[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

技術領域

本發明屬于模擬電路故障診斷領域，涉及一種基于改進的RBF神經網絡的模擬電路故障診斷方法。

背景技術

在當今信息化時代，計算機、通信、自動化系統等電子系統與工業生產和日常生活息息相關，而電路則電子系統的硬件基礎，一旦電路發生故障，電子系統乃至整個系統都將無法正常工作。目前，電子設備與人們的生活已經密切相關，己被廣泛應用到各個領域。而其運行環境多種多樣，從人類普通的生活環境到人類無法生存的惡劣甚至非常惡劣的環境，如超高溫、超低溫、高濕度、核輻射、高電磁場等環境。隨著電子設備廣泛運用，人們對電子設備的可靠性指標要求越來越高，并且對某些特殊領域如航空航天，要求則更高。從而要求人們研究新的技術和方法，進一步提高電子設備的可靠性，這就要求當電路發生故障時，能夠及時、準確的辨識故障，以便檢修和替換。

目前，模擬電路的故障診斷方面存在著以下的困難：

(1)缺少簡單的故障模型；

(2)模擬元件參數容差的影響；

(3)模擬電路中廣泛存在非線性問題；

(4)實際的可測節點數有限；

(5)實用電路中的反饋回路導致仿真復雜。

隨著人工智能處理技術的不斷發展，如何將人工智能方法與模擬電路故障診斷相結合，成為當時熱門研究方向。上個世紀九十年代以后，神經網絡、專家系統、模糊理論等逐漸被應用于模擬電路故障診斷中。模擬電路故障涌現出了很多的方法，但是已提出的理論和方法仍然存在許多不足，需要進一步完善。

模擬電路故障診斷實際上相當于一個模式識別和分類問題：根據電路的故障特征判斷電路狀態屬于哪個故障類。人工神經網絡為模擬電路故障診斷提供了一個很好的途徑，與常用的BP神經網絡相比，RBF神經網絡在函數逼近能力、分類能力和學習速度方面均具有較大優勢。但是網絡結構的設計仍然存在一些比較困難的問題。當隱含層神經元個數較少時，其診斷結果較差，通過增加隱含層神經元的個數，可以提高了識別率。但是結果可能導致網絡冗余，增加了網絡的復雜性。

發明內容

為解決模擬電路故障診斷方法存在的上述技術問題,，本發明的目的在于提供一種基于改進的RBF神經網絡的模擬電路故障診斷方法。利用K均值聚類學習算法和遺傳算法優化RBF神經網絡參數，建立故障字典，從而實現對模擬電路的故障診斷。該方法在模擬電路故障診斷的識別率和速度方面明顯優于傳統模擬電路故障神經網絡類診斷方法。

為達到上述目的，本發明提供如下技術方案：

一種基于改進的RBF神經網絡的模擬電路故障診斷方法，包括以下步驟：

步驟一：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(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，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，對被診斷電路的各種故障進行診斷及識別；

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。

本發明的有益技術效果在于：本發明中采用基于小波包變換的候選故障特征向量的提取，提高了故障的分辨率；通過歸一化等預處理形成故障特征，有效地消除了原變量因量綱不同和數值差異太大而帶來的影響，實現了故障特征的提取；通過用遺傳優化算法來替代RBF算法中的LMS法(最小均方誤差方法)來訓練神經網絡的參數(權值和閾值)，能夠改善RBF算法的性能，同時利用K均值聚類學習算法設置遺傳算法的尋優起始點，有效地減少了算法的迭代次數，減少了誤差，提高了診斷速度和故障的識別率。

附圖說明

為了使本發明的目的、技術方案和有益效果更加清楚，本發明提供如下附圖進行說明：

圖1為本發明所述故障診斷方法的流程圖

圖2為RBF神經網絡的結構圖

圖3為訓練RBF神經網絡的方框圖