基于概率神经网络的装备模拟电路故障诊断方法技术

本发明专利技术公开了一种基于概率神经网络的装备模拟电路故障诊断方法，包括以下步骤，S1：构建用于模拟电路故障诊断的概率神经网络模型；S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；S3：计算有用分量的BCM值，构建相应的故障特征向量；S4：利用基于训练样本的故障特征向量对概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。本发明专利技术中的电路故障诊断方法为故障诊断中故障类别的选择提供了技术途经。

【技术实现步骤摘要】
基于概率神经网络的装备模拟电路故障诊断方法
本专利技术涉及模拟电路故障诊断
，尤其涉及基于概率神经网络的装备模拟电路故障诊断方法。
技术介绍
模拟电路故障诊断本质上等价于模式识别问题。模式识别通常被关心的是识别范围及识别正确率，二者是相互联系又彼此对立的。然而目前看来，许多学者在对该类课题进行研究时往往忽视了或刻意省略了关于故障类别的选择问题。在故障类别的筛选方法没有解释清楚的情况下，却极力证实其研究成果有着极高的诊断覆盖率和正确率，其实验数据以及结果必然会带有一定程度的主观色彩。实际上，以目前的技术手段是不可能存在一种故障诊断方法对任何电路、任何状态乃至电路内的所有元器件都可以同样发挥效用的，那无异于“包治百病”的“灵丹妙药”。概率神经网络算法虽然已经较为成熟并成功应用于故障诊断领域，但就目前研究现状来看比较有争议的地方是平滑参数的选择问题。为提高现有概率神经网络模式分类方法的性能，相关学者在此方面进行了大量研究，比较有代表性的有蚁群算法、果蝇算法、烟花算法等群智能算法，但是这些算法都没有显示出绝对的优势，效果并不显著。
技术实现思路
针对上述存在的问题，本专利技术旨在提供一种基于概率神经网络的装备模拟电路故障诊断方法，将测点故障信号进行分解，将有用ISC分量的BCM值所组成的向量作为故障特征，通过输出结构改进后的概率神经网络进行故障诊断，为故障诊断中故障类别的选择提供了技术途经。为了实现上述目的，本专利技术所采用的技术方案如下：基于概率神经网络的装备模拟电路故障诊断方法，其特征在于，包括以下步骤，S1：构建用于模拟电路故障诊断的概率神经网络模型；S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；S3：计算步骤S2中筛选出来的有用分量的BCM值，构建相应的故障特征向量；S4：利用步骤S3中基于训练样本的故障特征向量对步骤S1中的概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。进一步的，步骤S1中构建的用于模拟电路故障诊断的概率神经网络模型包括输入层、模式层、累加层和输出层；所述输入层为网络总入口，其元个数即为故障特征向量的个数；所述模式层通过权值与输入层相连，计算输入的故障特征向量与各模式层的匹配程度，也即输入的故障特征向量相对于各个模式层的权值；然后送入高斯核函数得到该层的输出；所述累加层将各个类的模式层连接起来，对模式层传来的同类输入进行累加，累加算法为式中，为第k个模式中的第j个样本，σ为平滑参数；所述输出层输出累加层中得分最高的一类。进一步的，所述输出层将累加层输出的经求和线性运算，得到输出为待测样本x属于某一类别wk的后验概率P(wk|x)，用向量形式描述为P＝[P(w1|x)，…P(wM|x)]T。进一步的，输出层将累加层输出的经求和线性运算，得到输出为待测样本x属于某一类别wk的后验概率P(wk|x)的具体操作包括，S101：设wk类训练样本的先验概率为P(wk)，样本x的条件概率为P(x|wk)，则后验概率S102：利用Parzen窗函数对P(x|wk)进行估计S103：利用输入样本的频度估计P(wk)，则S104：根据步骤S102和步骤S103中P(x|wk)与P(wk)的估计值可得，基于高斯核函数的Bayes判决表达式为x∈wk，进一步的，步骤S4中所述的三类参数包括平滑参数σ，第一类阈值参数ψ1、第二类阈值参数ψ2；所述第一类阈值参数ψ1、第二类阈值参数ψ2的含义为：令电路输出特征为Tj，正常状态X0，超差状态为Xi，则状态Xi的输出特征灵敏度可表示为若被检测电路含有m个输出特征和n类元件参数超差情况，则构成电路灵敏度矩阵矩阵中每一个元素代表状态Xi下特征Tj的灵敏程度；当[Sij]中第q列满足时，则舍弃该列，电路灵敏度矩阵变更为m×p(p＜n)维，其故障样本类也同样进行剔除，剩余S′＝{X1，X2，…，Xq-1，Xq+1，…，Xn}；在灵敏度矩阵S′中搜寻是否有满足若有，则舍弃k或l，将二者纳为一类故障。进一步的，步骤S4中对三类参数进行优化的具体操作包括以下步骤，S401：为参数σ、ψ1、ψ2赋初值；S402：根据ψ1、ψ2确定故障状态类Mk(k＝1)，相应的样本数量由原来的N变为其子集Nk；S403：将第i(i＝1，2，…，Nk)个训练样本输入概率神经网络模型中，遍历i记录概率神经网络模型输的后验概率；S404：按照计算个体适应度值，适应度值越大则个体越优；式中，其中，其中Sj(i)及G(i)分别代表输出值及目标值；Pj(i)表示i号样本属于j类状态的后验概率；Z表示期望最小最优概率，即每个样本经概率神经网络模型后输出的最大概率的下限值；V表征的是后验概率的离散程度，数值越大表示故障可区分程度越优；E表征的是测试样本诊断结果的正确程度，数值越小则个体越优；S405：开始BSO算法迭代；对于个体类，从4种方式中选择一种方式产生新个体σ′、ψ1′、ψ2′；S406：重复步骤S402～步骤S404，计算适应度值并令k＝k+1，与原来的适应度值比较，若新个体更好则替换原个体。S407：继续迭代直到达到终止条件得到最优参数σ、ψ1、ψ2；S408：利用ψ1、ψ2对故障状态进行筛选，输出当前Z值下的故障状态集；S409：根据需要调整Z值并重复步骤S401～步骤S408，直到故障状态集达到预定要求，保存训练结果，所述故障状态集为故障状态类的集合。进一步的，步骤S405中所述的4中方式包括：随机选中1个类，在此类的类中心上通过叠加随机扰动来产生新个体；随机选中1个类，在此类中随机选中1个个体，叠加随机扰动来产生新个体；随机选中2个类，首先把这两个类的类中心进行融合，再叠加随机扰动来产生新个体；随机选中2个类，首先这两个类的每类中各自随机选出1个个体进行融合，再叠加随机扰动来产生新个体。本专利技术的有益效果是：本专利技术针对装备模拟电路部分元器件在发生故障时对测点输出响应影响较小，以及不同的故障状态下的输出响应过于接近的问题，利用电路输出特征灵敏度进行建模，构建了两类阈值参数并利用头脑风暴算法对这两类阈值参数和平滑参数进行优化，为故障诊断中故障类别的选择提供了技术途经，形成了一整套完整的装备模拟电路故障诊断方法，在装备模拟电路故障诊断方向上具有较大的应用价值。附图说明图1为本专利技术中的标准PNN结构；图2为本专利技术中的概率输出型PNN结构；图3为本专利技术实施例一中的电路图；图4为本专利技术实施例二中PNN诊断结果随σ变化情况；图本文档来自技高网...

【技术保护点】
1.基于概率神经网络的装备模拟电路故障诊断方法，其特征在于，包括以下步骤，/nS1：构建用于模拟电路故障诊断的概率神经网络模型；/nS2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；/nS3：计算步骤S2中筛选出来的有用分量的BCM值，构建相应的故障特征向量；/nS4：利用步骤S3中基于训练样本的故障特征向量对步骤S1中的概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；/nS5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。/n

【技术特征摘要】
1.基于概率神经网络的装备模拟电路故障诊断方法，其特征在于，包括以下步骤，
S1：构建用于模拟电路故障诊断的概率神经网络模型；
S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；
S3：计算步骤S2中筛选出来的有用分量的BCM值，构建相应的故障特征向量；
S4：利用步骤S3中基于训练样本的故障特征向量对步骤S1中的概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；
S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。


2.根据权利要求1所述的基于概率神经网络的装备模拟电路故障诊断方法，其特征在于：步骤S1中构建的用于模拟电路故障诊断的概率神经网络模型包括输入层、模式层、累加层和输出层；
所述输入层为网络总入口，其元个数即为故障特征向量的个数；
所述模式层通过权值与输入层相连，计算输入的故障特征向量与各模式层的匹配程度，也即输入的故障特征向量相对于各个模式层的权值；然后送入高斯核函数得到该层的输出；
所述累加层将各个类的模式层连接起来，对模式层传来的同类输入进行累加，累加算法为式中，为第k个模式中的第j个样本，σ为平滑参数；
所述输出层输出累加层中得分最高的一类。


3.根据权利要求2所述的基于概率神经网络的装备模拟电路故障诊断方法，其特征在于：所述输出层将累加层输出的经求和线性运算，得到输出为待测样本x属于某一类别ωk的后验概率P(ωk|x)，用向量形式描述为P＝[P(w1|x)，…P(wM|x)]T。


4.根据权利要求3所述的基于概率神经网络的装备模拟电路故障诊断方法，其特征在于：输出层将累加层输出的经求和线性运算，得到输出为待测样本x属于某一类别ωk的后验概率P(ωk|x)的具体操作包括，
S101：设ωk类训练样本的先验概率为P(ωk)，样本x的条件概率为P(x|ωk)，则后验概率
S102：利用Parzen窗函数对P(x|ωk)进行估计



S103：利用输入样本的频度估计P(ωk)，则
S104：根据步骤S102和步骤S103中P(x|ωk)与P(ωk)的估计值可得，基于高斯核函数的Bayes判决表达式为x∈ωk，


5.根据权利要求4所述的基于概率神经网络的装备模拟电路故障诊断方法，其特征在于：步骤S4中所述的三类参数包括平滑参数σ，第一类阈值参数ψ1、第二类阈值参数ψ2；
所述第一类阈值...

【专利技术属性】
技术研发人员：徐学文，盛沛，郑振，戴永军，盖炳良，白玉，张广法，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：山东;37