CN102129030A - 采用统一空间特征的模拟电路遗传神经网络诊断系统 - Google Patents

Abstract

采用统一空间特征的模拟电路遗传神经网络诊断系统，其特征在于，包括以下步骤：测量各元件对测量端口的转移阻抗；由单故障空间特征计算双故障和多故障空间特征；设计神经网络分类器，两个输入端以及跟故障模式数目相当的输出端个数，隐层神经元的个数h由公式

决定，其中n为输入端数目，m为输出端数目；故障空间特征，并对其进行归一化、中心化预处理；将计算好的故障空间特征作为神经网络的输入向量，对网络进行训练。本发明测前模拟次数少，对于一个含有n个元件的电路，只需要模拟n次即可得到电路的单故障、双故障和多故障特征；特征参数的个数少，计算简单，适用于实时环境，可以用于单故障和多故障的同时识别。

Description

采用统一空间特征的模拟电路遗传神经网络诊断系统

技术领域

本发明属于神经网络及电子电路工程领域，涉及一种采用统一空间特征的模拟电路遗传神经网络诊断系统。

背景技术

在模拟电路中，故障可分为两大类：一类称为硬故障，指元件的开路和短路失效故障；另一类称为软故障，指元件的参数超出预定的容差范围，软故障往往未使设备完全失效，例如，由于元件的老化、变质或使用环境的变化等造成的元件参数变化。

模拟系统的测试与诊断自60年代开始研究以来，进展一直比较缓慢，主要的原因在于，模拟电路的输入激励和输出响应都是连续量，网络中各元件的参数通常也是连续的，即大多数故障情况属于软故障，所以模拟系统中的故障模型比较复杂，难以作简单的量化。由于故障参数是连续的，因此，从理论上讲，一个模拟元件可能具有无穷多个故障，所以测试与诊断远比数字系统困难，因此，至今无论在理论上和方法上均未完全成熟，可付诸实用的还比较少。

在过去的几年中，模拟电路的故障诊断从系统级、板块级到芯片级进行了许多的研究，其中一种方法是，直接截取不同的测试点信号作为神经网络分类器的输入，进行故障诊断，这种方法的网络规模通常非常庞大，网络训练时间很长，难以达到实时的要求。另一种方法为，采用小波变换作为信号的特征提取技术，由于小波系数本身的计算量很大，因此，在没有很好的算法的时候，这种方法对于实时环境同样是不实用的。还有的采用故障字典法，建立电路的直流或交流故障字典，但是，这种方法一般只适用于硬故障，对于软故障是无能为力的。

随着高速集成电路的发展及特大规模集成电路的发展，电子设备越来越复杂，机电系统及军事设备电气与电子子系统的维修和保养对测试仪器提出了新的挑战。但是，由于模拟电路元件参数的连续性和元件容差的存在，电路的空间特征需要经过很多次模拟才能得到，甚至不能得到。对于一个含有n个元件的电路，需要模拟

次才能得到其空间特征，其中，M_j代表第j类故障的故障模式数目，N_in是输入向量数目，C为模拟次数。考虑一个有2输入、含20个元件的简单电路，只考虑2种故障模式，则需要做69.735亿次模拟才能得到其完整的空间特征，这几乎是一个不可能的工作。

发明内容

为了克服现有技术存在的上述缺陷，本发明提供一种测前模拟次数和计算量较少，网络训练时间较短，既适用于硬故障又适用于软故障的采用统一空间特征的模拟电路遗传神经网络诊断系统。

本发明的技术方案是：

(1)测量各元件所有测量端口的转移阻抗，获得各故障元件的单故障空间特征、双故障空间特征和多故障空间特征，其中，双故障空间特征和多故障空间特征可由单故障空间特征计算得到；对于一个含有n个元件的电路，只需要模拟n次，即可得到该电路的单故障、双故障以及多故障的所有空间特征；

(2)设计神经网络分类器，输入神经元的数目和空间特征的数目相等，输出神经元个数和故障模式数目相当，隐层神经元的个数h由公式

决定，其中，n为输入端数目，m为输出端数目；

(3)对各故障空间特征进行归一化和中心化预处理，得到测前统一空间特征；

(4)将归一化和中心化预处理后的样本作为其输入样本输入神经网络，利用遗传算法对该网络进行训练；当网络训练误差达到目标误差并稳定时，训练结束，可以作为诊断用；

(5)当电路真正发生故障时，测出各测量端口的电压，然后根据各测量端口的电压，计算各故障空间特征值；

(6)将步骤(5)中的各故障空间特征值进行预处理后，作为样本向量输入训练好的神经网络，则网络的输出就是电路故障元件的代码。

所述步骤(1)中，通过各元件测量端口的转移阻抗，得到单故障空间特征、双故障空间特征和多故障空间特征的具体方法为：

①对含有n个元件和m个测量端口的电路，设第i个测量端口对故障元件x的转移阻抗为z_ix，则故障元件x的单故障空间特征为

(i＝1，2，...n)，该空间特征与故障的类型和故障程度没有关系，因此，不管该元件发生硬故障还是软故障，其单故障的空间特征都为x_i(i＝1，2，...n)；

②当电路发生双故障时，设发生故障的元件x和y对应的单空间特征为X_x＝[x_x1，x_x2，x_x3]和X_y＝[x_y1，x_y2，x_y3]，其中，和

(i＝1，2，3)，则双故障的空间特征[a，b，c]为a＝(x_x1x_y3-x_x3x_y1)/(x_x3x_y2-x_x2x_y3)，b＝(x_x1x_y2-x_x2x_y1)/(x_x2x_y3-x_x3x_y2)，c＝(x_x2x_y1-x_x1x_y2)/(x_x1x_y3-x_x3x_y1)；

③当电路发生三故障时，设发生故障的元件p、q和r对应的空间特征为X_p＝[x_p1，x_p2，x_p3，x_p4]、X_q＝[x_q1，x_q2，x_q3，x_q4]和X_r＝[x_r1，x_r2，x_r3，x_r4]，其中，

(i＝1，2，3，4)，此时m＝4，则三故障的空间特征为[a，b，c，d]，空间特征各分量的计算表达式为： $a=\frac{x_{a1}-x_{a2}}{x_{a3}-x_{a4}},$ $b=\frac{x_{b1}-x_{b2}}{x_{b3}-x_{b4}},$ $c=\frac{x_{c1}-x_{c2}}{x_{c3}-x_{c4}},$ $d=\frac{x_{d1}-x_{d2}}{x_{d3}-x_{d4}};$ 其中，

x_a1＝x_p1x_q4x_r3+x_p3x_q1x_r4+x_p4x_q3x_r1，x_a2＝x_p3x_q4x_r1+x_p4x_q1x_r3+x_p1x_q3x_r4，

x_a3＝x_p2x_q3x_r4+x_p3x_q4x_r2+x_p4x_q2x_r3，x_a4＝x_p3x_q2x_r4+x_p4x_q3x_r2+x_p2x_q4x_r3，

x_b1＝x_p4x_q1x_r2+x_p1x_q2x_r4+x_p2x_q4x_r1，x_b2＝x_p4x_q2x_r1+x_p2x_q1x_r4+x_p1x_q2x_r4，

x_b3＝x_p1x_q4x_r3+x_p3x_q1x_r4+x_p4x_q3x_r1，x_b4＝x_p1x_q3x_r4+x_p3x_q4x_r1+x_p4x_q1x_r3，

x_c1＝x_p1x_q2x_r3+x_p3x_q1x_r2+x_p2x_q3x_r1，x_c2＝x_p1x_q3x_r2+x_p2x_q1x_r3+x_p3x_q2x_r1，

x_c3＝x_p1x_q4x_r2+x_p4x_q2x_r1+x_p2x_q1x_r4，x_c4＝x_p2x_q4x_r1+x_p4x_q1x_r2+x_p1x_q2x_r4，

x_d1＝x_p1x_q2x_r3+x_p3x_q1x_r2+x_p2x_q3x_r1，x_d2＝x_p3x_q2x_r1+x_p1x_q3x_r2+x_p2x_q1x_r3，

x_d3＝x_p2x_q4x_r3+x_p3x_q2x_r4+x_p4x_q3x_r2，x_d4＝x_p4x_q2x_r3+x_p2x_q3x_r4+x_p3x_q4x_r2；

所述步骤(5)中，当电路真正发生故障时，通过测得的各测量端口的电压，计算测量的特征值的具体方法为：

①单故障时，测出各测量端口的电压，计算

(i＝1，2，...n)；

②双故障时，对电路激励2次，分别测出3个测量端口的电压的变化

Δv＝[Δv₁，Δv₂，Δv₃]，Δw＝[Δw₁，Δw₂，Δw₃]，得到

a＝(Δv₁Δw₃-Δv₃Δw₁)/(Δv₃Δw₂-Δv₂Δw₃)，b＝(Δv₁Δw₂-Δv₂Δw₁)/(Δv₂Δw₃-Δv₃Δw₂)，

c＝(Δv₂Δw₁-Δv₁Δw₂)/(Δv₁Δw₃-Δv₃Δw₁)；

③三故障时，对电路激励3次，分别测出4个测量端口的电压的变化 ${\mathrm{\ΔU}}_m^{\′}=[{\mathrm{\Δv}}_1,{\mathrm{\Δv}}_2,{\mathrm{\Δv}}_3,{\mathrm{\Δv}}_4],$ ${\mathrm{\ΔU}}_m^{\′\′}=[{\mathrm{\Δw}}_1,{\mathrm{\Δw}}_2,{\mathrm{\Δw}}_3,{\mathrm{\Δw}}_4]$ 和 ${\mathrm{\ΔU}}_m^{\′\′\′}=[{\mathrm{\Δy}}_1{,\mathrm{\Δy}}_2{,\mathrm{\Δy}}_3,{\mathrm{\Δy}}_4].$ 得到 $a=\frac{v_{a1}-v_{a2}}{v_{a3}-v_{a4}},$ $b=\frac{v_{b1}-v_{b2}}{v_{b3}-v_{b4}},$ $c=\frac{v_{c1}-v_{c2}}{v_{c3}-v_{c4}},$ $d=\frac{v_{d1}-v_{d2}}{v_{d3}-v_{d4}};$ 其中，

v_a1＝Δv₁Δw₄Δy₃+Δv₃Δw₁Δy₄+Δv₄Δw₃Δy₁，v_a2＝Δv₁Δw₃Δy₄+Δv₃Δw₄Δy₁+Δv₄Δw₁Δy₃，

v_a3＝Δv₂Δw₃Δy₄+Δv₃Δw₄Δy₂+Δv₄Δw₂Δy₃，v_a4＝Δv₄Δw₃Δy₂+Δv₂Δw₄Δy₃+Δv₃Δw₂Δy₄，

v_b1＝Δv₄Δw₁Δy₂+Δv₁Δw₂Δy₄+Δv₂Δw₄Δy₁，v_b2＝Δv₂Δw₁Δy₄+Δv₁Δw₄Δy₂+Δv₄Δw₂Δy₁，

v_b3＝Δv₁Δw₄Δy₃+Δv₃Δw₁Δy₄+Δv₄Δw₃Δy₁，v_b4＝Δv₃Δw₄Δy₁+Δv₄Δw₁Δy₃+Δv₁Δw₃Δy₄，

v_c1＝Δv₁Δw₂Δy₃+Δv₃Δw₁Δy₂+Δv₂Δw₃Δy₁，v_c2＝Δv₃Δw₂Δy₁+Δv₁Δw₃Δy₂+Δv₂Δw₁Δy₃，

v_c3＝Δv₁Δw₄Δy₂+Δv₄Δw₂Δy₁+Δv₂Δw₁Δy₄，v_c4＝Δv₂Δw₄Δy₁+Δv₄Δw₁Δy₂+Δv₁Δw₂Δy₄，

v_d1＝Δv₁Δw₂Δy₃+Δv₃Δw₁Δy₂+Δv₂Δw₃Δy₁，v_d2＝Δv₃Δw₂Δy₁+Δv₁Δw₃Δy₂+Δv₂Δw₁Δy₃，

v_d3＝Δv₂Δw₄Δy₃+Δv₃Δw₂Δy₄+Δv₄Δw₃Δy₂，v_d4＝Δv₄Δw₂Δy₃+Δv₂Δw₃Δy₄+Δv₃Δw₄Δy₂。

所述步骤(4)中的神经网络采用遗传算法进行训练，有利于加快训练过程，易于寻找全局最优解，有助于跳出局部最优点，收敛于全局最优点。

所述步骤(4)中的目标误差可以预先设定，可取值为10^-3-10^-6。

各故障元件的空间特征与故障的类型和故障程度没有关系，不管该元件发生硬故障或软故障，其故障的空间特征都一样。其既可用于实时和非实时系统，也可以用于单故障和多故障，与故障的类型即硬故障和软故障无关。本发明采用神经网络进行故障模式的生成、学习训练、存储以及自动诊断。

本发明的原理是：测量各元件对测量端口的转移阻抗，由单故障空间特征计算双故障和多故障空间特征，并以此作为故障模式诊断的依据。将故障空间特征作为神经网络分类器的输入向量，对其进行模式训练，达到自动识别的目的。

本发明与现有技术相比，具有如下优点：

(1)在测量前先计算每一个元件对所有测量端口的转移阻抗。从而可以得到各故障元件的空间特征，这个特征和故障的类型以及故障程度没有关系，因此，不管该元件发生硬故障还是软故障，其故障的空间特征都一样；

(2)测前模拟次数少，对于一个含有n个元件的电路，只需要模拟n次即可得到电路的单故障、双故障和多故障特征；

(3)特征参数的个数少，计算简单，适用于实时环境；

(4)神经网络分类器的规模小，训练时间短，易于实现系统的自动化处理；

(5)可以用于单故障和多故障的同时识别。

附图说明

图1为本发明故障诊断流程框图；

图2为本发明神经网络分类器结构图；

图3为本发明一应用实施例电阻电路图。

具体实施方式

以下结合附图和实施例对本发明作进一步说明。

参照图1，本实施例包括如下步骤：(1)测量各元件所有测量端口的转移阻抗，计算得到各故障元件的单故障空间特征、双故障空间特征和多故障空间特征，其中，双故障空间特征和多故障空间特征由单故障空间特征计算得到，对于一个含有n个元件的电路，只需要模拟n次，即得到该电路的单故障、双故障以及多故障的所有空间特征；

(2)设计神经网络分类器，输入神经元的数目和空间特征的数目相等，输出神经元个数和故障模式数目相当，隐层神经元的个数h由公式

决定，其中，n为输入端数目，m为输出端数目；

(3)对各故障空间特征进行归一化和中心化预处理，得到测前统一空间特征；

(4)将归一化和中心化预处理后的样本作为其输入样本输入神经网络，利用遗传算法对该网络进行训练；当网络训练误差达到目标误差并稳定时，训练结束，作为诊断用；

(5)当电路真正发生故障时，测出各测量端口的电压，然后根据各测量端口的电压，计算各故障空间特征值；

(6)将步骤(5)中的各故障空间特征值统一，经过数据预处理后，作为样本向量输入训练好的神经网络，则网络的输出就是电路故障元件的代码。

参照图2，将得到的各故障统一空间特征值作为输入样本输入已经训练好的神经网络，网络根据已经保存好的权值和阈值进行计算，得到输出层的实际输出。将实际输出和已有的故障代码进行比较，如果某故障代码和实际输出最接近，则该故障代码就是待测电路的实际故障代码。

考虑一种含有n个元件和m个测量端口的电路，在测量前先计算每一个元件对所有测量端口的转移阻抗。设第i个测量端口对故障元件x的转移阻抗为z_ix，则故障元件x的空间特征为

(i＝1，2，...n)，故障的类型和故障程度都不会影响该空间特征，因此，不管该元件发生硬故障或软故障，其单故障的空间特征都是x_i(i＝1，2，...n)。

以下分别在单故障、双故障和三故障情况下，对本发明详细说明。

(1)当电路发生单故障时，在测前把各空间特征x_i(i＝1，2，...n)输入神经网络，作为其输入样本，利用遗传算法对该网络进行训练；当网络训练误差达到目标误差并稳定时，训练结束，作为诊断用；

当电路真正发生故障时，测出各测量端口的电压，然后计算

(i＝1，2，...n)，将各x_i(i＝1，2，...n)作为样本向量输入训练好的神经网络，则网络的输出就是电路故障元件的代码。

(2)当电路发生双故障时，设发生故障的元件x和y对应的单空间特征为X_x＝[x_x1，x_x2，x_x3]和X_y＝[x_y1，x_y2，x_y3]，其中，

和

(i＝1，2，3)，则双故障的空间特征为

a＝(x_x1x_y3-x_x3x_y1)/(x_x3x_y2-x_x2x_y3)，

b＝(x_x1x_y2-x_x2x_y1)/(x_x2x_y3-x_x3x_y2)，

c＝(x_x2x_y1-x_x1x_y2)/(x_x1x_y3-x_x3x_y1)；

很明显，此特征不需要额外的模拟计算，可以直接从其单故障的空间特征得到双故障的空间特征；

测前，把各空间特征a、b、c输入神经网络，作为其输入样本，利用遗传算法对该网络进行训练；当网络训练误差达到目标误差并稳定时，训练结束，可以作为诊断用；

当电路真正发生故障时，对电路激励2次，分别测出3个测量端口的电压的变化Δv＝[Δv₁，Δv₂，Δv₃]，Δw＝[Δw₁，Δw₂，Δw₃]，得到a＝(Δv₁Δw₃-Δv₃Δw₁)/(Δv₃Δw₂-Δv₂Δw₃)，b＝(Δv₁Δw₂-Δv₂Δw₁)/(Δv₂Δw₃-Δv₃Δw₂)c＝(Δv₂Δw₁-Δv₁Δw₂)/(Δv₁Δw₃-Δv₃Δw₁)；

将通过测量端口的电压计算得到的空间特征a、b、c，作为样本向量输入训练好的神经网络，则网络的输出就是电路故障元件的代码。

(3)当电路发生三故障时，设发生故障的元件p、q和r对应的空间特征为X_p＝[x_p1，x_p2，x_p3，x_p4]、X_q＝[x_q1，x_q2，x_q3，x_q4]和X_r＝[x_r1，x_r2，x_r3，x_r4]，其中，

(i＝1，2，3，4)，此时m＝4，则三故障的空间特征为[a，b，c，d]。空间特征各分量的计算表达式为： $a=\frac{x_{a1}-x_{a2}}{x_{a3}-x_{a4}},$ $b=\frac{x_{b1}-x_{b2}}{x_{b3}-x_{b4}},$ $c=\frac{x_{c1}-x_{c2}}{x_{c3}-x_{c4}},$ $d=\frac{x_{d1}-x_{d2}}{x_{d3}-x_{d4}};$ 其中，

x_a1＝x_p1x_q4x_r3+x_p3x_q1x_r4+x_p4x_q3x_r1，x_a2＝x_p3x_q4x_r1+x_p4x_q1x_r3+x_p1x_q3x_r4，

x_a3＝x_p2x_q3x_r4+x_p3x_q4x_r2+x_p4x_q2x_r3，x_a4＝x_p3x_q2x_r4+x_p4x_q3x_r2+x_p2x_q4x_r3，

x_b1＝x_p4x_q1x_r2+x_p1x_q2x_r4+x_p2x_q4x_r1，x_b2＝x_p4x_q2x_r1+x_p2x_q1x_r4+x_p1x_q2x_r4，

x_b3＝x_p1x_q4x_r3+x_p3x_q1x_r4+x_p4x_q3x_r1，x_b4＝x_p1x_q3x_r4+x_p3x_q4x_r1+x_p4x_q1x_r3，

x_c1＝x_p1x_q2x_r3+x_p3x_q1x_r2+x_p2x_q3x_r1，x_c2＝x_p1x_q3x_r2+x_p2x_q1x_r3+x_p3x_q2x_r1，

x_c3＝x_p1x_q4x_r2+x_p4x_q2x_r1+x_p2x_q1x_r4，x_c4＝x_p2x_q4x_r1+x_p4x_q1x_r2+x_p1x_q2x_r4，

x_d1＝x_p1x_q2x_r3+x_p3x_q1x_r2+x_p2x_q3x_r1，x_d2＝x_p3x_q2x_r1+x_p1x_q3x_r2+x_p2x_q1x_r3，

x_d3＝x_p2x_q4x_r3+x_p3x_q2x_r4+x_p4x_q3x_r2，x_d4＝x_p4x_q2x_r3+x_p2x_q3x_r4+x_p3x_q4x_r2。

很明显，此特征不需要额外的模拟计算，可以直接从其单故障的空间特征得到；

测前，把各空间特征a、b、c和d输入神经网络，作为其输入样本，利用遗传算法对该网络进行训练。当网络训练误差达到目标误差并稳定时，训练结束，作为诊断用；

当电路真正发生故障时，对电路激励3次，分别测出4个测量端口的电压的变化

和

得到 $a=\frac{v_{a1}-v_{a2}}{v_{a3}-v_{a4}},$ $b=\frac{v_{b1}-v_{b2}}{v_{b3}-v_{b4}},$ $c=\frac{v_{c1}-v_{c2}}{v_{c3}-v_{c4}},$ $d=\frac{v_{d1}-v_{d2}}{v_{d3}-v_{d4}};$ 其中

v_a1＝Δv₁Δw₄Δy₃+Δv₃Δw₁Δy₄+Δv₄Δw₃Δ_y1，v_a2＝Δv₁Δw₃Δy₄+Δv₃Δw₄Δy₁+Δv₄Δw₁Δy₃，

v_a3＝Δv₂Δw₃Δy₄+Δv₃Δw₄Δy₂+Δv₄Δw₂Δy₃，v_a4＝Δv₄Δw₃Δy₂+Δv₂Δw₄Δy₃+Δv₃Δw₂Δy₄，

v_b1＝Δv₄Δw₁Δy₂+Δv₁Δw₂Δy₄+Δv₂Δw₄Δy₁，v_b2＝Δv₂Δw₁Δy₄+Δv₁Δw₄Δy₂+Δv₄Δw₂Δy₁，

v_b3＝Δv₁Δw₄Δy₃+Δv₃Δw₁Δy₄+Δv₄Δw₃Δy₁，v_b4＝Δv₃Δw₄Δy₁+Δv₄Δw₁Δy₃+Δv₁Δw₃Δy₄，

v_c1＝Δv₁Δw₂Δy₃+Δv₃Δw₁Δy₂+Δv₂Δw₃Δy₁，v_c2＝Δv₃Δw₂Δy₁+Δv₁Δw₃Δy₂+Δv₂Δw₁Δy₃，

v_c3＝Δv₁Δw₄Δy₂+Δv₄Δw₂Δy₁+Δv₂Δw₁Δy₄，v_c4＝Δv₂Δw₄Δy₁+Δv₄Δw₁Δy₂+Δv₁Δw₂Δy₄，

v_d1＝Δv₁Δw₂Δy₃+Δv₃Δw₁Δy₂+Δv₂Δw₃Δy₁，v_d2＝Δv₃Δw₂Δy₁+Δv₁Δw₃Δy₂+Δv₂Δw₁Δy₃，

v_d3＝Δv₂Δw₄Δy₃+Δv₃Δw₂Δy₄+Δv₄Δw₃Δy₂，v_d4＝Δv₄Δw₂Δy₃+Δv₂Δw₃Δy₄+Δv₃Δw₄Δy₂。

将通过测量端口的电压计算得到的空间特征a、b、c和d作为样本向量输入训练好的神经网络，则网络的输出就是电路故障元件的代码。

电路一般不会同时发生4个或更多故障，因此，没有必要考虑其它多故障情况。

本发明应用实施例：

图3所示电阻电路，各电阻均为1Ω，其容差为5％，设可及结点为1，2，7和10。测前，首先计算得到单故障的转移阻抗如表1所示。

表1 转移阻抗

	R1	R2	R3	R4	R5	R6	R7	R8	R9	R10
											2	.8973	-.3734	-.5538	-.7429	-.8053	.1308	.1308	.0140	-.5205	-.5538
7	-.3493	.3101	-.0154	-.0667	-.1947	-.4385	-.4385	-.1075	.7260	.0154
											10	.1712	-.0633	-.1154	-.0238	.1579	.1154	.1154	.1636	-.1712	-.1154
	R11	R12	R13	R14	R15	R16	R17	R18	R19	R20
											2	-.7474	-.9494	-.0429	-.1211	-.0229	-.3526	-.2710	-.7339	-.8158	-.7911
7	-.2526	-.3797	-.7190	-.6158	-.1606	-.9632	-.1495	-.5963	-.5000	-1.3608
											10	-.1316	.4114	.0238	.1316	.5734	-.1579	-.1636	-.5734	-1.3158	-.4114

因此，电路的空间特征XX可以很容易得到，因此，不含容差的训练样本即可得到。部分不含容差的训练样本如表2所示。

表2 部分不含容差的训练样本

	fault free	-80％fault	-20％fault	20％fault	100％fault
						R11	9308,3349,1489	9425,3388,1297	9320,3005,1794	9274,3326,1714	9271,3746,1278
R12	8564,3489,3806	8572,3357,3165	8659,2113,4535	8216,3869,4187	8484,3589,3891
						R13	3613,9982,481	3693,7991,515	3840,9157,582	3409,9558,416	3572,9875,463
R14	2279,9566,1822	2074,9577,1994	2345,9315,1622	2701,9698,2337	2325,8645,1768
						R15	425,2689,9622	424,2682,9413	501,2397,9218	507,2457,9243	584,2506,9836
R16	3356,9340,4188	3420,9219,2657	3489,3226,9347	3359,9229,1201	3434,9286,1405
						R17	7829,4033,4744	7856,3588,5041	7884,9305,1130	7412,5782,3410	7757,4717,4193
R18	6622,5408,5180	6664,5352,5191	6846,5013,5291	6623,5703,4856	6622,5516,5072
						R19	4993,3093,8091	4593,2809,8427	5289,2838,7998	4852,3652,7686	5065,3253,7986
R20	4914,8326,562	5097,8146,606	4810,8524,523	4840,8412,548	5011,8234,589

表中fault free代表无故障，“％”后的fault代表故障的程度，“20％fault”代表元件参数正向漂移20％，即元件值增加20％；“-20％fault”代表元件参数负向漂移20％，即元件值减少20％。

故神经网络的含容差训练和验证样本为XX+|b_xi|·rand，其中，rand为随机函数，|b_xi|满足

(式中，|Δv₂，Δv₇，Δv₁₀|分别代表可及结点为1，2，7和10的电压漂移值，即与标称网络相比的电压增量)，|b_xi|可以很容易通过遗传算法得到。

神经网络的误差函数为

其中，t_j(x_i)和y_j(x_i)分别代表网络的期望输出和实际输出，j为故障模式数目，j∈[1，S]。网络的目标输出采用1-of-S编码方法，网络的适应值函数采用

在权值训练过程中，采用概率选择方法，个体选择的概率为

其中fit_j是第j个个体的适应值，J是种群中的个体数目(本例中，J＝200)。交叉和互换概率为15％，采用简单的交叉方法，网络的结构为：3输入、28个隐层节点和21输出节点。训练样本和验证样本数目均为200组，目标误差为1e-6，采用遗传算法，网络训练1458步后的实际误差为0.631e-6。

测后，测量得到端口实际电压漂移Δv＝[Δv₂，Δv₇，Δv₁₀]，故XX＝[Δv₂，Δv₇，Δv₁₀]，因此，神经网络的实际输入样本为[Δv₂，Δv₇，Δv₁₀]+|b_xi|·rand，其中|b_xi|为容差。

将[Δv₂，Δv₇，Δv₁₀]+|b_xi|·rand输入训练好的神经网络后，得到电路的实际效果如表3所示。

表3电路的实际效果

Claims (3)

1.一种采用统一空间特征的模拟电路遗传神经网络诊断系统，其特征在于，包括以下步骤：

(1)测量各元件所有测量端口的转移阻抗，获得各故障元件的单故障空间特征、双故障空间特征和多故障空间特征，其中，双故障空间特征和多故障空间特征由单故障空间特征计算得到；对于一个含有n个元件的电路，只需要模拟n次，即得到该电路的单故障、双故障以及多故障的所有空间特征；

(2)设计神经网络分类器，输入神经元的数目和空间特征的数目相等，输出神经元个数和故障模式数目相当，隐层神经元的个数h由公式

决定，其中，n为输入端数目，m为输出端数目；

(3)对各故障空间特征进行归一化和中心化预处理，得到测前统一空间特征；

(4)将归一化和中心化预处理后的样本作为其输入样本输入神经网络，利用遗传算法对该网络进行训练；当网络训练误差达到目标误差并稳定时，训练结束，作为诊断用；

(5)当电路真正发生故障时，测出各测量端口的电压，然后根据各测量端口的电压，计算各故障空间特征值；

(6)将步骤(5)中的各故障空间特征值进行预处理后，作为样本向量输入训练好的神经网络，则网络的输出就是电路故障元件的代码。

2.根据权利要求1所述的采用统一空间特征的模拟电路遗传神经网络诊断系统，其特征在于，所述步骤(1)中，通过各元件测量端口的转移阻抗，得到单故障空间特征、双故障空间特征和多故障空间特征，其具体方法为：

①对含有n个元件和m个测量端口的电路，设第i个测量端口对故障元件x的转移阻抗为z_ix，则故障元件x的单故障空间特征为

(i＝1，2，...n)，该空间特征与故障的类型和故障程度没有关系，因此，不管该元件发生硬故障还是软故障，其单故障的空间特征都为x_i(i＝1，2，...n)；

②当电路发生双故障时，设发生故障的元件x和y对应的单空间特征为X_x＝[x_x1，x_x2，x_x3]和X_y＝[x_y1，x_y2，x_y3]，其中，和

(i＝1，2，3)，则双故障的至间特征[a，b，c]为

a＝(x_x1x_y3-x_x3x_y1)/(x_x3x_y2-x_x2x_y3)，

b＝(x_x1x_y2-x_x2x_y1)/(x_x2x_y3-x_x3x_y2)，

c＝(x_x2x_y1-x_x1x_y2)/(x_x1x_y3-x_x3x_y1)；

③当电路发生三故障时，设发生故障的元件p、q和r对应的空间特征为X_p＝[x_p1，x_p2，x_p3，x_p4]、X_q＝[x_q1，x_q2，x_q3，x_q4]和x_r＝[x_r1，x_r2，x_r3，x_r4]，其中，

(i＝1，2，3，4)，此时m＝4，则三故障的空间特征为[a，b，c，d]，空间特征各分量的计算表达式为： $a=\frac{x_{a1}-x_{a2}}{x_{a3}-x_{a4}},$ $b=\frac{x_{b1}-x_{b2}}{x_{b3}-x_{b4}},$ $c=\frac{x_{c1}-x_{c2}}{x_{c3}-x_{c4}},$ $d=\frac{x_{d1}-x_{d2}}{x_{d3}-x_{d4}};$ 其中，

x_a1＝x_p1x_q4x_r3+x_p3x_q1x_r4+x_p4x_q3x_r1，x_a2＝x_p3x_q4x_r1+x_p4x_q1x_r3+x_p1x_q3x_r4，

x_a3＝x_p2x_q3x_r4+x_p3x_q4x_r2+x_p4x_q2x_r3，x_a4＝x_p3x_q2x_r4+x_p4x_q3x_r2+x_p2x_q4x_r3，

x_b1＝x_p4x_q1x_r2+x_p1x_q2x_r4+x_p2x_q4x_r1，x_b2＝x_p4x_q2x_r1+x_p2x_q1x_r4+x_p1x_q2x_r4，

x_b3＝x_p1x_q4x_r3+x_p3x_q1x_r4+x_p4x_q3x_r1，x_b4＝x_p1x_q3x_r4+x_p3x_q4x_r1+x_p4x_q1x_r3，

x_c1＝x_p1x_q2x_r3+x_p3x_q1x_r2+x_p2x_q3x_r1，x_c2＝x_p1x_q3x_r2+x_p2x_q1x_r3+x_p3x_q2x_r1，

x_c3＝x_p1x_q4x_r2+x_p4x_q2x_r1+x_p2x_q1x_r4，x_c4＝x_p2x_q4x_r1+x_p4x_q1x_r2+x_p1x_q2x_r4，

x_d1＝x_p1x_q2x_r3+x_p3x_q1x_r2+x_p2x_q3x_r1，x_d2＝x_p3x_q2x_r1+x_p1x_q3x_r2+x_p2x_q1x_r3，

x_d3＝x_p2x_q4x_r3+x_p3x_q2x_r4+x_p4x_q3x_r2，x_d4＝x_p4x_q2x_r3+x_p2x_q3x_r4+x_p3x_q4x_r2。

3.根据权利要求2所述的采用统一空间特征的模拟电路遗传神经网络诊断系统，其特征在于，所述步骤(5)中，当电路真正发生故障时，通过测得的各测量端口的电压，计算测量的特征值的具体方法为：

①单故障时，测出各测量端口的电压，计算

(i＝1，2，...n)；

②双故障时，对电路激励2次，分别测出3个测量端口的电压的变化Δv＝[Δv₁，Δv₂，Δv₃]，Δw＝[Δw₁，Δw₂，Δw₃]，得到a＝(Δv₁Δw₃-Δv₃Δw₁)/(Δv₃Δw₂-Δv₂Δw₃)，b＝(Δv₁Δw₂-Δv₂Δw₁)/(Δv₂Δw₃-Δv₃Δw₂)，c＝(Δv₂Δw₁-Δv₁Δw₂)/(Δv₁Δw₃-Δv₃Δw₁)；

③三故障时，对电路激励3次，分别测出4个测量端口的电压的变化 $\mathrm{\Δ}{U}_m^{\′}=[{\mathrm{\Δv}}_1,\mathrm{\Δ}{v}_2,\mathrm{\Δ}{v}_3,{\mathrm{\Δv}}_4],$ $\mathrm{\Δ}{U}_m^{\′\′}=[{\mathrm{\Δw}}_1,{\mathrm{\Δw}}_2,{\mathrm{\Δw}}_3,{\mathrm{\Δw}}_4]$ 和 $\mathrm{\Δ}{U}_m^{\′\′\′}=[{\mathrm{\Δy}}_1,{\mathrm{\Δy}}_2,{\mathrm{\Δy}}_3,\mathrm{\Δ}{y}_4],$ 得到 $a=\frac{v_{a1}-v_{a2}}{v_{a3}-v_{a4}},$ $b=\frac{v_{b1}-v_{b2}}{v_{b3}-v_{b4}},$ $c=\frac{v_{c1}-v_{c2}}{v_{c3}-v_{c4}},$ $d=\frac{v_{d1}-v_{d2}}{v_{d3}-v_{d4}};$ 其中，

v_a1＝Δv₁Δw₄Δy₃+Δv₃Δw₁Δy₄+Δv₄Δw₃Δy₁，v_a2＝Δv₁Δw₃Δy₄+Δv₃Δw₄Δy₁+Δv₄Δw₁Δy₃，

v_a3＝Δv₂Δw₃Δy₄+Δv₃Δw₄Δy₂+Δv₄Δw₂Δy₃，v_a4＝Δv₄Δw₃Δy₂+Δv₂Δw₄Δy₃+Δv₃Δw₂Δy₄，

v_b1＝Δv₄Δw₁Δy₂+Δv₁Δw₂Δy₄+Δv₂Δw₄Δy₁，v_b2＝Δv₂Δw₁Δy₄+Δv₁Δw₄Δy₂+Δv₄Δw₂Δy₁，

v_b3＝Δv₁Δw₄Δy₃+Δv₃Δw₁Δy₄+Δv₄Δw₃Δy₁，v_b4＝Δv₃Δw₄Δy₁+Δv₄Δw₁Δy₃+Δv₁Δw₃Δy₄，

v_c1＝Δv₁Δw₂Δy₃+Δv₃Δw₁Δy₂+Δv₂Δw₃Δy₁，v_c2＝Δv₃Δw₂Δy₁+Δv₁Δw₃Δy₂+Δv₂Δw₁Δy₃，

v_c3＝Δv₁Δw₄Δy₂+Δv₄Δw₂Δy₁+Δv₂Δw₁Δy₄，v_c4＝Δv₂Δw₄Δy₁+Δv₄Δw₁Δy₂+Δv₁Δw₂Δy₄，

v_d1＝Δv₁Δw₂Δy₃+Δv₃Δw₁Δy₂+Δv₂Δw₃Δy₁，v_d2＝Δv₃Δw₂Δy₁+Δv₁Δw₃Δy₂+Δv₂Δw₁Δy₃，

v_d3＝Δv₂Δw₄Δy₃+Δv₃Δw₂Δy₄+Δv₄Δw₃Δy₂，v_d4＝Δv₄Δw₂Δy₃+Δv₂Δw₃Δy₄+Δv₃Δw₄Δy₂。

Images