[发明专利]一种基于高阶神经网络的Buck变换器的故障诊断方法

权利要求书

1.一种基于高阶神经网络的Buck变换器的故障诊断方法，其特征在于，所述方法包括：

采集Buck变换器在6种工作模式下的运行数据；所述运行数据包括Buck变换器运行时的电感电流、输出电压；

根据所述运行数据获取高阶神经网络的训练样本，所述训练样本包括工作模式及所述工作模式对应的电感电流、输出电压；

建立Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，包括：

在第1工作模式中，Buck变换器无故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝0；

在第2工作模式中，Buck变换器中晶体管发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝0，y₃＝1；

在第3工作模式中，Buck变换器中电感发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝0；

在第4工作模式中，Buck变换器中电容发生故障，高阶神经网络的输出数据为：y₁＝0，y₂＝1，y₃＝1；

在第5工作模式中，Buck变换器中电阻发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝0；

在第6工作模式中，Buck变换器中二极管发生故障，高阶神经网络的输出数据为：y₁＝1，y₂＝0，y₃＝1；

利用所述训练样本训练高阶神经网络，所述高阶神经网络的输入数据为Buck变换器运行时的电感电流、输出电压；

将待检测时刻Buck变换器的电感电流和输出电压输入经过训练后的高阶神经网络，得到待检测时刻的高阶神经网络的输出数据；

根据所述Buck变换器的工作模式与高阶神经网络的输出数据之间的映射关系，获取待检测时刻的高阶神经网络的输出数据对应的Buck的变换器工作模式；所述Buck变换器的工作模式用于指示Buck变换器是否出现故障；

其中，高阶神经网络的输出数据为：

y_M(t)表示t时刻高阶神经网络输出层的第M个节点的输出数据，g(·)表示求积层神经元的活化函数，f(·)表示求和层神经元的活化函数，x_i(t)表示t时刻高阶神经网络的第i个输入数据，表示求和层与输出层的连接权值，表示输入层与求和层的连接权值，M＝1，2，3。

2.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本训练高阶神经网络，包括：

初始化设置高阶神经网络，所述高阶神经网络包括2个求和神经元、3个求积神经元；

在第k次训练中，将第k次训练的输入数据输入高阶神经网络，得到高阶神经网络的实际输出数据；

根据所述第k次训练的输入数据对应的期望输出数据与所述高阶神经网络的实际输出数据，计算出高阶神经网络的诊断误差；

检测高阶神经网络的诊断误差是否不大于预定误差；

若检测到所述高阶神经网络的诊断误差大于所述预定误差，则更新所述高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值；

若检测到所述高阶神经网络的诊断误差不大于所述预定误差，则将第k次训练时的求和层与输出层的连接权值以及输入层与求和层的连接权值作为经过训练后的高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值；

其中，将第k次训练的输入数据输入高阶神经网络，按如下公式得到高阶神经网络的实际输出数据：

按如下公式更新所述高阶神经网络中的求和层与输出层的连接权值以及输入层与求和层的连接权值：

ξ_Mj(k)表示k时刻求和层与输出层的连接权值，w_ji(k)表示k时刻输入层与求和层的连接权值，y_M(k)表示k时刻高阶神经网络输出层的第M个节点的实际输出数据，表示第k次训练的输入数据对应的期望输出数据，η表示学习率。