[發明專利]一種基于改進的RBF神經網絡的模擬電路故障診斷方法

在審

• 申請號: 201410186076.8
• 申請日: 2014-05-05
• 公開（公告）號: CN103926526A
• 公開（公告）日: 2014-07-16
• 發明（設計）人: 魏善碧;柴毅;鄧萍;陳淳;王詩年;唐健
• 申請（專利權）人: 重慶大學
• 主分類號: G01R31/316
• 分類號: G01R31/316
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進的RBF神經網絡的模擬電路故障診斷方法，即給待測電路施加激勵，在電路的測試節點測量激勵響應信號；將測量的響應信號作小波包及改進能量的小波包變換消噪處理后提取候選故障特征信號，然后進行歸一化處理以提取故障特征信息，再將故障特征信息作為樣本輸入經過遺傳算法優化后的神經網絡進行故障分類，考慮到遺傳算法性能易受初始點影響，利用K均值聚類學習算法設置尋優起始點；具體包括以下步驟：

步驟一：給待測電路施加激勵，在電路的測試節點測量激勵響應信號，將測量的響應信號(故障信號的低頻特征和高頻特征)，作小波包及改進能量的小波包變換消噪處理后提取候選故障特征信號；

步驟二：對所提取的候選特征向量進行歸一化處理，得到故障特征向量；

步驟三：將故障特征向量作為訓練樣本輸入經過遺傳算法優化后的RBF神經網絡中，訓練RBF神經網絡，使其誤差平方和小于期望誤差，將RBF神經網絡的隱含層節點數考慮為可變的，優化選擇隱含層節點數，考慮到遺傳算法性能易受初始點影響，利用K均值聚類學習算法設置尋優起始點；

步驟四：利用優化訓練后RBF神經網絡，結合訓練樣本，建立模擬電路故障字典，用于存儲訓練后的神經網絡的網絡權值，閾值及誤差；

步驟五：在診斷實施時，對被測電路施加激勵信號，提取相應的故障特征，輸入到已經訓練好的RBF神經網絡中，RBF神經網絡的輸出即為故障類型；

步驟六：對于測試中不能識別的故障特征，確定其是否為新故障特征(模式)，加入訓練樣本集。

2.根據權利要求1所述的基于改進的RBF神經網絡的模擬電路故障診斷方法，其特征在于：步驟一中，當電路發生故障，其故障信號的特定信息如細微變化及畸變部分包含在低頻和高頻段部分，將測量的響應信號作小波包及改進能量的小波包變換消噪處理后提取候選故障特征信號。

3.根據權利要求1所述的基于改進的RBF神經網絡的模擬電路故障診斷方法，其特征在于：步驟三所述的訓練的RBF神經網絡，為了提高故障識別率，神經網絡的隱含層節點的數目考慮為可變的，優化選擇隱含層節點數。

4.根據權利要求1所述的基于改進的RBF神經網絡的模擬電路故障診斷方法，其特征在于：步驟三所述的利用遺傳算法優化RBF神經網絡方法，具體步驟為：

1)K均值聚類方法產生初始數據中心和寬度；

2)將數據中心h_i和寬度δ_i實數編碼，并產生初始種群；

3)計算適應度，利用LMS計算權值，計算MSE和適應度；

4)判斷MSE是否滿足誤差要求，滿足則結束，否則繼續；

5)采用賭輪選擇方法，根據適應度的大小，選擇對應個體；

6)采用自適應遺傳算法，自適應選擇交叉率和變異率；

7)采用改進的精英主義選擇方法，以保證種群的優質進化。

5.根據權利要求1所述的基于改進的RBF神經網絡的模擬電路故障診斷方法，其特征在于：步驟三所述的利用K均值聚類學習算法設置尋優起始點,產生初始數據中心和寬度K的具體步驟是：

1)算法初始化，選取h個不同值的聚類中心；

2)計算樣本輸入X_j與聚類中心h_i(k)的歐式距離；

3)對樣本輸入X_j按最小距離原則對其進行分類；

4)重新計算各個隱節點的聚類中心h_i(k+1)；

5)如果h_i(k+1)≠h_i(k)，轉到步驟(2)，否則聚類結束，轉到步驟(6)即聚類中心不再變動時，停止聚類；

6)根據各聚類中心之間的距離，確定各初始數據中心和寬度。

6.一種應用權利要求1至5中任一項所述的基于改進的RBF神經網絡的模擬電路故障診斷方法。