CN103926526A - 一种基于改进的rbf神经网络的模拟电路故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进的RBF神经网络的模拟电路故障诊断方法，包括以下步骤：给待测电路施加激励，并用改进的小波包变换处理响应信号，提取故障特征信号；对所提取的候选特征信号进行归一化处理，得到故障特征向量；作为样本输入到神经网络中进行分类，得到故障诊断的结果。本发明采用基于小波包变换的故障特征向量的提取，提高了故障的分辨率；通过归一化等预处理，有效地消除了原变量因量纲不同和数值差异太大而带来的影响；通过用遗传优化算法来替代RBF算法中的LMS法来训练神经网络的参数，能够改善RBF算法的性能，利用K均值聚类学习算法设置遗传算法的寻优起始点，有效地减少了算法的迭代次数，减少了误差，提高了诊断的速度和故障的识别率。

Description

一种基于改进的RBF神经网络的模拟电路故障诊断方法

技术领域

本发明属于模拟电路故障诊断领域，涉及一种基于改进的RBF神经网络的模拟电路故障诊断方法。

背景技术

在当今信息化时代，计算机、通信、自动化***等电子***与工业生产和日常生活息息相关，而电路则电子***的硬件基础，一旦电路发生故障，电子***乃至整个***都将无法正常工作。目前，电子设备与人们的生活已经密切相关，己被广泛应用到各个领域。而其运行环境多种多样，从人类普通的生活环境到人类无法生存的恶劣甚至非常恶劣的环境，如超高温、超低温、高湿度、核辐射、高电磁场等环境。随着电子设备广泛运用，人们对电子设备的可靠性指标要求越来越高，并且对某些特殊领域如航空航天，要求则更高。从而要求人们研究新的技术和方法，进一步提高电子设备的可靠性，这就要求当电路发生故障时，能够及时、准确的辨识故障，以便检修和替换。

目前，模拟电路的故障诊断方面存在着以下的困难：

(1)缺少简单的故障模型；

(2)模拟元件参数容差的影响；

(3)模拟电路中广泛存在非线性问题；

(4)实际的可测节点数有限；

(5)实用电路中的反馈回路导致仿真复杂。

随着人工智能处理技术的不断发展，如何将人工智能方法与模拟电路故障诊断相结合，成为当时热门研究方向。上个世纪九十年代以后，神经网络、专家***、模糊理论等逐渐被应用于模拟电路故障诊断中。模拟电路故障涌现出了很多的方法，但是已提出的理论和方法仍然存在许多不足，需要进一步完善。

模拟电路故障诊断实际上相当于一个模式识别和分类问题：根据电路的故障特征判断电路状态属于哪个故障类。人工神经网络为模拟电路故障诊断提供了一个很好的途径，与常用的BP神经网络相比，RBF神经网络在函数逼近能力、分类能力和学习速度方面均具有较大优势。但是网络结构的设计仍然存在一些比较困难的问题。当隐含层神经元个数较少时，其诊断结果较差，通过增加隐含层神经元的个数，可以提高了识别率。但是结果可能导致网络冗余，增加了网络的复杂性。

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,，本发明的目的在于提供一种基于改进的RBF神经网络的模拟电路故障诊断方法。利用K均值聚类学习算法和遗传算法优化RBF神经网络参数，建立故障字典，从而实现对模拟电路的故障诊断。该方法在模拟电路故障诊断的识别率和速度方面明显优于传统模拟电路故障神经网络类诊断方法。

为达到上述目的，本发明提供如下技术方案：

一种基于改进的RBF神经网络的模拟电路故障诊断方法，包括以下步骤：

步骤一：即给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；

步骤二：对所提取的候选特征向量进行归一化处理，得到故障特征向量；

步骤三：将故障特征向量作为训练样本输入经过遗传算法优化后的RBF神经网络中，训练RBF神经网络，使其误差平方和小于期望误差，将RBF神经网络的隐含层节点数考虑为可变的，优化选择隐含层节点数，考虑到遗传算法性能易受初始点影响，利用K均值聚类学习算法设置寻优起始点；

步骤四：利用优化训练后RBF神经网络，结合训练样本，建立模拟电路故障字典，存储训练后的神经网络的网络权值，阈值及误差；

步骤五：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的RBF神经网络中，对被诊断电路的各种故障进行诊断及识别；

步骤六：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。

本发明的有益技术效果在于：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；通过归一化等预处理形成故障特征，有效地消除了原变量因量纲不同和数值差异太大而带来的影响，实现了故障特征的提取；通过用遗传优化算法来替代RBF算法中的LMS法(最小均方误差方法)来训练神经网络的参数(权值和阈值)，能够改善RBF算法的性能，同时利用K均值聚类学习算法设置遗传算法的寻优起始点，有效地减少了算法的迭代次数，减少了误差，提高了诊断速度和故障的识别率。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述故障诊断方法的流程图

图2为RBF神经网络的结构图

图3为训练RBF神经网络的方框图

图4为基于K均值聚类的RBF神经网络遗传算法优化方法的流程图

图5为实数编码方式的示意图

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

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；通过归一化等预处理形成故障特征，有效地消除了原变量因量纲不同和数值差异太大而带来的影响，实现了故障特征的提取；通过用遗传优化算法来替代RBF算法中的LMS法(最小均方误差方法)来训练神经网络的参数(权值和阈值等)，能够改善RBF算法的性能，同时利用K均值聚类学习算法设置遗传算法的寻优起始点，有效地减少了算法的迭代次数，减少了误差，提高了诊断的的速度和故障的识别率。

图1为本发明所述故障诊断方法的流程图。如图所示，该RBF神经网络模拟电路故障诊断包括两个工作过程，即建立故障字典阶段(学习过程)和诊断实施阶段。本发明采用基于遗传算法优化RBF神经网络实现模拟电路故障诊断过程如下：

1)对待测的模拟电路施加激励信号，在可测节点测量激励响应信号；

2)将测量的激励响应信号作小波包及改进能量的小波包变换消噪处理，提取各频带内信号的能量特征作为特征向量；

3)将获取的特征向量输入到经过遗传算法优化的神经网络中，神经网络的输出即为对被诊断电路的诊断结果。

当电路发生故障，其故障信号的特定信息如细微变化及畸变部分则包含在低频和高频段部分，提取故障特征时，用小波及小波包分析，将小波系数转转化成能量作为故障特征向量；按改进能量的小波包变换提取故障时，将各个节点的小波系数转转化成能量作为故障特征向量。

图2为n个输入、h个隐节点、m个输出结构的RBF神经网络结构。x＝(x₁,x₂,…,x_n)^T∈Rⁿ为神经网络输入向量，W∈R^h×m为输出权值矩阵，第i个隐节点的激活函数为Φ_i(*)，输出层的Σ表示神经元的激活函数为线性函数。h_i是网络中第i个隐节点的数据中心向量，||*||表示2-范数。BP神经网络隐节点的输入采用线性函数，激活函数则采用Sigmoid函数等非线性函数。而与BP神经网络不同的是并且也是RBF神经网络最显著的特点是RBF神经网络隐节点的输入采用距离函数，激活函数则用径向基函数(如Gaussian函数)。与BP神经网络相比，RBF神经网络不仅具有某些生物神经元的近兴奋、远抑制的生理学基础，而且结构其更简单，学习速度也更快。

图3为训练RBF神经网络的流程图，将提取出的特征向量作为训练样本，输入到RBF神经网络中，利用K均值聚类和遗传算法改进RBF神经网络，具体做法是：采用K均值聚类方法产生初始数据中心和宽度，然后利用遗传算法优化数据中心和宽度，权值和偏移则用LMS方法求出；遗传算法中初始种群的产生采用K均值聚类的方法产生，而不是随机在范围内产生。为了提高故障识别率，神经网络的隐含层节点的数目考虑为可变的，优化选择隐含层节点数。

图4为基于K均值聚类的RBF神经网络遗传算法优化方法流程图，采用以下步骤：

1)K均值聚类方法产生初始数据中心h_i和宽度δ_i；

2)将数据中心h_i和宽度δ_i实数编码，并产生初始种群；本方法采用的实数编码的方式，如图5所示，其中每个编码串的长度为MH+H，其中M为输入节点数。

3)计算适应度，利用LMS(最小均方误差)计算权值，计算MSE和适应度；适应度函数取为均方误差的倒数，即对第i个染色体，其适应度是：

$\mathrm{fitness}\left(i\right)=\frac{1}{\mathrm{mse}\left(e\right)}=\frac{1}{\frac{1}{\mathrm{PN}}\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(d(j,p)-y(j,p))}^2}---\left(1\right)$

其中，P为训练样本数，N为输出层神经元个数。

4)判断MSE(均方误差)是否满足误差要求，满足则结束，否则继续；

5)采用赌轮选择方法，根据适应度的大小，选择对应个体；若第i个体的适应度为fitness(i)，则其被选中的概率为：

$P\left(i\right)=\frac{\mathrm{fitness}\left(i\right)}{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\mathrm{fitness}\left(j\right)},i=\mathrm{1,2},\·\·\·,M---\left(2\right)$

式中，M为种群大小。

6)采用自适应遗传算法，自适应选择交叉率和变异率；

交叉率Pc和变异率Pm按如下公式进行自适应调整：

$\mathrm{Pc}=\left\{\begin{array}{c}\mathrm{Pc}\max -\frac{(\mathrm{Pc}\max -\mathrm{Pc}\min )(f^{\&prime;}-\mathrm{favg})}{f\max -\mathrm{favg}},f^{\&prime;}\&GreaterEqual;\mathrm{favg}\\ \mathrm{Pc}\max ,f^{\&prime;}<\mathrm{favg}\end{array}\right.---\left(3\right)$

$\mathrm{Pm}=\left\{\begin{array}{c}\mathrm{Pm}\max -\frac{(\mathrm{Pm}\max -\mathrm{Pm}\min )(f^{\&prime;}-\mathrm{favg})}{f\max -\mathrm{favg}},f^{\&prime;}\&GreaterEqual;\mathrm{favg}\\ \mathrm{Pm}\max ,f^{\&prime;}<\mathrm{favg}\end{array}\right.---\left(4\right)$

Pcmax和Pcmin分别为交叉率的上限和下限，Pmmax和Pmmin分别为变异率的上限和下限，f′是要交叉的2个个体中较大的适应度值，favg为种群的平均适应度，fmax为种群中最大的适应度值。

7)采用改进的精英主义选择方法，以保证种群的优质进化。

通过以上7个步骤，可以利用遗传算法实现对K均值聚类的RBF神经网络方法的优化。在最后一步中，采用改进的精英主义选择方法，将只有当代的最优解的适应度小于上一代时，即上一代的最优解被破坏即种群往“坏处”进化时，才将目前种群的最优解封不动的复制到下一代中；而当代的最优解的适应度大于等于上一代时即种群往“好处”进化时，则不用复制。以防止进化过程中产生的最优解被交叉和变异所破坏，保证种群的优质进化。

考虑到遗传算法性能易受初始点影响，利用K均值聚类学习算法设置寻优起始点,如图4所示，产生初始数据中心和宽度的具体步骤是：

1)算法初始化：选择h个不同的初始聚类中心，并令k＝1。h个初始聚类中心可以随机选取，但必须为不同的值。

2)计算样本输入与聚类中心的欧式距离：

||X_j-h_i(k)||,i＝1,2,…,h,j＝1,2,…,n     ((5)

3)对样本输入X_j按最小距离原则对其进行分类：即当

i(X_j)＝min||X_j-h_i(k)||,i＝1,2,…,h时，Xj即被归为第i类，

X_j∈w_i(k)     (6)

4)重新计算各个隐节点的聚类中心：

$h_i(k+1)=\frac{1}{N_i}\underset{x\&Element;w_i\left(k\right)}{\mathrm{\&Sigma;}}x,i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;h---\left(7\right)$

式中，N_i为第i个聚类域w_i(k)中包含的样本数。

5)如果h_i(k+1)≠h_i(k)，转到步骤2)，否则聚类结束，转到步骤6)即聚类中心不再变动时，停止聚类。

6)根据各聚类中心之间的距离，确定各初始数据中心和宽度。

δ_i＝κd_i       (8)

其中d_i为第i个数据中心与其他数据中心之间的最小的距离，即

$d_i=\underset{j\&NotEqual;i}{\min }\left|\right|h_j-h_i\left(k\right)\left|\right|,$ κ为重叠系数。

当遇到不能识别的故障特征时，判断判断是否为新的故障特征(模式)，加入训练样本集中，以不断完善故障字典。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种基于改进的RBF神经网络的模拟电路故障诊断方法，即给待测电路施加激励，在电路的测试节点测量激励响应信号；将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号，然后进行归一化处理以提取故障特征信息，再将故障特征信息作为样本输入经过遗传算法优化后的神经网络进行故障分类，考虑到遗传算法性能易受初始点影响，利用K均值聚类学习算法设置寻优起始点；具体包括以下步骤：

步骤一：给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；

步骤二：对所提取的候选特征向量进行归一化处理，得到故障特征向量；

步骤三：将故障特征向量作为训练样本输入经过遗传算法优化后的RBF神经网络中，训练RBF神经网络，使其误差平方和小于期望误差，将RBF神经网络的隐含层节点数考虑为可变的，优化选择隐含层节点数，考虑到遗传算法性能易受初始点影响，利用K均值聚类学习算法设置寻优起始点；

步骤四：利用优化训练后RBF神经网络，结合训练样本，建立模拟电路故障字典，用于存储训练后的神经网络的网络权值，阈值及误差；

步骤五：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的RBF神经网络中，RBF神经网络的输出即为故障类型；

步骤六：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。

2.根据权利要求1所述的基于改进的RBF神经网络的模拟电路故障诊断方法，其特征在于：步骤一中，当电路发生故障，其故障信号的特定信息如细微变化及畸变部分包含在低频和高频段部分，将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号。

3.根据权利要求1所述的基于改进的RBF神经网络的模拟电路故障诊断方法，其特征在于：步骤三所述的训练的RBF神经网络，为了提高故障识别率，神经网络的隐含层节点的数目考虑为可变的，优化选择隐含层节点数。

4.根据权利要求1所述的基于改进的RBF神经网络的模拟电路故障诊断方法，其特征在于：步骤三所述的利用遗传算法优化RBF神经网络方法，具体步骤为：

1)K均值聚类方法产生初始数据中心和宽度；

2)将数据中心h_i和宽度δ_i实数编码，并产生初始种群；

3)计算适应度，利用LMS计算权值，计算MSE和适应度；

4)判断MSE是否满足误差要求，满足则结束，否则继续；

5)采用赌轮选择方法，根据适应度的大小，选择对应个体；

6)采用自适应遗传算法，自适应选择交叉率和变异率；

7)采用改进的精英主义选择方法，以保证种群的优质进化。

5.根据权利要求1所述的基于改进的RBF神经网络的模拟电路故障诊断方法，其特征在于：步骤三所述的利用K均值聚类学习算法设置寻优起始点,产生初始数据中心和宽度K的具体步骤是：

1)算法初始化，选取h个不同值的聚类中心；

2)计算样本输入X_j与聚类中心h_i(k)的欧式距离；

3)对样本输入X_j按最小距离原则对其进行分类；

4)重新计算各个隐节点的聚类中心h_i(k+1)；

5)如果h_i(k+1)≠h_i(k)，转到步骤(2)，否则聚类结束，转到步骤(6)即聚类中心不再变动时，停止聚类；

6)根据各聚类中心之间的距离，确定各初始数据中心和宽度。

6.一种应用权利要求1至5中任一项所述的基于改进的RBF神经网络的模拟电路故障诊断方法。