发明中采用粒子群算法优化BP算法的方框图。

图4为本发明中三层BP神经网络的模型结构图

图5为本发明中基于粒子群算法的模拟电路故障诊断神经网络方法的方框图。

具体实施方式

下面结合附图对本发明进一步的说明。

本发明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(n)＝f(n)+σe(n)，n为采样间隔，f(n)为特征信号，e(n)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：