CN101216527A - 一种基于神经网络的在线电子电路故障诊断方法 - Google Patents
一种基于神经网络的在线电子电路故障诊断方法 Download PDFInfo
- Publication number
- CN101216527A CN101216527A CNA2007103034601A CN200710303460A CN101216527A CN 101216527 A CN101216527 A CN 101216527A CN A2007103034601 A CNA2007103034601 A CN A2007103034601A CN 200710303460 A CN200710303460 A CN 200710303460A CN 101216527 A CN101216527 A CN 101216527A
- Authority
- CN
- China
- Prior art keywords
- partiald
- circuit
- neural network
- delta
- node voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Tests Of Electronic Circuits (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于神经网络的在线电子电路故障诊断方法,包括以下步骤:在可测试节点用单个电流源对电路激励,测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Zm m,可测节点电压对等效电源的混合矩阵Hm;测量待测电路与正常标称电路可测试节点电压并计算其差值;利用叠加定理建立电路特征方程;将非测试节点电压增量与元件参数增量共同作为最优化变量建立最小绝对值和优化问题,利用跨导神经网络进行求解,神经网络的输出即为元件参数增量,根据参数的容差确定该元件是否故障。本发明不需要对电子电路进行多次重复测试与模拟优化计算,神经网络结构相对简单、复杂性低,定位速度快,准确率高。
Description
技术领域
本发明涉及一种电子电路故障诊断方法,特别涉及一种基于神经网络的在线电子电路故障诊断方法。
背景技术
神经网络在测试与诊断中的作用包括两方面,作为大规模线性或非线性方程实时求解即参数识别,其次是作为聚类器将故障特定模式进行分类。在将神经网络作为参数识别器使用,很显然方程的变量越少相应的神经网络规模越小,复杂性也得以降低。在模拟电子电路故障诊断参数识别法中,如何减少变量的个数从而简化神经网络的规模和复杂性是关键难题。
发明内容
本发明的目的就是将电路非测试节点电压增量和元件参数增量作为优化变量,不是将所有节点电压增量作为优化变量,降低了神经网络的规模和复杂性。
本发明解决上述技术问题的技术方案包括以下步骤:将待测电子电路所有元件参数增量用等效电源替代;
在可测试节点用单个电流源对电路激励,测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Zm m,可测节点电压对等效电源的混合矩阵Hm;
测量待测电路与正常标称电路可测试节点电压并计算其差值;
利用叠加定理将表示故障元件以及非故障元件参数超过容差量的作用的等效电源和单个电流源激励的共同作用建立电路特征方程;
将非测试节点电压增量与元件参数增量共同作为最优化变量建立最小绝对值和优化问题,利用跨导神经网络进行求解,神经网络的输出即为元件参数增量,根据元件参数的容差确定该元件是否故障。
本发明的技术效果在于:本发明只需在一个节点施加一次激励,优化变量少,只需一次优化计算即能获得所有元件参数增量,不需要对电子电路进行多次重复测试与模拟优化计算,神经网络结构相对简单、复杂性低,定位速度快,准确率高。
下面结合附图及实施例,对本发明作详细的说明。
附图说明
图1为本发明的计算元件参数增量的神经网络模拟框图;
图2为本发明的计算求解优化问题的跨导电容神经网络(图中标有G的表示Gilbert跨导乘法器,OHL表示跨导硬限幅器);
图3为本发明应用示例电子电路;
图4为本发明应用示例电子电路诊断问题求解的神经网络动态演化曲线;
具体实施方式
将待测电子电路所有元件参数增量用等效电源替代,在可测试节点用单个电流源对电路激励,测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Zm m(m×m维矩阵),可测节点电压对等效电源的混合矩阵Hm(m×n维矩阵),依据阻抗矩阵Zm m和混合矩阵Hm建立有关节点电压增量与等效电源变量间关系的电路特征(矩阵)方程:
式中 为电流测试激励; 为可及节点电压测量值;矩阵Zm m为可及节点电压对可及节点电流激励信号间的阻抗矩阵,Zm m为m×m维矩阵;Hm为可及节点电压对等效电源的混合矩阵,Hm为m×n维矩阵;
因为
式中αj=0,1或-1,随不同类型的元件而定;ΔPj是元件参数增量;xj对受控源而言是控制电压或电流,对电阻、电容、电感而言是元件本身的电压或电流。
整理(1)、(2),得到单个电流源激励作用下电路诊断方程:
ΔVm=HmΩXΔP (3)
式中X=diag[x1,x2,…,xn],且 ,其中N为电路不可及节点数, 为元件均为正常标称值的电路不可及节点电压,VN=[V1,…,VN]T为因元件参数偏离正常标称值导致的电路不可及节点电压增量。
以VN、ΔP为优化变量的最小绝对值和优化问题描述如下:
Subject to ΔVm=HmΩXΔP (4.2)
优化问题(4.1)、(4.2)式是一般的非线性优化问题,为了减弱微分方程的刚性,改进神经网络的收敛特性,应用改进的Lagrange乘子法构造求解该优化问题的神经网络计算能量函数E:
式中
r(ΔP,VN)=HmΩXΔP-ΔVm=[r1,…,rm]T
K=diag[K1,…,Km],Ki(i=1,…,m)为罚参数,且Ki>0i;
α>0为规则化参数,其作用是消除因病态的增广Lagrange函数导致的寄生振荡。
根据标准的梯度法将能量函数E的最小化过程转化为如下一组微分方程组:
(1)当第j条支路为线性集总元件R、L、C时
(2)当第j条支路为线性受控源且控制支路为m
有关Vt的偏导数的一般表达式为:
μ1j,μ2l,μ3l,ρRi,ρIi(j=1,…,n;l=1,…,N;i=1,…,m)均大于0。
显然神经网络(5)是稳定的。由于Lagrange乘子λ在神经网络动态变化过程中起自适应控制作用,将加速神经网络状态向平衡点接近的进程,缩短收敛时间;同时使神经网络的初始点选取比较自由。
根据(5)式可得计算ΔP,VN的神经网络如图1所示,其跨导实现电路如图2所示。
神经网络的输出即为元件参数增量,根据参数的容差范围可以判断电子电路中究竟哪个元件或哪些元件发生故障。
本发明的一个具体应用实施例:图3所示为一电子网孔电路,考虑元件参数容差为5%。在节点1加工频f=50Hz电流源,测量可及节点1,3,4,6,7,8节点电压值(2,5为不可及节点),建立(4.1)、(4.2)式诊断方程,利用神经网络求解(4.1)、(4.2)式优化问题,神经网络(μ1j=μ2l=μ3l=104(j=1,…,20;l=1,2);Ki=300(i=1,…,6),其它参数均为0)在0初始状态下收敛到稳定点即优化问题(4.1)、(4.2)式的解,其中元件参数增量如表1所示,图4示出了神经网络动态演化过程,图中xi表示(i=1,…,10)。从表1可见,根据神经网络稳定点提供的元件参数增量ΔP能准确定位故障元件,元件C5,C7参数增量均远超过容差,为故障元件,与实际情况吻合,表明本发明方法有效。
表1 图3电子电路诊断结果
元件 | 参数变化百分数 | ||||
实际值 | 诊断结果 | ||||
代号 | 标称值 | a | b | a | b |
R1R2R3R4C5gmC7R8R9R10C11L12R13 | 1200Ω1000Ω680Ω3000Ω0.47μF0.2ms0.68μF1500Ω4000Ω470Ω2μF20mH680Ω | -1.96101-5001.53.09-1.960-205.26 | -1.96101500-503.05-1.960-205.26 | 0000-61.9702.21000-0.1300 | 000039.880-35.3000-0.400 |
Claims (1)
1.一种基于神经网络的在线电子电路故障诊断方法,包括以下步骤:
将待测电子电路所有元件参数增量用等效电源替代;
在可测试节点用单个电流源对电路激励,测试获得可测节点电压对可测节点电流激励间的阻抗矩阵Zm m,可测节点电压对等效电源的混合矩阵Hm;
测量待测电路与正常标称电路可测试节点电压并计算其差值;
利用叠加定理将表示故障元件以及非故障元件参数超过容差量的作用的等效电源和单个电流源激励的共同作用建立电路特征方程;
将非测试节点电压增量与元件参数增量共同作为最优化变量建立最小绝对值和优化问题,利用跨导神经网络进行求解,神经网络的输出即为元件参数增量,根据元件参数的容差确定该元件是否故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007103034601A CN101216527B (zh) | 2007-12-29 | 2007-12-29 | 一种基于神经网络的在线电子电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007103034601A CN101216527B (zh) | 2007-12-29 | 2007-12-29 | 一种基于神经网络的在线电子电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101216527A true CN101216527A (zh) | 2008-07-09 |
CN101216527B CN101216527B (zh) | 2010-12-15 |
Family
ID=39623005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007103034601A Expired - Fee Related CN101216527B (zh) | 2007-12-29 | 2007-12-29 | 一种基于神经网络的在线电子电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101216527B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305910A (zh) * | 2011-06-22 | 2012-01-04 | 长沙河野电气科技有限公司 | 基于模糊神经网络的大规模直流模拟电路区间诊断方法 |
CN102914737A (zh) * | 2012-09-21 | 2013-02-06 | 安徽科技学院 | 一种复杂电路网络故障诊断方法 |
CN105445646A (zh) * | 2015-12-14 | 2016-03-30 | 国家电网公司 | 基于神经网络专家系统的模数电路故障诊断的测试方法 |
CN107561429A (zh) * | 2017-08-25 | 2018-01-09 | 哈尔滨工业大学(威海) | 电路辐射故障诊断装置 |
CN108241114A (zh) * | 2016-12-26 | 2018-07-03 | 北京邮电大学 | 混合电路芯片的在线故障检测方法、装置及故障检测电路 |
CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
CN117289072A (zh) * | 2023-08-22 | 2023-12-26 | 哈尔滨工业大学 | 一种基于电压编码的电网不良数据辨识方法 |
-
2007
- 2007-12-29 CN CN2007103034601A patent/CN101216527B/zh not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305910A (zh) * | 2011-06-22 | 2012-01-04 | 长沙河野电气科技有限公司 | 基于模糊神经网络的大规模直流模拟电路区间诊断方法 |
CN102914737A (zh) * | 2012-09-21 | 2013-02-06 | 安徽科技学院 | 一种复杂电路网络故障诊断方法 |
CN105445646A (zh) * | 2015-12-14 | 2016-03-30 | 国家电网公司 | 基于神经网络专家系统的模数电路故障诊断的测试方法 |
CN108241114A (zh) * | 2016-12-26 | 2018-07-03 | 北京邮电大学 | 混合电路芯片的在线故障检测方法、装置及故障检测电路 |
CN108241114B (zh) * | 2016-12-26 | 2020-05-26 | 北京邮电大学 | 混合电路芯片的在线故障检测方法、装置及故障检测电路 |
CN107561429A (zh) * | 2017-08-25 | 2018-01-09 | 哈尔滨工业大学(威海) | 电路辐射故障诊断装置 |
CN110286279A (zh) * | 2019-06-05 | 2019-09-27 | 武汉大学 | 基于极端随机森林与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
CN110286279B (zh) * | 2019-06-05 | 2021-03-16 | 武汉大学 | 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
CN117289072A (zh) * | 2023-08-22 | 2023-12-26 | 哈尔滨工业大学 | 一种基于电压编码的电网不良数据辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101216527B (zh) | 2010-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wassiliadis et al. | Revisiting the dual extended Kalman filter for battery state-of-charge and state-of-health estimation: A use-case life cycle analysis | |
Li et al. | Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares | |
Al‐Gabalawy et al. | State of charge estimation of a Li‐ion battery based on extended Kalman filtering and sensor bias | |
CN101216527B (zh) | 一种基于神经网络的在线电子电路故障诊断方法 | |
Linghu et al. | Estimation for state-of-charge of lithium-ion battery based on an adaptive high-degree cubature Kalman filter | |
Chen et al. | State of charge estimation of lithium-ion batteries in electric drive vehicles using extended Kalman filtering | |
Cao et al. | A novel adaptive state of charge estimation method of full life cycling lithium‐ion batteries based on the multiple parameter optimization | |
US20190064284A1 (en) | Apparatuses and methods for testing electrochemical cells by measuring frequency response | |
Howey et al. | Online measurement of battery impedance using motor controller excitation | |
Sitterly et al. | Enhanced identification of battery models for real-time battery management | |
Pavkovic et al. | Dual EKF-based state and parameter estimator for a LiFePO 4 battery cell | |
CN101216530A (zh) | 一种电子电路测试与故障诊断参数识别优化方法 | |
CN105548718A (zh) | 一种基于混合整体最小二乘法的系统谐波阻抗计算方法 | |
CN101251574B (zh) | 一种实时电子电路的故障诊断参数识别方法 | |
CN103064010B (zh) | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 | |
Tadeusiewicz et al. | An algorithm for multiple fault diagnosis in analogue circuits | |
Sadeghi et al. | A systematic overview of power electronics interfaced electrochemical impedance spectroscopy for energy storage systems | |
Priya et al. | State of charge estimation of lithium‐ion battery based on extended Kalman filter and unscented Kalman filter techniques | |
CN104090228B (zh) | 一种模拟电路模糊组识别方法 | |
Stošović et al. | Oscillation-based analog diagnosis using artificial neural networks based inference mechanism | |
CN101251576A (zh) | 一种基于神经网络的电路故障诊断方法 | |
Rausch et al. | Nonlinear observability and identifiability of single cells in battery packs | |
Sindia et al. | Parametric fault testing of non-linear analog circuits based on polynomial and V-transform coefficients | |
Devarayanadurg et al. | Test set selection for structural faults in analog IC's | |
Djordjevic | Analog circuit diagnosis based on the nullor concept and multiport description of the circuit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101215 Termination date: 20201229 |
|
CF01 | Termination of patent right due to non-payment of annual fee |