CN101251576A - 一种基于神经网络的电路故障诊断方法 - Google Patents
一种基于神经网络的电路故障诊断方法 Download PDFInfo
- Publication number
- CN101251576A CN101251576A CNA2008100309772A CN200810030977A CN101251576A CN 101251576 A CN101251576 A CN 101251576A CN A2008100309772 A CNA2008100309772 A CN A2008100309772A CN 200810030977 A CN200810030977 A CN 200810030977A CN 101251576 A CN101251576 A CN 101251576A
- Authority
- CN
- China
- Prior art keywords
- circuit
- neural network
- optimization problem
- constraint
- linear
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的电路故障诊断方法,对待测电路施加电流或电压激励,测量可测接点电压,与正常情况下进行比较获得电压增量,根据电路基尔霍夫定理获得电路元器件参数与激励、响应的关系方程,然后将元件参数增量作为优化变量,采用约束非线性非连续最优化方法进行求解获得元件参数增量,与正常参数比较得出故障元件。本发明具有抗干扰强、快速定位、准确率高等特点,适用范围广,适应线性电路、非线性电路、混合信号电路测试与诊断。
Description
技术领域
本发明涉及一种电路故障诊断方法,特别涉及一种基于神经网络的电路故障诊断方法。
背景技术
参数识别法是电子电路故障诊断一种重要方法,一般地是通过求解电路特征方程从而求得元件参数。但由于电路的规模越来越庞大,且其电路特征方程一般为大规模非线性方程,往往求解费时并存在误差较大的缺点。神经网络的出现为电路故障诊断提高了一种新的重要方法,但现有的神经网络用于求解电路特征方程还存在较大的缺点。如绝对值函数的近似处理会产生的较大的误差,为提高解的精度需无限增大罚参数等。
发明内容
为了解决现有电路故障诊断存在的上述技术问题,本发明提供一种基于神经网络的电路故障诊断方法,。
本发明解决上述的技术问题的技术方案包括以下步骤:
1)对待测电路施加电流或电压激励,测量可测接点电压;
2)将测量的可测接点电压值与与正常情况下的可测接点电压值进行比较获得电压增量,根据电路基尔霍夫定理获得电路元器件参数与激励、响应的电路故障特征方程;
3)将元件参数增量作为优化变量,根据电路故障特征方程建立约束非线性非连续最优化问题;
4)将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题,并建立神经网络的计算能量函数,构造无约束非线性非可微最优化问题的神经网络计算模型,利用所建立的神经网络计算模型求解元件参数,根据元件参数容差范围确定故障。
本发明的技术效果在于:本发明采用的是精确罚函数法,将电路故障诊断过程中的约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题并建立神经网络的计算能量函数,构造无约束非线性非可微最优化问题的神经网络计算模型,避免了在将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题中产生的误差问题,提高了故障诊断精度。并避免了对绝对值函数的近似处理产生的误差问题,同时在一定程度上摆脱了为提高解的精度无限增大罚参数的困境。
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为本发明的计算神经网络模拟框图;
图2为本发明应用示例1的待诊断的电子电路;
图3为本发明应用示例1的神经网络动态演化曲线;
具体实施方式
本发明的电路故障诊断方法如下:
首先对待测电路施加电流或电压激励,测量可测接点电压,与正常情况下进行比较获得电压增量,根据电路基尔霍夫定理获得电路元器件参数与激励、响应的关系方程(即电路故障特征方程)Ci(x)=0(i=1,2,…,l),然后将元件参数增量X=[x1,…,xn]T作为优化变量,采用约束非线性非连续最优化方法进行求解获得元件参数增量,与正常参数比较得出故障元件。所建立的约束非线性非连续最优化问题如下:
S.t.Ci(x)=0(i=1,2,…,l)(2)
式中fj(x)=fj(x1,…,xn),(j=1,…,m);Ci(x)=Ci(x1,…,xn),(i=1,…,l)是非线性连续可微函数,X=[x1,…,xn]T为优化变量,m为函数fj(x)的数量,l约束函数Ci(x)的数量。
对于上述约束非线性非连续最优化问题,本发明采取下述方法将该约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题。根据Pietrzykowski定义(1)、(2)式的精确罚函数即计算神经网络的能量函数为
式中r=[r1,…,rl]T,ri>0,i=1,…,l。
关于(3)式,有下面的重要定理:
定理1:设(x*,λ*)为(1)、(2)式的Kuhn-Tucker对,且满足一阶充分条件,则当ri>|λ*|(i=1,…,l),x*也是(3)式的严格局部最优解。
于是(1)、(2)式的求解转化为(3)式的求解,对于满足条件的ri,(3)式的最优解就是(1)、(2)式的最优解。即完成了将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题的求解。
(3)式的最小化过程即神经网络的动力学行为如下:
式中
且|Vfi|≤1,|Vci|≤1,μj,ρfi,ρci>0,式中μj,ρfi,ρci为电路时间常数,m,l的含义同(1)、(2)式,n为元件参数个数,σfi,σci,Sfi,Sci为开关参数。
与(4)式对应的求解(3)式的神经网络如图1所示。该神经网络从局部最优解X*的Nδ(X*)={x0|‖x0-x*‖<δ,δ>0}领域内任一初始点x(0)将根据(4)式沿着能量函数减小的方向演化。当能量函数最小时,神经网络达到稳定。稳定点x*满足(3)式最优性的必要条件。
显然, 当且仅当 时等式成立,即神经网络达到稳定。且有
式中fi(x)=fi(x),(i=1,…,m)
fi(x)=riCi(x),(i=m+1,…,m+l)
I={1,…,m;m+1,…,m+l}
A=A(x*)={i|fi(x*)=0,i∈I}
σi=sgn(fi(x*)),
故神经网络稳定点x*满足(3)式最优性必要条件。根据定理1,x*亦为(1)、(2)式的局部最优解。
由图1所示神经网络可知,Vfi,VCi是由神经网络的内部状态调节的,对神经网络的动态过程起平滑作用,将加速神经网络的收敛。由于神经网络的计算能量函数即(3)式是由精确罚函数法获得的,对于适当大小的ri即ri>|λ*|由图1所示神经网络或根据(4)式所描述的神经网络就能求得(1)、(2)式精确的解。
本发明所提出的求解非线性绝对值之和最小化优化问题的神经网络方法具有以下特点:
(1)Vfi、Vci在神经优化过程中起自适应控制作用,使神经网络的收敛速度变快;
(2)罚参数ri不需要为无限大就能获得精确的解。
(3)由于采用的是精确罚函数法,将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题并建立神经网络的计算能量函数,构造无约束非线性非可微最优化问题的神经网络计算模型,避免了在将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题中产生的误差问题,提高了故障诊断精度。
本发明应用示例:
示例1如图2所示电子电路,各元件正常标称值电导Gi=1(i=1,…,5),元件参数具有5%容差。在节点1加单位电流激励,在各可及点测得电压分别为V1=0.718V,V2=0.183V,V3=0.093V,正常情况下各可及点测得电压分别为0.625V,0.250V,0.125V,因此节点电压增量分别为:0.093V,-0.067V,-0.032V。建立电路元器件参数与激励、响应的关系方程即电路故障诊断方程为:
显然,该诊断方程是欠定方程组,为求出等效电源矢量e,建立如下目标函数:
所求得的解需满足故障诊断方程。显然,该问题即为非线性绝对值和最小化最优化问题(1)、(2)。利用图1所示神经网络求解上述故障诊断问题。初始状态为0,神经网络动态变化过程如图3所示(图中x1,x2,x3,x4,x5分别表示等效电流源e1、e2、e3、e4、e5)。神经网络稳定时给出最优解:e*=[0.000312,0.2485,-0.0081,-0.0025,0.0031]T,相应元件参数增量
ΔG=[-0.0004,-0.4644,0.0442,0.0277,-0.0333]T
其中元件G2变化-0.4644,远大于5%的容差,因此判定G2为故障元件,实际测试G2参数值为G2=0.5,正常情况下G2=1,即实际变化量-0.50。显然,通过神经网络求得的解非常逼近真实情形。表明本发明电路测试与诊断方法有效,求解非线性绝对值和最小化最优化问题有效。
Claims (3)
1. 一种基于神经网络的电路故障诊断方法,包括以下步骤:
1)对待测电路施加电流或电压激励,测量可测接点电压;
2)将测量的可测接点电压值与与正常情况下的可测接点电压值进行比较获得电压增量,根据电路基尔霍夫定理获得电路元器件参数与激励、响应的电路故障特征方程;
3)将元件参数增量作为优化变量,根据电路故障特征方程建立约束非线性非连续最优化问题;
4)将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题,并建立神经网络的计算能量函数,构造无约束非线性非可微最优化问题的神经网络计算模型,利用所建立的神经网络计算模型求解元件参数,进行故障诊断。
2. 根据权利要求1所述的基于神经网络的电路故障诊断方法,所述步骤4)中利用不可微精确罚函数法将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题。
3. 根据权利要求2所述的基于神经网络的电路故障诊断方法,所述步骤4)中神经网络的计算能量函数为:
式中r=[r1,…,rl]T,ri>0,i=1,…,l,m为函数fj(x)的数量,l约束函数Ci(x)的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100309772A CN101251576A (zh) | 2008-04-02 | 2008-04-02 | 一种基于神经网络的电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100309772A CN101251576A (zh) | 2008-04-02 | 2008-04-02 | 一种基于神经网络的电路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101251576A true CN101251576A (zh) | 2008-08-27 |
Family
ID=39955069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100309772A Pending CN101251576A (zh) | 2008-04-02 | 2008-04-02 | 一种基于神经网络的电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101251576A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN101900789A (zh) * | 2010-07-07 | 2010-12-01 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN101477172B (zh) * | 2009-02-18 | 2010-12-01 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN103675544A (zh) * | 2013-12-09 | 2014-03-26 | 华南理工大学 | 基于优化算法的电力系统故障信号检测与波形识别方法 |
CN109738790A (zh) * | 2019-01-28 | 2019-05-10 | 北京航空航天大学 | 考虑模糊组预判别的组合神经网络电路故障诊断方法 |
-
2008
- 2008-04-02 CN CNA2008100309772A patent/CN101251576A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477172B (zh) * | 2009-02-18 | 2010-12-01 | 湖南大学 | 一种基于神经网络的模拟电路故障诊断方法 |
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN101819253B (zh) * | 2010-04-20 | 2013-10-23 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN101900789A (zh) * | 2010-07-07 | 2010-12-01 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN101900789B (zh) * | 2010-07-07 | 2012-05-02 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN102279358A (zh) * | 2011-06-20 | 2011-12-14 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN102279358B (zh) * | 2011-06-20 | 2013-11-27 | 湖南大学 | 一种基于mcskpca的神经网络模拟电路故障诊断方法 |
CN103675544A (zh) * | 2013-12-09 | 2014-03-26 | 华南理工大学 | 基于优化算法的电力系统故障信号检测与波形识别方法 |
CN103675544B (zh) * | 2013-12-09 | 2016-01-20 | 华南理工大学 | 基于优化算法的电力系统故障信号检测与波形识别方法 |
CN109738790A (zh) * | 2019-01-28 | 2019-05-10 | 北京航空航天大学 | 考虑模糊组预判别的组合神经网络电路故障诊断方法 |
CN109738790B (zh) * | 2019-01-28 | 2020-05-15 | 北京航空航天大学 | 考虑模糊组预判别的组合神经网络电路故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016236B (zh) | 基于非线性量测方程的电网假数据注入攻击检测方法 | |
CN101251576A (zh) | 一种基于神经网络的电路故障诊断方法 | |
CN103824137B (zh) | 一种复杂机械设备多工况故障预测方法 | |
CN103326358A (zh) | 基于同步相角测量装置的电力系统动态状态估计方法 | |
CN102222151B (zh) | 一种基于自回归滑动平均的模拟电路故障预测方法 | |
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 | |
CN101593977B (zh) | 电力网络支路参数估计方法 | |
CN106646103A (zh) | 一种基于多测点正序电压最优匹配的电压暂降源定位方法 | |
CN103116136A (zh) | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 | |
CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
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 | |
CN101349731A (zh) | 一种电压稳定性实时评估方法 | |
CN103631145A (zh) | 基于监控指标切换的多工况过程监控方法和系统 | |
CN109828168A (zh) | 基于核密度估计的变换器故障诊断方法 | |
CN102915514B (zh) | 基于半不变量法的电力系统状态估计可信度评估方法 | |
Jauregui et al. | Transient FDTD simulation validation | |
CN102087311B (zh) | 一种提高电力互感器测量精度的方法 | |
CN112989587A (zh) | 一种电容式电压互感器劣化成因在线分析方法及系统 | |
CN101251574B (zh) | 一种实时电子电路的故障诊断参数识别方法 | |
CN109901022B (zh) | 基于同步量测数据的配电网区域定位方法 | |
CN101216527B (zh) | 一种基于神经网络的在线电子电路故障诊断方法 | |
CN102027381B (zh) | 确定电流的至少一个性质的方法、设备和计算机程序产品 | |
CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN115951292A (zh) | 一种电子式电压互感器误差状态在线评估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080827 |