[发明专利]一种基于变拓扑自组织网络的电源健康评估方法

摘要

本发明提供一种基于变拓扑自组织网络的电源健康评估方法，步骤如下：一：建立电源仿真模型，确定能表示电源健康度的可监测特征参数；二：采集退化数据，作为网络的测试输入；三：获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征；四：计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差E_min；五：将值进行归一化处理，通过对HV设定多个阈值，将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段；本发明实现了GCS网络对复杂高维数据的灵活、有效地处理，克服了标准的SOM网络输出拓扑结构不变的局限性，克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。

主权项

1.一种基于变拓扑自组织网络的电源健康评估方法，即一种基于增长型神经网络的电源健康状态评估方法，其特征在于：该方法具体步骤如下：步骤一：建立电源仿真模型，确定影响电源健康的关键元器件及退化模型，确定能表示电源健康度的可监测特征参数；步骤二：选取电源正常状态下的特征参数输出作为训练样本，监测关键元器件的特征参数的退化情况，采集退化数据，作为网络的测试输入；步骤三：利用GCS网络对训练样本进行学习和分类，获得各个神经元的权值向量，使输出层的各个神经元能很好地描述数据集的分布特征；步骤四：将步骤二中所获得退化数据作为GCS网络的测试输入向量，计算权值向量与输入向量的欧式距离，将最小的欧式距离作为最小量化误差Emin；步骤五：将值进行归一化处理，转换为表示健康的值，用HV表示；通过对HV设定复数个阈值，将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段；通过以上步骤，获得仿真数据并对GCS网络进行训练，由于GCS网络本身变拓扑的特性，使得训练后的GCS网络不但适配神经元的权矢量，而且使输入空间对输出空间的拓扑本身进行适配；从而实现GCS网络对复杂高维数据的灵活、有效地处理，克服了标准的SOM网络输出拓扑结构不变的局限性，克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。