基于构造性神经网络实现小样本下的故障诊断方法技术

本发明专利技术公开了基于构造性神经网络实现小样本数据集下的故障诊断方法，包括如下步骤：(1)获取表征模拟电路故障特征的小样本集；(2)构建基于小样本数据集的前向神经网络；(3)采用构建后的前向神经网络对实际模拟电路故障样本类别进行精准诊断。本发明专利技术的优点在于：适用于小样本集的快速构建前向神经网络，可以快速实现神经网络的权重确定并用于识别模拟电路中的故障诊断；基于小样本建立前向神经网络，具有快速的建立和训练的优点，同时具备小样本中的故障类别的100％准确识别。样本中的故障类别的100％准确识别。样本中的故障类别的100％准确识别。

【技术实现步骤摘要】
基于构造性神经网络实现小样本下的故障诊断方法


[0001]本专利技术涉及模拟电路故障诊断领域，特别涉及一种基于构造性神经网络实现小样本下的故障诊断方法。

技术介绍

[0002]随着科学技术的发展和新技术的应用，电子系统的性能大幅提升，同时电子系统的复杂度不断增加，导致系统的故障率大幅度提高。传统的故障诊断是采用人工或BP神经网络来实现故障的诊断，首先人工方式肯定是费时费力且存在时间长等缺陷；采用BP神经网络可以做到自动的诊断识别，如专利申请号为200910072333.4的基于维纳核和神经网络的非线性模拟电路故障诊断方法，其公开了非线性模拟电路的特征提取、模式识别和故障诊断技术,确定被测非线性模拟电路的故障状态集；依次求得各故障状态的前n阶维纳核；建立BP神经网络,用各状态编码及对应的n阶维纳核训练神经网络；求待诊断电路的前n阶维纳核,此核作为神经网络的输入,网络的输出即为诊断结果。本专利技术可提取Volterra级数不能描述的一部分非线性电路的特征,且输出展开级数项之间相互正交,特征提取和数据处理较简单,诊断系统泛化能力强,准确性高,实用性强。本专利技术用于电子线路的故障诊断。
[0003]采用上述BP神经网络可以做到简单、准确等优点实现故障诊断，但是在BP神经网络的建立后，其训练需要大量的数据对其进行训练，数据量的大小以及训练时间等制约或影响着BP神经网络故障识别的准确性，但是对于小样本数据集，没有大量的数据来支撑BP神经网络反复训练，从而不可能获得高精度的故障识别率。因此采用BP神经网络进行模拟电路的故障识别方法仍然存在诸多不足。
[0004]并且由于现代电子系统结构复杂、集成度高,传统的故障检测方法侧重于数据预加处理来进行故障特征提取，故障建模过程复杂，且需要的训练数据较多，在小数据集样本下精度无法达到要求。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供基于构造性神经网络实现小样本下的故障诊断方法，采用构造神经网络实现模拟电路的故障诊断，实现小样本集下的神经网络的构建和故障诊断。
[0006]为了实现上述目的，本专利技术采用的技术方案为：基于构造性神经网络实现小样本下的故障诊断方法，包括如下步骤：
[0007](1)获取表征模拟电路故障特征的小样本数据集；
[0008](2)构建基于小样本数据集的前向神经网络；
[0009](3)采用构建的前向神经网络对实际模拟电路故障样本类别进行精准诊断。
[0010]步骤(1)中：
[0011]对模拟电路在正常工作状态和关键器件异常状态进行电路输出测试或电路仿真，获取每一种状态下的故障特征值，并形成与每个故障状态对应的P个独立小样本数据集。
[0012]步骤(1)中，进行电路输出测试或电路仿真包括：
[0013]针对模拟电路的每一种状态，对模拟电路输入正弦波信号，获取模拟电路输出端幅频特性曲线，采集设置的各频率对应电压值为对应频率点的故障特征值；将模拟电路的状态以及各频率点对应的电压值形成小样本数据集。
[0014]根据电路的十倍转折频率选择设置起始频率点和终止频率点，并根据电路的复杂程度在起始频率点和终止频率点之间设置多个中间频率点。
[0015]小样本数据集为具有P个故障类别特征样本的训练集，其包括P个相互独立N维故障测试输入向量X0，X1，
…
，X
p
‑1和P个m维输出故障标识向量y0，
…
，y
p
‑1。
[0016]构造的前向神经网络包括输入层、隐藏层和输出层；
[0017]其中输入层具有n个输入单元，用于输入N维故障测试输入向量；
[0018]隐层取P
‑
1个神经元A1，A2，
…
A
p
‑1；
[0019]输出层取m个神经元：B1，B2，...，B
m
。
[0020]步骤(3)中，采用构造后的前向神经网络对含有噪声信号的实际故障样本进行诊断输出诊断结果。由于构造性神经网络具有最大吸引半径，当实际故障样本误差小于吸引半径时，系统将给予100％故障类别的正确辨识。
[0021]当模拟电路中出现或增加新的故障状态类别时，将训练后的前向神经网络中隐藏层增加新增故障状态类别数量相同的神经元，修改相应的连接权重和阈值，系统即可进行新的故障类别的在线学习(系统知识扩充)，无需进行全部故障样本的重新学习。
[0022]在前向神经网络中设置拒识状态，在神经网络的实际输入向量与小样本数据集中模拟电路的每一种状态对应输入向量的Hamming距离超出最大吸引半径时，前向神经网络自动输出拒识状态对应的输出向量。
[0023]本专利技术的优点在于：适用于小样本集的快速构建前向神经网络，可以快速实现神经网络的权重确定并用于识别模拟电路中的故障诊断；基于小样本建立前向神经网络，具有快速的建立和泛化的优点，同时具备小样本中已学习故障类别的100％准确识别。
附图说明
[0024]下面对本专利技术说明书各幅附图表达的内容及图中的标记作简要说明：
[0025]图1为本专利技术前向神经网络的结构示意图；
[0026]图2为本专利技术举例示意的一种模拟电路输入输出示意图。
具体实施方式
[0027]下面对照附图，通过对最优实施例的描述，对本专利技术的具体实施方式作进一步详细的说明。
[0028]本专利技术主要是针对现有技术中的BP神经网络等方式实现故障诊断需要依赖大量的训练样本集来进行网络训练造成训练时间的增加以及严重依赖数量巨多的训练样本否则就会造成诊断结果不准确的缺陷，采用构造FP神经网络的方式可以满足小样本快速实现网络构建以及快速应用于故障识别，且可以快速的实现神经网络依据故障电路的类别等进行神经元的增减，实现了小样本下的快速、准确的故障诊断的目的。具体方案包括：
[0029]依据电子测控系统的结构与功能特点，结合构造性神经网络和测试性设计分析理
论提出了一种电子系统智能化电路故障诊断与知识发现的系统框架和知识体系。
[0030]为了实现上述目的，本专利技术采用的技术方案包括如下步骤：
[0031](1)采集模拟电路的频点特性参数小样本集:
[0032]对模拟电路在正常工作状态和关键器件异常状态进行电路输出测试或电路仿真。根据输入信号为1V正弦波时(采用1V正弦波使得电路输出不失真且方便计算)，输出端幅频特性曲线采集各频率对应电压值为故障特征值。根据电路的十倍转折频率，合理选择起始频率、终止频率以及电路复杂程度决定等比例的插值频率点，每个频率点对应的电压值作为一维原始故障特征值。最终得到具有P个故障类别和N个属性的故障采集特征值样本如下表。()
[0033][0034](2)联合小样本数据集下的前向神经网络构建
[0035]针对测试获得的P个电路故障样本，相互独立N维故障测试输入向量X0，X1，
…
，X...

【技术保护点】

【技术特征摘要】
1.基于构造性神经网络实现小样本下的故障诊断方法，其特征在于：包括如下步骤：(1)获取表征模拟电路故障特征的小样本数据集；(2)构建基于小样本数据集的前向神经网络；(3)采用构建的前向神经网络对实际模拟电路故障样本类别进行精准诊断。2.如权利要求1所述的一种基于构造性神经网络实现小样本下的故障诊断方法，其特征在于：步骤(1)中：对模拟电路在正常工作状态和关键器件异常状态进行电路输出测试或电路仿真，获取每一种状态下的故障特征值，并形成与每个故障状态对应的P个独立小样本数据集。3.如权利要求2所述的一种基于构造性神经网络实现小样本下的故障诊断方法，其特征在于：步骤(1)中：进行电路输出测试或电路仿真包括：针对模拟电路的每一种状态，对模拟电路输入正弦波信号，获取模拟电路输出端幅频特性曲线，采集设置的各频率对应电压值为对应频率点的故障特征值；将模拟电路的状态以及各频率点对应的电压值形成小样本数据集。4.如权利要求2所述的一种基于构造性神经网络实现小样本下的故障诊断方法，其特征在于：根据电路的十倍转折频率选择设置起始频率点和终止频率点，并根据电路的复杂程度在起始频率点和终止频率点之间设置多个中间频率点。5.如权利要求1所述的基于构造性神经网络实现小样本下的故障诊断方法，其特征在于：小样本数据集为具有P个故障类别特征样本的训练集，其包括P个相互独立N维故障测试输入向量X0，X1，
…
，X
p
‑1和P个m维输出故障标识向量y0，
…
，y
p

【专利技术属性】
技术研发人员：张持健，张武琪，方明星，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：