基于神经网络专家系统的模数电路故障诊断的测试方法技术方案

技术编号:13080594 阅读:125 留言:0更新日期:2016-03-30 13:36
本发明专利技术涉及电力设备检测技术领域,尤其涉及一种基于神经网络专家系统的模数电路故障诊断的测试方法。是通过使用神经网络来构建专家系统的方式将神经网络与专家系统结合,即把传统专家系统的基于符号的推理变成基于数值运算的推理,应用于模数混合电路故障诊断,具体步骤包括ANNES知识库的组建、BP网络建立和训练、推理及诊断。本发明专利技术可以提高专家系统的执行效率,提高系统智能水平,改善系统性能,实现通过神经网络的输出直接得到结论。本发明专利技术还大大简化了测试过程,节省测试时间和费用,使工作效率得到显著提高,更加适合于实际工程应用。

【技术实现步骤摘要】

本专利技术设及电力设备检测
,尤其设及一种基于神经网络专家系统的模数 电路故障诊断的测试方法。
技术介绍
本专利技术使用神经网络来构造专家系统,即把传统专家系统的基于符号的推理变成 基于数值计算的推理,W提高专家系统的执行效率,并解决专家系统的自学习问题。
技术实现思路
为克服现有技术中存在的缺陷,本专利技术提供一种基于神经网络专家系统的模数电 路故障诊断的测试方法。其目的是提供一种可W大大简化测试过程,节省测试时间和费用, 使工作效率得到显著提高的一种测试方法。为达到上述目的,本专利技术所采用的技术方案是:[000引一种,是通过使用神经网 络来构建专家系统的方式将神经网络与专家系统结合,即把传统专家系统的基于符号的推 理变成基于数值运算的推理,应用于模数混合电路故障诊断,具体步骤包括ANNES知识库的 组建、BP网络建立和训练、推理及诊断;具体包括W下步骤: 1)组建脂肥8知识库:ANNES知识库的组建包括训练样本获取和知识存储两个过程,训练样本获取过程 如下:训练样本来源于同类诊断对象在不同状态下的特征参数;训练样本的获取需进行 如下处理:首先获取到故障原始数据;再对得到的故障样本集进行简化,W缩短神经网络的 训练时间;最后为解决容差带来的电路可靠性问题,需进行混合电路最坏情况分析;2)BP网络建立和训练,网络训练完毕,即可将得到的各隐含神经元和输出神经元 的权值和阀值W及输入神经元和隐含神经元的权值和阀值存入一个数据文件,即专家系统 的知识库,W在诊断过程中被调用; 3)推理机:采用正向推理方向; 4)诊断测试:进入诊断子程序,将已训练好的网络作为知识库读入,根据系统提示 选择诊断数据,依次输入1、2、3、4、6点的瞬态响应电压值,输入完毕后即可开始诊断;诊断 结束后将神经网络输出送入结论子程序,判断输出有效性,系统给出结论;若输出有效,若 输出有效则系统调用解释子程序对该结论做出解释;若无效,提示输出越界,返回诊断子程 序重新开始。[001引所述的组建AN肥S知识库,W正常状态瞬态响应曲线为例,包括W下步骤: 1)参数的获取:对于混合电路,先用PSpice对电路进行瞬态响应分析,得到电路在 各单故障状态下的瞬态响应曲线; 为了得到输入向量,我们将曲线按时间点"离散化":将〇-4ms每隔0.5ms取电压值, 每条曲线取8个点作为原始输入数据,运些数据可直接在PSpice的数据文本中读取,运样即 得到故障原始数据; 2)约简故障样本集:首先检查故障原始数据中有无重复的记录,有则合并同类项; 去掉对区分故障状态无用的电压值数据,在故障原始数据中,只需保留前4个点; 3)混合电路最坏情况分析:通过最坏情况分析,取得电路在上下边界状态下的瞬 态响应。 所述的BP网络的建立和训练: (1)BP网络的建立:W每组响应征兆包含5个时间点数据、电路共有11种故障状态 为例,考虑选用5输入11输出的网络结构,并令网络的目标输出值为故障状态对应的二进制 代码,即用0001表示1号状态、0010表示2号状态,运样即用4个输出层神经元表示11种输出 状态,其后确定隐层神经元:利用经验式: m二中巧。夺《; 其中:加、ni、n〇分别代表隐层、输入层、输出层神经元的数目,1为1~10的整数;采 用试凑法确定合适的隐层神经元数目; (2)BP网络的训练:在建立了合适的BP网络后,需要对BP网络进行训练,找出输入 与输出间的联系,使建立的网络具有泛化功能;训练应遵循W下规则: ---学习速率取0~1之间,本例中取0.09; ---学习开始时,给每个连接权赋初值;并在训练过程中,给每一个连接权赋W-1 ~1之间的随机数; 网络训练完毕,即可将得到的各隐含神经元和输出神经元的权值和阀值W及输入 神经元和隐含神经元的权值和阀值存入一个数据文件,即专家系统的知识库,W在诊断过 程中被调用。 所述的BP网络的建立和训练:当进入诊断子程序时,将已训练好的网络作为知识 库读入,根据系统提示选择诊断数据,输入瞬态响应电压值,输入完毕后即可开始诊断;诊 断结束后将神经网络输出送入结论子程序,判断输出有效性,系统给出结论。 所述的诊断测试:测试结果是在瞬态响应上下边界内随机抽取的一组数据进行测 试后的输出;根据事先设定的阀值0.8,神经网络输出达到期望;例:对于正常状态,神经网 络输出:0.0015------神经元输出小于阀值0.8,认为输出为0; 0.0024------神经元输出小 于阀值0.8,认为输出为0 ; 0.0065------神经元输出小于阀值0.8,认为输出为0 ; 0.9995------神经元输出大于阀值0.8,认为输出为1;即输出值为0001,可见其与期望输出 一致。 所述的推理机:采用正向推理方向,推理步骤如下: 第1步:调入AN肥S知识库,即存储网络权值阀值的数据文件; 第2步:输入各项故障征兆值; 第3步:计算神经网络隐层神经元输出值; 第4步:计算神经网络输出层神经元输出值; 第5步:由事先设定的口限,判断神经网络输出的有效性;口限设定为0.8,若某神 经元输出大于0.8,则认为输出为1,否则为0。 本专利技术的优点及应用效果是: 本专利技术是一种。是将神经 网络与专家系统进行结合应用,应用于模数混合电路故障诊断,通过使用神经网络来构建 专家系统,即把传统专家系统的基于符号的推理变成基于数值运算的推理,W提高专家系 统的执行效率,提高系统智能水平,改善系统性能。通过本专利技术,可W实现通过神经网络的 输出直接得到结论,而不需像传统专家系统一样通过领域知识做出判断。相对于传统的专 家系统,神经网络专家系统更擅长处理数据,不但可W解决传统专家系统自学能力差和知 识获取能力差等问题,还可W获得令人满意的故障诊断正确率。本专利技术还可W大大简化测 试过程,节省测试时间和费用,使工作效果得到显著提高,更加适合于实际工程应用。 下面结合附图和具体实施例对本专利技术做进一步详细的说明。【附图说明】 图1是本专利技术所采用模数混合电路实例; 图2是本专利技术所用的人工神经网络模型; 图3本专利技术所采用电路正常状态下瞬态响应曲线; 图4是本专利技术所采用电路AC短路故障状态下瞬态响应曲线; 图5是本专利技术所采用电路R6短路故障状态下瞬态响应曲线; 图6是本专利技术所采用电路放大器2正负极短路故障状态下瞬态响应曲线; 图7是本专利技术所用的故障原始数据表; 图8是本专利技术所用的简约后的故障样本集; 图9是本专利技术所用的神经网络的训练样本;[004引图10是本专利技术故障状态的二进制输出; 图11是本专利技术诊断过程示意图; 图12是本专利技术的部分测试结果。【具体实施方式】 本专利技术是一种。是将神经 网络与专家系统进行结合应用,应用于模数混合电路故障诊断,通过使用神经网络来构建 专家系统,即把传统专家系统的基于符号的推理变成基于数值运算的推理,W提高专家系 统的执行效率,提高系统智能水平。 如图1和图2所示,如图1所示是本专利技术所采用模数混合电路。图2是本专利技术所用的 人工神经网络模型:BP(Back-Propagation)网络的模型结构图。BP网络是前向网络的核屯、 部分,它由输入层、隐层和输出层Ξ部分组成。首先利用输入输出样本集对BP网络进行训 练,即对网络的连接权系数进行本文档来自技高网...

【技术保护点】
一种基于神经网络专家系统的模数电路故障诊断的测试方法,其特征是通过使用神经网络来构建专家系统的方式将神经网络与专家系统结合,即把传统专家系统的基于符号的推理变成基于数值运算的推理,应用于模数混合电路故障诊断,具体步骤包括ANNES知识库的组建、BP网络建立和训练、推理及诊断;具体包括以下步骤:1)组建ANNES知识库:ANNES知识库的组建包括训练样本获取和知识存储两个过程,训练样本获取过程如下:训练样本来源于同类诊断对象在不同状态下的特征参数;训练样本的获取需进行如下处理:首先获取到故障原始数据;再对得到的故障样本集进行简化,以缩短神经网络的训练时间;最后为解决容差带来的电路可靠性问题,需进行混合电路最坏情况分析;2)BP网络建立和训练,网络训练完毕,即可将得到的各隐含神经元和输出神经元的权值和阀值以及输入神经元和隐含神经元的权值和阀值存入一个数据文件,即专家系统的知识库,以在诊断过程中被调用;3)推理机:采用正向推理方向;4)诊断测试:进入诊断子程序,将已训练好的网络作为知识库读入,根据系统提示选择诊断数据,依次输入1、2、3、4、6点的瞬态响应电压值,输入完毕后即可开始诊断;诊断结束后将神经网络输出送入结论子程序,判断输出有效性,系统给出结论;若输出有效,若输出有效则系统调用解释子程序对该结论做出解释;若无效,提示输出越界,返回诊断子程序重新开始。...

【技术特征摘要】

【专利技术属性】
技术研发人员:苑经纬李春明胡大伟鲁旭臣赵义松李学斌金鑫朱义东姜常胜李斌
申请(专利权)人:国家电网公司国网辽宁省电力有限公司电力科学研究院
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1