CN101251576A - 一种基于神经网络的电路故障诊断方法 - Google Patents

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

一种基于神经网络的电路故障诊断方法

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)C_i(x)＝0(i＝1，2，…，l)，然后将元件参数增量X＝[x₁，…，x_n]^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：

$\underset{X}{\min }\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\left|f_j\left(x\right)\right|---\left(1\right)$

S.t.C_i(x)＝0(i＝1，2，…，l)(2)

式中f_j(x)＝f_j(x₁，…，x_n)，(j＝1，…，m)；C_i(x)＝C_i(x₁，…，x_n)，(i＝1，…，l)是非线性连续可微函数，X＝[x₁，…，x_n]^T为优化变量，m为函数f_j(x)的数量，l约束函数C_i(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

$E(x,r)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\left|f_i\left(x\right)\right|+\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{r}_i\left|C_i\left(x\right)\right|---\left(3\right)$

式中r＝[r₁，…，r_l]^T，r_i＞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r_i＞|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r_i，(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：

$\frac{{\mathrm{dx}}_j}{\mathrm{dt}}=-{\mathrm{\μ}}_j[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\σ}}_{\mathrm{fi}}+S_{\mathrm{fi}}{V}_{\mathrm{fi}})\frac{\∂f_i\left(x\right)}{\∂x_j}+\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\σ}}_{\mathrm{ci}}+S_{\mathrm{ci}}{V}_{\mathrm{ci}})r_i\frac{\∂C_i\left(x\right)}{\∂x_j}]$

$x_j\left(0\right)=x_j^{\left(0\right)},(j=1,\·\·\·,n)---(4.a)$

$\frac{d{V}_{\mathrm{fi}}}{\mathrm{dt}}=-{\mathrm{\ρ}}_{\mathrm{fi}}{S}_{\mathrm{fi}}{f}_i\left(x\right),V_{\mathrm{fi}}\left(0\right)=V_{\mathrm{fi}}^{\left(0\right)},(i=1,\·\·\·,m)---(4.b)$

$\frac{d{V}_{\mathrm{ci}}}{\mathrm{dt}}-{\mathrm{\ρ}}_{\mathrm{ci}}{S}_{\mathrm{ci}}{C}_i\left(x\right),V_{\mathrm{ci}}\left(0\right)=V_{\mathrm{ci}}^{\left(0\right)},(i=1,\·\·\·,l)---(4.c)$

式中 ${\mathrm{\&sigma;}}_{\mathrm{fi}}=\mathrm{sgn}{f}_i\left(x\right)=\left\{\begin{array}{cc}1& f_i\left(x\right)>0\\ -1& f_i\left(x\right)<0\end{array},(i=1,\&CenterDot;\&CenterDot;\&CenterDot;,m)\right.$

${\mathrm{\&sigma;}}_{\mathrm{ci}}=\mathrm{sgn}{C}_i\left(x\right)=\left\{\begin{array}{cc}1& C_i\left(x\right)>0\\ -1& C_i\left(x\right)<0\end{array},(i=1,\&CenterDot;\&CenterDot;\&CenterDot;,l)\right.$

$S_{\mathrm{fi}}=\left\{\begin{array}{cc}0& f_i\left(x\right)\&NotEqual;0\\ 1& f_i\left(x\right)=0\end{array},(i=1,\&CenterDot;\&CenterDot;\&CenterDot;,m)\right.$

$S_{\mathrm{ci}}=\left\{\begin{array}{cc}0& c_i\left(x\right)\&NotEqual;0\\ 1& c_i\left(x\right)=0\end{array},(i=1,\&CenterDot;\&CenterDot;\&CenterDot;,l)\right.$

且|V_fi|≤1，|V_ci|≤1，μ_j，ρ_fi，ρ_ci＞0，式中μ_j，ρ_fi，ρ_ci为电路时间常数，m，l的含义同(1)、(2)式，n为元件参数个数，σ_fi，σ_ci，S_fi，S_ci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N_δ(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， $\frac{\mathrm{dE}}{\mathrm{dt}}\&le;0,$ 当且仅当 $\frac{\mathrm{dx}}{\mathrm{dt}}=0$ 时等式成立，即神经网络达到稳定。且有

$\underset{i\&NotElement;A}{\mathrm{\&Sigma;}}{\mathrm{\&sigma;}}_i\&dtri;f_i\left(x^{*}\right)+\underset{i\&Element;A}{\mathrm{\&Sigma;}}{V}_i^{*}\&dtri;f_i\left(x^{*}\right)---\left(5\right)$

式中f_i(x)＝f_i(x)，(i＝1，…，m)

    f_i(x)＝r_iC_i(x)，(i＝m+1，…，m+l)

    I＝{1，…，m；m+1，…，m+l}

    A＝A(x^*)＝{i|f_i(x^*)＝0，i∈I}

$\left|V_i^{*}\right|\&le;1,i\&Element;A$

    σ_i＝sgn(f_i(x^*))， $i\&NotElement;A$

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，V_fi，V_Ci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r_i即r_i＞|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)V_fi、V_ci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r_i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G_i＝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：

$\frac{1}{8}\left[\begin{array}{ccccc}5& 3& 2& 1& 1\\ 2& -2& 4& 2& 2\\ 1& -1& 2& -3& 5\end{array}\right]\left[\begin{array}{c}{e}_1\\ e_2\\ e_3\\ e_4\\ e_5\end{array}\right]=\left[\begin{array}{c}0.093\\ -0.067\\ -0.032\end{array}\right]$

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：

$\min \underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}\left|e_i\right|$

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：

$E(x,r)=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\left|f_i\left(x\right)\right|+\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{r}_i\left|C_i\left(x\right)\right|$

式中r＝[r₁，…，r_l]^T，r_i＞0，i＝1，…，l，m为函数f_j(x)的数量，l约束函数C_i(x)的数量。

Images