CN101404071B - 基于分组粒子群算法的电子电路故障诊断神经网络方法 - Google Patents

Abstract

本发明提供了一种基于分组粒子群算法的电子电路故障诊断神经网络方法，包括以下步骤：首先针对元件容差和测量误差而带来电子电路故障特征具有模糊性等问题，使用模糊理论来进行特征提取，再经归一化与差异度大小判断处理后，输入到神经网络。对传统的BP网络固有的易陷入局部最优等缺点，采用分组粒子群算法来优化其结构与权值的分布，形成优化的神经网络；而在神经网络的输出端接上一个开关K与单层竞争网络，网络训练时，开关打开，实际诊断时，开关闭合，以实现解模糊化并且直接给出故障类型。本发明的方法与传统的基于PSO-BPNN和传统的基于BPNN的故障诊断方法相比，不仅有效地处理了由于元件容差而带来的故障诊断的困难，而且还提高了故障诊断的速度与准确率。

Description

基于分组粒子群算法的电子电路故障诊断神经网络方法

技术领域

本发明涉及一种电子电路故障诊断神经网络方法，特别涉及一种基于分组粒子群算法的电子电路故障诊断神经网络方法。

背景技术

近几年来，电子技术设计和制作工艺都有了新的发展，而故障检测和诊断却进展缓慢，设计复杂电路的能力远远超出了故障检测和维修能力。美国军事部门报道，数字板在电子设备中占80％，模拟电路板占20％，但是，整个设备80％的故障出自模拟电路，故模拟电路的可靠性决定了整个系统的可靠性。因此模拟电路的故障诊断与可靠性设计的重要性不言而喻。自20世纪60年代开始研究以来，模拟电路故障诊断技术取得了不少成就，提出很多方法，但是由于模拟系统的故障模型复杂、元件参数容差与广泛的非线性等原因，至今无论在理论上还是方法上均未完全成熟，距实用尚有相当的距离。

传统的故障诊断方法有故障字典法、参数辨识法、故障验证法、逼近法等，当将它们应用于故障的诊断时，实际上由于元件容差、测量误差及噪声影响会使故障的特征表现出一定程度上的不确定性。采用精确计算的诊断方法时，这些因素导致在线计算量过大，影响了诊断系统在实时测试情况下应用，而且元件容差效应及测量误差影响使测量值不再准确反映故障信息。传统的字典分析法，虽然采用了模糊集来处理由元件容差产生的电压偏差，但仅仅是将电压分段划分给各种故障，而且因为使用了电压范围较大的模糊集降低了故障分辨能力。

20世纪90年代以来，随着智能技术的不断深入和发展，采用神经网络这种智能方法来实现故障诊断逐渐开始成为主流。BP神经网络是基于模式识别原理，很适合于故障分类的问题中，但是其权值调整是通过传统的BP算法来完成的，是一种基于梯度的搜索算法，通常存在学习效率低、收敛速度慢和易于陷入局部最优等缺点，粒子群优化算法(PSO)是基于群体智能优化的方法，由于其简单易于实现而得到广泛的应用，但是其参数的设置至今没有统一的做法，纯粹依靠个人经验设置，因此给PSO算法的应用带来一些困难。

发明内容

本发明的所要解决的技术问题是提供一种基于分组粒子群算法的电子电路故障诊断神经网络方法，本发明可实时快速测试电子电路。

为解决上述技术问题，本发明所采用的技术方案为：

一种基于分组粒子群算法的电子电路故障诊断神经网络方法，其特征在于，包括以下步骤：

1)提取电路各种故障状态下的可及节点电压值，然后对其进行模糊化与归一化处理，获得反映电路状态的特征参量；

2)将所述的特征向量作为神经网络的输入，神经网络输出为各种故障类型的隶属度，所述的神经网络采用分组粒子群算法进行优化；

3)所述神经网络的输出经横向竞争网络后获得电路故障的诊断结果；

所述的神经网络为四层BP网络，隐层数为2，同层节点之间没有连接权相连，对所述的神经网络采用分组粒子群算法进行优化的方法包括以下步骤：

a)随机产生一个大种群N；

b)将大种群N分成m个小组{n₁，n₂，…，n_m}，其中每个小组有k个粒子；

c)为每个小组随机生成各自的进化参数，所述的进化参数包括惯性因子ω_i，自身学习率Fail_i和社会学习率FailG_i；

d)对每个小组分别进行迭代进化，每隔k代进行一次变异操作、一次重组操作和一次参数优化操作；变异操作是在各自得小组内进行的，粒子参数(速度或位置)变异后的值相应于粒子的全局极值P_best以及粒子参数变异前的值P_worst的变异规则为：

$P_{\mathrm{worst}}^{\′}=P_{\mathrm{worst}}+u(P_{\mathrm{best}}-P_{\mathrm{worst}});$

其中u∈(0，1)为学习速率，其根据P_best-P_worst的匹配度设定的，与匹配度成反比，即匹配度越高，u就越小。

重组是将所有小组重新合并成一个大种群，对大种群按适应度进行排序，然后以k为步长抽取粒子P_i*m+j重新分到各个小组进化，即：

n_j＝{P_i*m+j}     i＝{0，1，…，k-1}；

其中j＝1，2，…，L(L为重新分组后总的组数)；m为原来总的小组数。

重组的同时对各组参数进行粒子群优化，m个小组的参数可以看成是m个粒子，对这m个参数粒子实行粒子优化操作；取当前交叉时刻小组粒子最优适应值与上一交叉时刻小组粒子最优适应值之差作为参数适应值Fit_pi，即

Fit_pi＝F_i-F_i-1；

其中，F_i-1为上一交叉时刻参数粒子最优值，F_i为当前交叉时刻参数粒子最优值；参数会向着使算法有最快收敛速度的方向逼近。

所述的横向竞争网络中节点j到节点i的连接权系数为：

$t_{\mathrm{ij}}=\left\{\begin{array}{cc}1& i=j\\ -\mathrm{\ϵ}& i\≠j\end{array}\right.;$

其中，ε＝1/b，b为网络输出神经元数；网络输出y_i(t+1)的求取方法由下式表示：

$y_i(t+1)=f_t[y_i\left(t\right)-\mathrm{\ϵ}\underset{k\≠i}{\mathrm{\Σ}}{y}_k\left(t\right)];$

其中， $f_t\left(\mathrm{\α}\right)=\left\{\begin{array}{cc}A& \mathrm{\α}\≥A\\ \mathrm{c\α}& 0>\mathrm{\α}>A\\ 0& \mathrm{\α}\≤0\end{array}\right.,$ 为竞争层神经元的激活函数；A为任一给定常数；i，k均为输出层神经元节点的序号且i＝1，2，…，b，k＝1，2，…，b，i≠k；t＝1，2，…，b为迭代变量；y(t)为竞争网络的输入。

所述的适应度用fit表示，定义如下：

$\mathrm{fit}=\frac{1}{\mathrm{ss}};$

式中， $\mathrm{ss}=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{E}^2,$ 其中，M为样本数目，E为网络的能量函数，

$E=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{(t_n-y_n)}^2;$

其中，t_n、y_n分别为神经网络的第n个目标输出矢量与第n个实际输出矢量，N为输出层的神经元数。

所述的神经网络采用实数编码的方式，即将粒子群中的粒子对应于神经网络隐含层的权值、输出层的权值以及各层神经元的偏置。

采用七级模糊化来对节点电压进行模糊化处理作为故障特征，模糊化过程中采用三角形隶属度函数。

所述的归一化处理过程为：可及点电压向量U＝[u₁，u₂，…，u_m]， $M=\underset{1\≤i\≤m}{\max }{u}_i,$ 则其归一化后得到的电压向量为U＝[u₁，u₂，…，u_m]，其中u_i＝u_i/M。

神经网络的输出端与所述横向竞争网络之间的接上一个开关，神经网络训练时，开关打开，实际诊断时，开关闭合，以实现解模糊化并且直接给出故障类型。

本发明为解决解决元件参数容差以及测量误差等问题，所提的技术方案：首先对电路测试节点处电压值进行模糊化处理以实现对故障类型的粗分，再经归一化处理获得反映电路状态的特征参量，作为各相应神经网络的输入特征向量来实现故障类型的细分。

本发明针对传统PSO算法的不足，所提的技术方案：将粒子群分成几个小组来分别进化，而且几个小组的参数是各自随机产生的。在一定的间隔时刻对各个小组的粒子进行变异操作和重新分组，这有助于在不同环境下进化出的粒子能够相互取长补短，另外各个小组的参数在粒子重新分组的时候也进行粒子群算法的参数优化，期望能使小组粒子群的参数也能够向着优化的参数靠近。

本发明针对BP网络所存在的缺陷，所提的技术方案：利用GPSO(分组遗传算法)具有随机全局并行搜索的特点，采用GPSO对BP网络进行优化，以寻找最为合适的网络连接权和网络结构。考虑到四层BP网络具有良好的分类效果，在此设置隐层数为2，并设同层节点之间没有连接权相连，这样由于输入层与输出层节点的个数已由建模样本决定，因此优化BP网络结构时，主要是优化它的隐节点个数、各节点之间的连接权值。最后在优化的BP网络的后面增加一横向竞争网络，用它来选出形成输出判决层，实现诊断结果的判决。

本发明所具有的有益效果有：

本发明采用七级模糊化来对节点电压进行模糊化处理作为故障特征，有效地解决了元件参数容差、测量误差和存在噪声环境的影响而带来故障的特征不确定性的问题。采用分组粒子群算法来优化神经网络，降低了网络对PSO进化参数设置的影响。在这种方法中的各小组PSO参数是自动寻优，最终停留在使粒子群收敛最快的参数上，使算法能够在经过较少的迭代次数后就能寻得最优解，减少了计算时间。相对于基于传统粒子群神经网络与传统的BP网络的方法来说，本发明所提方法优化了网络的结构，缩短了网络训练的时间，提高了故障诊断的正确率。

附图说明

图1为本发明的诊断系统的结构图。

图2为本发明的隶属函数。

图3为本发明的四运放高通滤波器电路图。

图4为本发明的训练曲线。

图5为本发明的专用电路测试的系统框图。

具体实施方式

以下结合附图对本发明作进一步说明。

实施例1：

本发明提出了利用基于分组粒子群算法的BP网络来实现电子电路故障的诊断。其故障诊断的结构图参见图1所示，输入U经七级模糊化后得到网络的输入X，神经网络采用分组粒子群算法来优化来实现，即GPSO-BPNN。此时神经网络的输出是以对各种故障类型的隶属度，为了能够从网络的输出直接给出故障诊断的类型，本发明提出了在网络的输出端接上一个开关K与一横向竞争网络。训练时，将开关K打开，而在实际诊断时，将开关K接通，然后测量各测试点的数据，这些数据再经预处理后输入已训练好的神经网络，神经网络的输出再输入横向竞争网络，从而确定了故障的类型。其中，横向竞争网络的结构如图1右端所示，即网络是由单层神经元网络组成，而且输入节点与输出节点之间为全互连接的网络。

参见图1，横向竞争网络是用来将具有最大输入值的一端激活，以此形成输出判决层，从而实现解模糊化的功能，其节点j到节点i的连接权系数为：

$t_{\mathrm{ij}}=\left\{\begin{array}{cc}1& i=j\\ -\mathrm{\ϵ}& i\≠j\end{array}\right.---\left(1\right)$

其中，ε＝1/b，b为网络输出神经元数。从(1)式的连接权系数t_ij组成可以看出，自组织竞争网络的权值有两种作用，即相同神经元之间的权值起加强的作用，而不同神经元之间的权值相互抑制。

其迭代公式为：

$y_i(t+1)=f_t[y_i\left(t\right)-\mathrm{\ϵ}\underset{k\≠i}{\mathrm{\Σ}}{y}_k\left(t\right)]---\left(2\right)$

其中， $f_t\left(\mathrm{\α}\right)=\left\{\begin{array}{cc}A& \mathrm{\α}\≥A\\ \mathrm{c\α}& 0>\mathrm{\α}>A\\ 0& \mathrm{\α}\≤0\end{array}\right.,$ 为竞争层神经元的激活函数；A为任一给定常数，常取A＝50；ε的含义与(1)式中的ε相同；i，k均为输出层神经元节点的序号且i＝1，2，…，b，k＝1，2，…，b，i≠k；t＝1，2，…，b，为迭代变量；y(t)为竞争网络的输入，对应于图1中的

；式(2)表示了网络输出的求取方法，即可以由网络的输入经加权和与激活函数转换后得到。其加权输入和是由两部分组成，分别为来自输入节点的加权输入和y_i(t)(此时权值为1)与来自竞争层内互相抑制的加权输入和(此时权值为-ε)。

根据所提的采用神经网络的方法来实现模拟电路的故障诊断，其主要包括两大步骤，首先要在测前将网络训练好，其次是在实际诊断时，利用已训练好的网络来实现故障类型的识别，具体有：

(1)训练神经网络来进行模拟电路诊断的测前工作有：

①获取待测试数据集：列出电路可能的待测状态即正常状态和可能的故障状态，分别在非故障元件取标称值及在容差范围内偏移取值时，运用电路仿真软件(如Pspice)计算待测试量。

②测试数据预处理：对测试数据进行预处理即模糊化与归一化处理，获得反映电路状态的特征参量，作为各相应神经网络的输入特征向量。以节点电压为例来说明归一化处理的过程，设可及点电压向量U＝[u₁，u₂，…，u_m]， $M=\underset{1\≤i\≤m}{\max }{u}_i,$ 则其归一化后得到U＝[u₁，u₂，…，u_m]，其中u_i＝u_i/M，即实现了归一化处理。

③构造样本集：利用已获得的各组特征参量与各输出特征(电路状态)之间的对应关系，优选样本并构建样本集，选取其中一部分作为训练样本，其余作为测试样本，此两部分样本的选择均应具有代表性。参见图2，假设有b个元件分别发生故障，并且已知各可及点在2b种故障状态下的电压值U_i，i＝1，2，…，m。对元件Y_k，k＝1，2，…，b，记h_k＝[ΔU_k1，ΔU_k2，…，ΔU_km]^T，其中ΔU_ki表示k元件故障时，第i个可及点的电压变化量。设 $\mathrm{\Δ}{U}_{k\max }=\underset{1\≤i\≤m}{\max }\left\{\mathrm{\Δ}{U}_{\mathrm{ki}}\right\},$ 对h_k做归一化后得h_k＝[ΔU_k1，ΔU_k2，…，ΔU_km]^T，其中ΔU_ki＝(1+ΔU_ki/ΔU_kmax)/2。对h_k的各元素进行七级模糊化，即7个语言值：{负大，负中，负小，零，正小，正中，正大}＝{NB，NM，NS，O，PS，PM，PB}，，模糊量e论域为[0，1]，采用如图1所示的三角形隶属度函数，得m×7维模糊矩阵：

$H_k=\left[\begin{array}{cccc}{h}_{11}& h_{12}& \·\·\·& h_{17}\\ h_{21}& h_{22}& \·\·\·& h_{27}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ h_{m1}& h_{m2}& \·\·\·& h_{m7}\end{array}\right]---\left(3\right)$

那么，式(3)就是电路元件的故障特征，即实现了故障特征的提取。

模拟电路中软故障的元件可有无穷多个故障参数值，且正常元件的参数亦在容差范围内偏离标称值，使得电路的故障状态难以穷尽。但BP网络的外推能力是有限的，实际诊断中若仅选择电路在标称状态下的故障特征作为网络的训练样本，往往很难适用于有容差的情况，从而会大大降低分类正确率。同时，电路中某个元件发生软故障时的电路测量值与该元件发生硬故障时的测量值可能差别很大，由硬故障特征训练出的网络也往往很难推广应用于诊断软故障，且软故障的故障样本亦不能选得过多，否则将会带来神经网络训练速度与收敛稳定性方面的问题。针对这个问题，并且为了使神经网络能获得良好的分类性能以及满意的训练速度与收敛稳定性，本发明将以差异度的大小来决定故障特征能否被选为训练样本的关键。

设S＝[s₁…s_k…s_b]^T和U＝[u₁…u_k…u_b]T分别为两个故障特征，它们的接近程度可定义为：

$\mathrm{\ρ}[S,U]=\sqrt{\underset{k=1}{\overset{b}{\mathrm{\Σ}}}{(s_k-u_k)}^2}---\left(4\right)$

ρ越小，表示向量S和U越接近，ρ越大，表示向量S和U差异越大。

对于电路的硬故障，对故障容差电路实际测量所得到的特征向量，将分布于特征空间中以标称值下特征向量为中心的子空间中，各状态标称值下的特征可认为是该状态的样本中心。因此，对每一状态可用其样本中心作为训练样本，利用神经网络所具有的容错性，在分类时可将样本中心训练样点周围一定范围内的样点归为同一类构成训练样本。然后，再在上述训练样本集的基础上对每一状态增加适当数量的容差范围内随机样点作为可能的附加训练样本，但如果增加的样本与已有非同类状态的特征向量过于接近时，则不宜被选为附加样本点，以免网络难于训练。对这种情况下的电路状态，只能依赖神经网络的推广能力来诊断。只有当增加的样本点与已有训练样本集中所有样本的特征差别都足够大时，才有必要入选为训练样本。

对于电路的软故障，容差对故障定位的影响亦表现为对特征参量空间特性的干扰，即对神经网络输入矢量的扰动，相同的容差和故障元件下，故障程度越严重，则特征参量的模越大，相对来说，容差的扰动效应却减小了，可见，故容比大的软故障则故障易定位，反之则故障难分辨。为此，在正常元件的容差范围内及元件的开路与短路两类硬故障之间，应用Monte Carlo法随机产生足够多的样本点，再在其中选择小故障样本构成训练集，其选择的基本方法是：

a.若某软故障状态与正常标称电路状态的特征向量过于接近时，算作无故障状态考虑更适宜，其能否被选作为无故障样本，主要决定于其故障特征与已入选的所有同类与非同类状态样本的特征差别是否都足够大，若是，则可入选；

b.若某软故障状态与正常标称电路状态的特征向量差异较大，且其特征与所有硬故障样本以及已入选的软故障样本的特征差别都足够大时，则可以作为候选软故障样本考虑，一般来说，软故障的故障参数变化范围虽然很大，但这种由参数故障引起的变化具有一定的规律性，神经网络可在一定程度上捕捉这种规律，因此对此类软故障训练样本的选择密度不需过大；

c.若某软故障状态与正常标称电路状态的特征向量差异较小时，对处于该范围的电路状态，由于神经网络的外推能力有限，有可能将电路误诊断为除正常状态和上面第b类故障以外的其它故障，因此应使网络的设定输出有一个逐渐变化的过程。这样，对于增加的候选样本，当该故障特征与非同类故障特征已入选的同类故障特征差别都足够大时，可被选为训练样本。

④构造与训练神经网络分类器：根据模拟电路的复杂程度、输入特征及待测状态的多少、训练样本情况等因素决定所需神经网络的初步结构，分别利用训练样本对相应诊断神经网络进行训练，同时采用分组粒子群算法来优化其结构。本发明中采用分组粒子群算法来优化BP神经网络，就是利用分组粒子群算法全局搜索的特点，寻找最为合适的网络连接权和网络结构如隐层数、隐层神经元数等。

在2006年，A.Chatterjee和Siarry在原有的PSO算法的基础上加入了动态惯性因子，其基本思想是在更新粒子速度时，对原有速度加入一个惯性系数，使粒子表现出物理运动的“惯性”表现，并且惯性随着迭代进行能够改变，即速度的更新公式为

$\left\{\begin{array}{c}{v}_{i\_\mathrm{new}}=\mathrm{\ω}\·v_{i\_\mathrm{old}}+c1\·r1\·(p_i-x_i)+c2\·r2\·(p_g-x_i)\\ \mathrm{\ω}=\left\{\frac{{({\mathrm{iter}}_{\max }-\mathrm{iter})}^n}{{\mathrm{iter}}_{\max }}\right\}\·({\mathrm{\ω}}_{\mathrm{initial}}-{\mathrm{\ω}}_{\mathrm{final}})+{\mathrm{\ω}}_{\mathrm{final}}\end{array}\right.---\left(5\right)$

式中，r1，r2是(0，1)之间相互独立的两个随机函数；c1，c2被称为学习因子，通常在0～2之间取值，用于调整粒子更新的步长；p_i、p_g分别为个体极值与全局极值；x_i为粒子在空间的位置；iter_max、iter分别为总迭代次数与当前迭代次数；ω即为惯性权因子，ω的调整受三个参数的影响，即：惯性指数n，初始惯性因子ω_init，终止惯性因子ω_final。

动态惯性因子的PSO算法能够使惯性因子从一个初始值逐渐过渡到终止值，形成一个遍历的效果，如果“好”的惯性因子恰好落入这个初始值和终止值之间，则算法有比较好的性能，否则对算法的性能提高不多，因此，虽然比静态惯性因子有改进，但仍需要根据个人经验来判断初始值和终止值以达到好的性能。而分组粒子群算法是将粒子群分成几个小组来分别进化，而且几个小组的参数是各自随机产生的。在一定的间隔时刻对各个小组的粒子进行变异操作和重新分组，这有助于在不同环境下进化出的粒子能够相互取长补短，另外各个小组的参数在粒子重新分组的时候也进行粒子群算法的参数优化，期望能使小组粒子群的参数也能够向着优化的参数靠近。其算法主要包括以下步骤：

(1)随机产生一个大种群N。

(2)将大种群N分成m个小组{n₁，n₂，…，n_m}，其中每个小组有k个粒子。

(3)为每个小组随机生成各自的进化参数，如惯性因子ω_i，自身学习率Fail_i和社会学习率FailG_i。

(4)对每个小组分别进行迭代进化，每隔k代进行一次变异操作、一次重组操作和一次参数优化操作。变异操作是在各自得小组内进行的，粒子参数(速度或位置)变异后的值

相应于粒子的全局极值P_best以及粒子参数变异前的值P_worst的变异规则为：

$P_{\mathrm{worst}}^{\′}=P_{\mathrm{worst}}+u(P_{\mathrm{best}}-P_{\mathrm{worst}})---\left(6\right)$

重组是将所有小组重新合并成一个大种群，对大种群按适应度进行排序，然后以k为步长抽取粒子重新分到各个小组进化，即：n_j＝{P_i*m+j} i＝{0，1，…，k-1}(7)

重组的同时对各组参数进行粒子群优化，m个小组的参数可以看成是m个粒子，对这m个参数粒子实行粒子优化操作。为了取得最快的收敛速度，此时取当前交叉时刻小组粒子最优适应值与上一交叉时刻小组粒子最优适应值之差作为参数适应值，即

Fit_pi＝F_i-F_i-1         (8)

其中，F_i-1为上一次交叉时刻参数粒子最优值，F_i为当前交叉时刻参数粒子最优值。小组粒子在两个交叉时刻的最优值之差的最大化代表了粒子适应值的最快下降方向，因此参数会向着使算法有最快收敛速度的方向逼近。

本发明中利用分组粒子群算法来优化BP网络主要步骤有：第一步是选择编码方式。尽管二进制编码方式最自然和直接，交叉和变异算子也可以直接使用，但为了提高编码精度，必须使用较长的编码，若编码过长，计算将很大，进化速度缓慢，从而不可避免地存在精度和效率的冲突问题，为在具体的诊断过程中取得满意的效果，在此采用实数编码的方式。即将粒子群中的粒子对应于神经网络隐含层的权值、输出层的权值以及各层神经元的偏置。

适应度函数的定义是GPSO-BP算法成功求得全局极值的关键之一。BP网络的一个重要特点是网络的输出值与期望的输出值之间的误差平方和越小，表示网络性能越好，故在此定义适应度函数fit为

$\mathrm{fit}=\frac{1}{\mathrm{ss}}---\left(9\right)$

式中， $\mathrm{ss}=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{E}^2,$ 其中，M为样本数目，E为网络的能量函数，由下式确定

$E=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{(t_n-y_n)}^2---\left(10\right)$

其中，t_n、y_n分别为神经网络的第n个目标输出矢量与第n个实际输出矢量，N为输出层的神经元数。

由此可知，式(9)的分母项取为能量函数，因此可充分突出误差对整个网络结构和权值调解的影响，同时保障了粒子群朝适应度函数增大的方向进化。

接着是要将粒子群分组，并为每个小组随机生成各自的进化参数，即惯性因子、自身学习率和社会学习率等。对各小组分别进行迭代进化与变异操作。而组间是每隔k代进行一次变异操作、一次重组和一次参数优化操作的过程。

⑤测试神经网络分类器的性能：将训练好的神经网络分类器在不同待测状态下的测试样本进行识别检验，记录神经网络对各待测状态的识别准确率。

(2)运用训练好的神经网络分类器进行模拟电路诊断的过程主要包括：

①测试电路，获取电路信息，并分别进行其特征提取。

②接通开关K，将故障特征向量输入神经网络分类器的输入节点，在神经网络中进行电路状态的分类，从而实现故障类型的识别。

下面结合实施例来对本发明进行进一步的说明。参见图3所示的四运放低通滤波器，设元件容差为5～10％。对此电路的诊断选择节点v₂、v₃及电路输出节点v₀的电压。考虑故障时元件参数偏离其正常值的100％，得到C₁

C₁ C₂

C₂ R₁

R₁

R₂

R₂

R₃

R₃

R₄ R₄

这13种故障状态(包括一种无故障状态NF)。为获取能充分反应故障特征的信息，对电路在节点v₁处施加周期性冲激电源，其幅值为5V，持续时间为10μs，上升沿和下降沿是0.5μs。

采用Pspice与Matlab7.1软件相结合来对进行电路模拟计算，测量计算电路节点电压并进行模糊化后得到电路各种状态时的故障特征，表1给出了部分模糊特征。

表1 部分模糊特征

考虑元件参数容差的影响，对电路进行5000次Monte-Carlo分析来获取样本数据，其中的3500次用做训练样本，其余的1500次用做故障检验样本。因此，用分组粒子群算法来优化神经网络的结构和权值的所需的参数：将粒子群分成10组，每组有50个粒子，总的迭代次数iter_max＝100，ω_max＝0.9，ω_min＝0.1，自身学习率和社会学习率分别为0.5和0.78，c1＝c2＝2，网络的误差要求为0.01。那么经优化神经网络(GPSO-BPNN)的结构为7-13-8-13，经传统粒子群优化(PSO-BPNN)与一般未经优化的BP网络(BPNN)的结构分别为7-28-16-13和7-45-38-13。单层横向竞争网络的参数取：c＝2，A＝50，由网络的结构也可以知道参数ε＝0.0769。训练情况见表2和图4所示。

表2 诊断结果比较

图4所示的训练曲线从上到下依次对应的网络结构为：GPSO-BPNN、PSO-BPNN和BPNN。从表2和图4可以看出，采用分组粒子群算法来优化的BP网络，加快了网络的收敛，大大地缩短了网络的训练时间。

另外，应用本发明的方法已成功地研制出了能应用于某船舶专用电路故障诊断的装置，诊断正确率达到99％。其诊断系统的框图如图5所示，工作流程为：主控PC上位机发出命令至DSP主板，DSP主板收到命令后驱动开关电路板上的各个功能单元，在被测的专用电路板上的测试针脚处完成激励的产生和测试数据的采集。然后主控PC上位机对DSP主板采集到的测试数据采用本发明所提供的方法进行分析判断，得出结论。

Claims (5)

1.一种基于分组粒子群算法的电子电路故障诊断神经网络方法，其特征在于，包括以下步骤：

1)提取电路各种故障状态下的可及节点电压值，然后对其进行模糊化与归一化处理，获得反映电路状态的特征参量；

2)将所述的特征向量作为神经网络的输入，神经网络输出为各种故障类型的隶属度，所述的神经网络采用分组粒子群算法进行优化；

3)所述神经网络的输出经横向竞争网络后获得电路故障的诊断结果；

所述的神经网络为四层BP网络，隐层数为2，同层节点之间没有连接权相连，对所述的神经网络采用分组粒子群算法进行优化的方法包括以下步骤：

a)随机产生一个大种群N；

b)将大种群N分成m个小组{n₁，n₂，…，n_m}，其中每个小组有k个粒子；

c)为每个小组随机生成各自的进化参数，所述的进化参数包括惯性因子ω_i，自身学习率Fail_i和社会学习率FailG_i；

d)对每个小组分别进行迭代进化，每隔k代进行一次变异操作、一次重组操作和一次参数优化操作；变异操作是在各自的小组内进行的，粒子参数变异后的值P′_worst相应于粒子的全局极值P_best以及粒子参数变异前的值P_worst的变异规则为：

P′_worst＝P_worst+u(P_best-P_worst)；

其中u∈(0，1)为学习速率，其根据P_best-P_worst的匹配度设定的，与匹配度成反比。

重组是将所有小组重新合并成一个大种群，对大种群按适应度进行排序，然后以k为步长抽取粒子P_i*m+j重新分到各个小组进化，即：

n_j＝{P_i*m+j}  i＝{0，1，…，k-1}；

其中j＝1，2，…，L；L为重新分组后总的组数；m为原来总的小组数；

重组的同时对各组参数进行粒子群优化，m个小组的参数可以看成是m个粒子，对这m个参数粒子实行粒子优化操作；取当前交叉时刻小组粒子最优适应值与上一交叉时刻小组粒子最优适应值之差作为参数适应值Fit_pi，即

Fit_pi＝F_i-F_i-1；

其中，F_i-1为上一交叉时刻参数粒子最优值，F_i为当前交叉时刻参数粒子最优值；参数会向着使算法有最快收敛速度的方向逼近；

所述的横向竞争网络中节点j到节点i的连接权系数为：

$t_{\mathrm{ij}}=\left\{\begin{array}{cc}1& i=j\\ -\mathrm{\ϵ}& i\≠j\end{array}\right.;$

其中，ε＝1/b，b为网络输出神经元数；网络输出y_i(t+1)的求取方法由下式表示：

$y_i(t+1)=f_t[y_i\left(t\right)-\mathrm{\ϵ}\underset{k\≠i}{\mathrm{\Σ}}{y}_k\left(t\right)];$

其中，

为竞争层神经元的激活函数；A为任一给定常数；i，k均为输出层神经元节点的序号且i＝1，2，…，b，k＝1，2，…，b，i≠k；t＝1，2，…，b为迭代变量；y(t)为竞争网络的输入；

所述的适应度用fit表示，定义如下：

$\mathrm{fit}=\frac{1}{\mathrm{ss}};$

式中，

其中，M为样本数目，E为网络的能量函数，

$E=\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{(t_n-y_n)}^2;$

其中，t_n、y_n分别为神经网络的第n个目标输出矢量与第n个实际输出矢量，N为输出层的神经元数。

2.根据权利要求1所述的基于分组粒子群算法的电子电路故障诊断神经网络方法，其特征在于，所述的神经网络采用实数编码的方式，即将粒子群中的粒子对应于神经网络隐含层的权值、输出层的权值以及各层神经元的偏置。

3.根据权利要求1～2任一项所述的基于分组粒子群算法的电子电路故障诊断神经网络方法，其特征在于，采用七级模糊化来对节点电压进行模糊化处理作为故障特征，模糊化过程中采用三角形隶属度函数。

4.根据权利要求3所述的基于分组粒子群算法的电子电路故障诊断神经网络方法，其特征在于，所述的归一化处理过程为：可及点电压向量U＝[u₁，u₂，…，u_m]，

则其归一化后得到的电压向量为U＝[u₁，u₂，…，u_m]，其中u_i＝u_i/M。

5.根据权利要求4所述的基于分组粒子群算法的电子电路故障诊断神经网络方法，其特征在于，神经网络的输出端与所述横向竞争网络之间的接上一个开关，神经网络训练时，开关打开，实际诊断时，开关闭合，以实现解模糊化并且直接给出故障类型。

Images