一种FCM-GA-PNN的模拟电路故障诊断方法技术

本发明专利技术公开了一种FCM

【技术实现步骤摘要】
一种FCM
‑
GA
‑
PNN的模拟电路故障诊断方法


[0001]本专利技术涉及领域，更具体地说，是涉及一种模糊C
‑
均值聚类和GA
‑
PNN 的模拟电路故障诊断方法。

技术介绍

[0002]模拟电路广泛应用于各种军用和民用电子电路，如车辆、控制器、能量转换系统，以及军事和航空航天等高度关键的系统。但是由于元件存在容差特性，且元件参数同输出响应呈非线性映射等特点，使得模拟电路的故障诊断技术相较于数字电路发展缓慢。目前模拟电路故障诊断技术主要分为测前仿真和测后仿真两种。其中，测后仿真通常采用故障验证法和元件参数法，其诊断结果受制于建模方法与方程组。由于建模困难与计算复杂度高等问题难以克服，使得近些年测后仿真逐渐淡出主流方法之列。测前仿真应用最广泛的是故障字典法，可分为传统故障字典和智能故障字典。传统故障字典对于模拟电路软故障的诊断效果并不理想，因此，基于传统方法的改进智能故障字典即机器学习成为了模拟电路故障诊断领域主流方法。
[0003]现有的模拟电路故障诊断方法存在以下缺陷：
[0004]1、模拟电路元器件存在容差问题，导致输出信号存在偏离。从而影响故障诊断效果。
[0005]2、概率神经网络存在平滑参数难以准确设定从而影响分类效果。
[0006]3、诊断效率低，诊断效果不佳等问题。

技术实现思路

[0007]本专利技术所要解决的技术问题是，克服现有技术中存在的不足，提供一种模糊C
‑
>均值聚类和GA
‑
PNN的模拟电路故障诊断方法。
[0008]本专利技术一种FCM
‑
GA
‑
PNN的模拟电路故障诊断方法，通过下述技术方案予以实现，首先通过小波包分析法对模拟电路故障输出响应信号进行分解，计算各频段能量，最后做归一化处理形成故障特征向量，然后利用FCM算法优化数据集，解决由于元件容差带来的影响；并利用遗传算法进行概率神经网络的平滑参数寻优，得到最优参数解；最后将特征向量输入到优化后概率神经网络模型中，实现对不同故障元件参数变化的分类诊断；进而确定故障类型以及损坏元件；具体按照下述步骤进行：
[0009](1)对模拟电路进行数据采集：确定电路的输出端为采样点，采集电压随时间变化的数据，构成模拟电路的原始数据；
[0010](2)特征提取：对采集的数据进行小波包分析；小波包分析分为分解和重构两个过程：分解过程是将信号分解为某一尺度下的低频系数和高频系数，再改变尺度继续进行更精细的划分，最后得到频率范围相等的2
n
个频段，而重构则为计算能量后形成对应的特征向量；以四层小波包分解为例，每一输出响应被分为16个子频带，对应16个能量值，归一化后重构为一个16维的特征向量；
[0011](3)数据聚类：模糊C
‑
均值聚类算法的目标函数定义为：
[0012]FCM聚类算法的目标函数定义为：
[0013][0014]其中，n为样本总个数，C为簇心数目，μ为一个n
×
C的矩阵，其中μ
ij
为a
i
属于类别j的隶属度，μ
ij
越大，则第i个数据落入第j个聚类的概率越大，b
j
为第j个类别的中心；
[0015]分别对λ和μ
ij
求偏导并令其为零得：
[0016][0017]由公式(7)解得隶属度：
[0018][0019]在明确聚类数目并确定了隶属度阈值和最大迭代次数后，形成初始化隶属度矩阵，利用上述聚类中心及隶属度矩阵更新公式；若J
m
(U,B)小于隶属度阈值或达到最大迭代次数时，输出隶属度矩阵，结束聚类；
[0020](4)传统的PNN网络分为4层：输入层、模式层、求和层和输出层；
[0021]输入层个数与特征向量的维数一一对应，同时可以将特征向量导入概率神经网络；
[0022]模式层的神经元个数与样本一一对应，通过利用欧氏距离的基本计算原理将不同的特征向量进行距离计算，以计算的距离大小来确定其相似程度，距离越小其相似程度就越大，最后，将计算所得的欧式距离值通过高斯函数计算最终得到模式层的输出，模式层的输出可以表示为：
[0023][0024]式(8)中，x为输入向量r为输入向量的维数，η是平滑参数，x
ij
是表示第j类的第i个模式神经元向量；
[0025]求和层将所有模式层中的神经单元再次汇总在一起，构成样本的不同类别，所以，求和层的神经单元个数就是故障类别的个数；每个求和神经元的输出可以表示为：
[0026][0027]式(9)中，N
j
为第j类的样本总数；
[0028]输出层，根据贝叶斯决策规则，选择求和层中概率最高的一类作为整个概率神经网络的输出得到最终结果；
[0029]采用遗传算法对概率神经网络中的平滑参数进行寻优，以确定最佳的平滑参数；首先，确定概率神经网络结构，提取的故障特征向量的维数为16，故其输入层的神经元个数为16；模式层的神经元个数为通过模糊C
‑
均值聚类后筛选出的数据个数隶属度>0.9；求和层的神经元个数为具体模拟电路的故障类别个数；并采用遗传算法代替原本的网络法寻找最优平滑参数；
[0030](5)故障诊断与定位：将特征向量输入到优化后概率神经网络模型中，实现对不同故障元件参数变化的分类诊断；进而确定故障类型以及损坏元件。
[0031]所述四层小波包分解具体过程如下：
[0032]步骤一计算4层小波包分解后各频带的能量：
[0033][0034]式中，式中，L
4i
为第4层小波包分解子频带i的能量值，j为第4层第i个子带的离散点，a
ij
为幅值；
[0035]步骤二进行重构计算总能量L4：
[0036][0037]步骤三归一化处理，用归一化以后的量e
i
代替原特征值：
[0038][0039]步骤四构造能够表征模拟电路故障状态波形能量的特征向量E：
[0040]E＝(e0,e1,...,e
15
)
ꢀꢀꢀꢀꢀꢀ
(4)。
[0041]所述采用遗传算法对概率神经网络中的平滑参数进行寻优的步骤如下：
[0042]步骤一：初始化概率神经网络结构及遗传算法的参数，并设定算法的种群大小，相似度阈值、交叉和变异的概率；
[0043]步骤二：将模糊C
‑
均值聚类后隶属度大于9的数据集归结为有效数据集并输入模型结构；
[0044]步骤三：根据适应度函数计算适应度，判断个体与目标之间的距离，采用有效训练样本的最小均方差作为适应度函数；
[0045]步骤四：是否满足要求，若达到设定的要求或最大迭代次数，则结束循环并输出最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种FCM
‑
GA
‑
PNN的模拟电路故障诊断方法，其特征是，首先通过小波包分析法对模拟电路故障输出响应信号进行分解，计算各频段能量，最后做归一化处理形成故障特征向量，然后利用FCM算法优化数据集，解决由于元件容差带来的影响；并利用遗传算法进行概率神经网络的平滑参数寻优，得到最优参数解；最后将特征向量输入到优化后概率神经网络模型中，实现对不同故障元件参数变化的分类诊断；进而确定故障类型以及损坏元件；具体按照下述步骤进行：(1)对模拟电路进行数据采集：确定电路的输出端为采样点，采集电压随时间变化的数据，构成模拟电路的原始数据；(2)特征提取：对采集的数据进行小波包分析；小波包分析分为分解和重构两个过程：分解过程是将信号分解为某一尺度下的低频系数和高频系数，再改变尺度继续进行更精细的划分，最后得到频率范围相等的2
n
个频段，而重构则为计算能量后形成对应的特征向量；以四层小波包分解为例，每一输出响应被分为16个子频带，对应16个能量值，归一化后重构为一个16维的特征向量；(3)数据聚类：模糊C
‑
均值聚类算法的目标函数定义为：FCM聚类算法的目标函数定义为：其中，n为样本总个数，C为簇心数目，μ为一个n
×
C的矩阵，其中μ
ij
为a
i
属于类别j的隶属度，μ
ij
越大，则第i个数据落入第j个聚类的概率越大，b
j
为第j个类别的中心；分别对λ和μ
ij
求偏导并令其为零得：由公式(7)解得隶属度：在明确聚类数目并确定了隶属度阈值和最大迭代次数后，形成初始化隶属度矩阵，利用上述聚类中心及隶属度矩阵更新公式；若J
m
(U,B)小于隶属度阈值或达到最大迭代次数时，输出隶属度矩阵，结束聚类；(4)传统的PNN网络分为4层：输入层、模式层、求和层和输出层；输入层个数与特征向量的维数一一对应，同时可以将特征向量导入概率神经网络；模式层的神经元个数与样本一一对应，通过利用欧氏距离的基本计算原理将不同的特征向量进行距离计算，以计算的距离大小来确定其相似程度，距离越小其相似程度就越大，最后，将计算所得的欧式距离值通过高斯函数计算最终得到模式层的输出，模式层的输出可以表示为：
式(8)中，x为输入向量r为输入向量的维数，η是平滑参数，x
ij
是表示第j类的第i个模式神经元向量；求和层将所有模式层中的神经单元...

【专利技术属性】
技术研发人员：刘子奇，江子烨，贺浩，钱艳婷，刘文彪，
申请(专利权)人：天津力神电池股份有限公司，
类型：发明
国别省市：