[發(fā)明專利]一種基于模糊神經(jīng)網(wǎng)絡(luò)的WSN無(wú)線通信模塊故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710076638.7
• 申請(qǐng)日: 2017-02-13
• 公開(kāi)（公告）號(hào): CN106912067B
• 公開(kāi)（公告）日: 2020-04-24
• 發(fā)明（設(shè)計(jì)）人: 薛善良;周奚;韋青燕;朱世照
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): H04W24/04
• 分類號(hào): H04W24/04;H04W84/18;G06N3/08
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 唐紹焜

1.一種基于模糊神經(jīng)網(wǎng)絡(luò)的WSN無(wú)線通信模塊故障診斷方法，其特征在于：包括步驟：

步驟1：通過(guò)采樣時(shí)間和AD精度確定無(wú)線通信模塊發(fā)射電流的采樣精度；通過(guò)DHT11傳感器測(cè)量診斷對(duì)象在不同溫度和電壓下所對(duì)應(yīng)的發(fā)射消耗電流參數(shù)，并建立工作電流模型I_cons,t＝f(V_mod,t,T_mod,t)，其中I_cons,t是無(wú)線通信模塊t時(shí)刻的電流，V_mod,t無(wú)線通信模塊t時(shí)刻的電壓，T_mod,t是無(wú)線通信模塊t時(shí)刻的溫度；

步驟2：根據(jù)步驟1測(cè)得的數(shù)據(jù)利用減法聚類算法進(jìn)行規(guī)則提取，即確定模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)和參數(shù)，包括聚類中心的個(gè)數(shù)和位置以及寬度參數(shù)；

聚類個(gè)數(shù)決定模糊邏輯中模糊規(guī)則的數(shù)量，每個(gè)中心相對(duì)應(yīng)一條if-then模糊規(guī)則，所有的模糊規(guī)則確定模糊神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)；

假設(shè)W維空間的n個(gè)數(shù)據(jù)點(diǎn)(x₁,x₂,...,x_n)，對(duì)數(shù)據(jù)進(jìn)行處理后，給出數(shù)據(jù)點(diǎn)x_i的密度指標(biāo)為

上式中，r_a是正數(shù)，表示該點(diǎn)的鄰域；

對(duì)所有數(shù)據(jù)點(diǎn)使用式(1)計(jì)算得到密度指標(biāo)，選取密度指標(biāo)最高的點(diǎn)記為作為第一個(gè)聚類中心，其密度指標(biāo)記為采用下式修正每個(gè)數(shù)據(jù)點(diǎn)的密度指標(biāo)

上式中，r_b為整數(shù)，表示一個(gè)密度指標(biāo)降低的鄰域，滿足r_b＞r_a；

經(jīng)過(guò)上述修正后，選取下一個(gè)聚類中心，然后繼續(xù)修正數(shù)據(jù)點(diǎn)的密度指標(biāo)；重復(fù)上述過(guò)程，直到滿足終止條件，聚類結(jié)束；

具體步驟如下：

步驟2.1：選取具有最高密度指標(biāo)的數(shù)據(jù)點(diǎn)作為第一個(gè)聚類中心；記h＝1，h是聚類中心的個(gè)數(shù)；為第一個(gè)聚類中心的密度指標(biāo)，即初始最高密度值；

步驟2.2：選取可能的第(h+1)個(gè)聚類中心，利用式(2)修正每個(gè)數(shù)據(jù)點(diǎn)的密度指標(biāo)，其中具有最高密度指標(biāo)的點(diǎn)記為其密度指標(biāo)記為

步驟2.3：若與的比值小于閾值γ，即則轉(zhuǎn)步驟2.4；否則選取為第(h+1)個(gè)聚類中心，h＝h+1，轉(zhuǎn)步驟2.2；

步驟2.4：聚類結(jié)束，共有h個(gè)聚類中心；

步驟2.5：聚類中心確定后，對(duì)每個(gè)初始中心數(shù)據(jù)點(diǎn)的部分最鄰近的點(diǎn)取平均距離作為初始寬度參數(shù)r_h的參數(shù)值；

步驟3：通過(guò)粒子群優(yōu)化算法和最小二乘法相結(jié)合的混合學(xué)習(xí)方法在步驟2建立的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行參數(shù)的優(yōu)化，運(yùn)用PSO算法對(duì)前件參數(shù)即模糊隸屬函數(shù)中心值和模糊隸屬函數(shù)寬度值進(jìn)行優(yōu)化，再結(jié)合部分最小二乘法訓(xùn)練后件參數(shù)即模糊規(guī)則的輸入變量一階多項(xiàng)式f的結(jié)論系數(shù)；當(dāng)模型滿足精度要求時(shí)得到故障診斷模型；

具體為：

步驟3.0：編碼PSO粒子；

步驟3.1：初始化粒子群的種群；

步驟3.2：對(duì)于每個(gè)粒子，將其當(dāng)前的適應(yīng)度與其之前經(jīng)歷過(guò)的最好位置的適應(yīng)度進(jìn)行比較，如果更好，則更新個(gè)體最好位置P_best；

步驟3.3：對(duì)于每個(gè)粒子，將個(gè)體最好位置P_best適應(yīng)度與全局最好位置P_t位置的適應(yīng)度進(jìn)行比較，如果更好，則用個(gè)體最好位置P_best更新全局最好位置P_t；

步驟3.4：根據(jù)下式修改每個(gè)粒子的速度和位置

V_id＝ωV_id+c₁r₁(P_best-X_id)+c₂r₂(P_t-X_id)

步驟3.5：重復(fù)步驟3.2～步驟3.4，直到滿足計(jì)算終止條件；

步驟3.6：將群體所經(jīng)歷最好位置的編碼解碼得到基函數(shù)的中心參數(shù)以及寬度參數(shù)；

步驟3.7：計(jì)算隱含層單元輸出

以及輸出層輸出

步驟3.8：重新初始化粒子群種群，調(diào)整權(quán)值ω_jk，其適應(yīng)度函數(shù)G＝||y_k-h_j||；

步驟3.9：對(duì)于每個(gè)粒子，比較它的適應(yīng)度與其所經(jīng)歷的最好位置的適應(yīng)度，如果更好，則更個(gè)體最好位置新P_best；

步驟3.10：對(duì)于每個(gè)粒子，其個(gè)體最好位置P_best適應(yīng)度與全局最好位置P_t位置的適應(yīng)度進(jìn)行比較，如果更好，則用個(gè)體最好位置P_best更新全局最好位置P_t；

步驟3.11：調(diào)整每個(gè)粒子的速度和位置；

步驟3.12：重復(fù)步驟3.9到步驟3.11，直到達(dá)到計(jì)算要求為止；

步驟3.13：解碼得到規(guī)則的前件參數(shù)；

步驟3.14：運(yùn)用部分最小二乘法計(jì)算模糊神經(jīng)網(wǎng)絡(luò)的后件參數(shù)；

步驟3.15算法結(jié)束；

步驟4：根據(jù)步驟3訓(xùn)練完畢的診斷模型對(duì)測(cè)試樣本進(jìn)行故障診斷。

2.根據(jù)權(quán)利要求1所述的WSN無(wú)線通信模塊故障診斷方法，其特征在于：所述步驟1測(cè)得的數(shù)據(jù)共分為100組，其中70組用于模糊神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，30組用于作為測(cè)試樣本集，1組數(shù)據(jù)包含2個(gè)輸入量和1個(gè)輸出量，輸入量分別是供電電壓和溫度，輸出量為發(fā)射消耗電流。