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
采用统一空间特征的模拟电路遗传神经网络诊断系统 Download PDFInfo
- Publication number
- CN102129030A CN102129030A CN2010106087049A CN201010608704A CN102129030A CN 102129030 A CN102129030 A CN 102129030A CN 2010106087049 A CN2010106087049 A CN 2010106087049A CN 201010608704 A CN201010608704 A CN 201010608704A CN 102129030 A CN102129030 A CN 102129030A
- Authority
- CN
- China
- Prior art keywords
- fault
- space characteristics
- delta
- circuit
- neural network
- 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
- Tests Of Electronic Circuits (AREA)
Abstract
Description
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。
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;
(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zix,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xi(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Xx=[xx1,xx2,xx3]和Xy=[xy1,xy2,xy3],其中,和(i=1,2,3),则双故障的空间特征[a,b,c]为a=(xx1xy3-xx3xy1)/(xx3xy2-xx2xy3),b=(xx1xy2-xx2xy1)/(xx2xy3-xx3xy2),c=(xx2xy1-xx1xy2)/(xx1xy3-xx3xy1);
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Xp=[xp1,xp2,xp3,xp4]、Xq=[xq1,xq2,xq3,xq4]和Xr=[xr1,xr2,xr3,xr4],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: 其中,
xa1=xp1xq4xr3+xp3xq1xr4+xp4xq3xr1,xa2=xp3xq4xr1+xp4xq1xr3+xp1xq3xr4,
xa3=xp2xq3xr4+xp3xq4xr2+xp4xq2xr3,xa4=xp3xq2xr4+xp4xq3xr2+xp2xq4xr3,
xb1=xp4xq1xr2+xp1xq2xr4+xp2xq4xr1,xb2=xp4xq2xr1+xp2xq1xr4+xp1xq2xr4,
xb3=xp1xq4xr3+xp3xq1xr4+xp4xq3xr1,xb4=xp1xq3xr4+xp3xq4xr1+xp4xq1xr3,
xc1=xp1xq2xr3+xp3xq1xr2+xp2xq3xr1,xc2=xp1xq3xr2+xp2xq1xr3+xp3xq2xr1,
xc3=xp1xq4xr2+xp4xq2xr1+xp2xq1xr4,xc4=xp2xq4xr1+xp4xq1xr2+xp1xq2xr4,
xd1=xp1xq2xr3+xp3xq1xr2+xp2xq3xr1,xd2=xp3xq2xr1+xp1xq3xr2+xp2xq1xr3,
xd3=xp2xq4xr3+xp3xq2xr4+xp4xq3xr2,xd4=xp4xq2xr3+xp2xq3xr4+xp3xq4xr2;
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:
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 和 得到 其中,
va1=Δv1Δw4Δy3+Δv3Δw1Δy4+Δv4Δw3Δy1,va2=Δv1Δw3Δy4+Δv3Δw4Δy1+Δv4Δw1Δy3,
va3=Δv2Δw3Δy4+Δv3Δw4Δy2+Δv4Δw2Δy3,va4=Δv4Δw3Δy2+Δv2Δw4Δy3+Δv3Δw2Δy4,
vb1=Δv4Δw1Δy2+Δv1Δw2Δy4+Δv2Δw4Δy1,vb2=Δv2Δw1Δy4+Δv1Δw4Δy2+Δv4Δw2Δy1,
vb3=Δv1Δw4Δy3+Δv3Δw1Δy4+Δv4Δw3Δy1,vb4=Δv3Δw4Δy1+Δv4Δw1Δy3+Δv1Δw3Δy4,
vc1=Δv1Δw2Δy3+Δv3Δw1Δy2+Δv2Δw3Δy1,vc2=Δv3Δw2Δy1+Δv1Δw3Δy2+Δv2Δw1Δy3,
vc3=Δv1Δw4Δy2+Δv4Δw2Δy1+Δv2Δw1Δy4,vc4=Δv2Δw4Δy1+Δv4Δw1Δy2+Δv1Δw2Δy4,
vd1=Δv1Δw2Δy3+Δv3Δw1Δy2+Δv2Δw3Δy1,vd2=Δv3Δw2Δy1+Δv1Δw3Δy2+Δv2Δw1Δy3,
vd3=Δv2Δw4Δy3+Δv3Δw2Δy4+Δv4Δw3Δy2,vd4=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;
(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zix,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xi(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xi(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;
(i=1,2,3),则双故障的空间特征为
a=(xx1xy3-xx3xy1)/(xx3xy2-xx2xy3),
b=(xx1xy2-xx2xy1)/(xx2xy3-xx3xy2),
c=(xx2xy1-xx1xy2)/(xx1xy3-xx3xy1);
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Xp=[xp1,xp2,xp3,xp4]、Xq=[xq1,xq2,xq3,xq4]和Xr=[xr1,xr2,xr3,xr4],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: 其中,
xa1=xp1xq4xr3+xp3xq1xr4+xp4xq3xr1,xa2=xp3xq4xr1+xp4xq1xr3+xp1xq3xr4,
xa3=xp2xq3xr4+xp3xq4xr2+xp4xq2xr3,xa4=xp3xq2xr4+xp4xq3xr2+xp2xq4xr3,
xb1=xp4xq1xr2+xp1xq2xr4+xp2xq4xr1,xb2=xp4xq2xr1+xp2xq1xr4+xp1xq2xr4,
xb3=xp1xq4xr3+xp3xq1xr4+xp4xq3xr1,xb4=xp1xq3xr4+xp3xq4xr1+xp4xq1xr3,
xc1=xp1xq2xr3+xp3xq1xr2+xp2xq3xr1,xc2=xp1xq3xr2+xp2xq1xr3+xp3xq2xr1,
xc3=xp1xq4xr2+xp4xq2xr1+xp2xq1xr4,xc4=xp2xq4xr1+xp4xq1xr2+xp1xq2xr4,
xd1=xp1xq2xr3+xp3xq1xr2+xp2xq3xr1,xd2=xp3xq2xr1+xp1xq3xr2+xp2xq1xr3,
xd3=xp2xq4xr3+xp3xq2xr4+xp4xq3xr2,xd4=xp4xq2xr3+xp2xq3xr4+xp3xq4xr2。
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;
va1=Δv1Δw4Δy3+Δv3Δw1Δy4+Δv4Δw3Δy1,va2=Δv1Δw3Δy4+Δv3Δw4Δy1+Δv4Δw1Δy3,
va3=Δv2Δw3Δy4+Δv3Δw4Δy2+Δv4Δw2Δy3,va4=Δv4Δw3Δy2+Δv2Δw4Δy3+Δv3Δw2Δy4,
vb1=Δv4Δw1Δy2+Δv1Δw2Δy4+Δv2Δw4Δy1,vb2=Δv2Δw1Δy4+Δv1Δw4Δy2+Δv4Δw2Δy1,
vb3=Δv1Δw4Δy3+Δv3Δw1Δy4+Δv4Δw3Δy1,vb4=Δv3Δw4Δy1+Δv4Δw1Δy3+Δv1Δw3Δy4,
vc1=Δv1Δw2Δy3+Δv3Δw1Δy2+Δv2Δw3Δy1,vc2=Δv3Δw2Δy1+Δv1Δw3Δy2+Δv2Δw1Δy3,
vc3=Δv1Δw4Δy2+Δv4Δw2Δy1+Δv2Δw1Δy4,vc4=Δv2Δw4Δy1+Δv4Δw1Δy2+Δv1Δw2Δy4,
vd1=Δv1Δw2Δy3+Δv3Δw1Δy2+Δv2Δw3Δy1,vd2=Δv3Δw2Δy1+Δv1Δw3Δy2+Δv2Δw1Δy3,
vd3=Δv2Δw4Δy3+Δv3Δw2Δy4+Δv4Δw3Δy2,vd4=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+|bxi|·rand,其中,rand为随机函数,|bxi|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),|bxi|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,tj(xi)和yj(xi)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fitj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]+|bxi|·rand,其中|bxi|为容差。
将[Δv2,Δv7,Δv10]+|bxi|·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;
(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zix,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xi(i=1,2,...n);
a=(xx1xy3-xx3xy1)/(xx3xy2-xx2xy3),
b=(xx1xy2-xx2xy1)/(xx2xy3-xx3xy2),
c=(xx2xy1-xx1xy2)/(xx1xy3-xx3xy1);
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Xp=[xp1,xp2,xp3,xp4]、Xq=[xq1,xq2,xq3,xq4]和xr=[xr1,xr2,xr3,xr4],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: 其中,
xa1=xp1xq4xr3+xp3xq1xr4+xp4xq3xr1,xa2=xp3xq4xr1+xp4xq1xr3+xp1xq3xr4,
xa3=xp2xq3xr4+xp3xq4xr2+xp4xq2xr3,xa4=xp3xq2xr4+xp4xq3xr2+xp2xq4xr3,
xb1=xp4xq1xr2+xp1xq2xr4+xp2xq4xr1,xb2=xp4xq2xr1+xp2xq1xr4+xp1xq2xr4,
xb3=xp1xq4xr3+xp3xq1xr4+xp4xq3xr1,xb4=xp1xq3xr4+xp3xq4xr1+xp4xq1xr3,
xc1=xp1xq2xr3+xp3xq1xr2+xp2xq3xr1,xc2=xp1xq3xr2+xp2xq1xr3+xp3xq2xr1,
xc3=xp1xq4xr2+xp4xq2xr1+xp2xq1xr4,xc4=xp2xq4xr1+xp4xq1xr2+xp1xq2xr4,
xd1=xp1xq2xr3+xp3xq1xr2+xp2xq3xr1,xd2=xp3xq2xr1+xp1xq3xr2+xp2xq1xr3,
xd3=xp2xq4xr3+xp3xq2xr4+xp4xq3xr2,xd4=xp4xq2xr3+xp2xq3xr4+xp3xq4xr2。
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:
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 和 得到 其中,
va1=Δv1Δw4Δy3+Δv3Δw1Δy4+Δv4Δw3Δy1,va2=Δv1Δw3Δy4+Δv3Δw4Δy1+Δv4Δw1Δy3,
va3=Δv2Δw3Δy4+Δv3Δw4Δy2+Δv4Δw2Δy3,va4=Δv4Δw3Δy2+Δv2Δw4Δy3+Δv3Δw2Δy4,
vb1=Δv4Δw1Δy2+Δv1Δw2Δy4+Δv2Δw4Δy1,vb2=Δv2Δw1Δy4+Δv1Δw4Δy2+Δv4Δw2Δy1,
vb3=Δv1Δw4Δy3+Δv3Δw1Δy4+Δv4Δw3Δy1,vb4=Δv3Δw4Δy1+Δv4Δw1Δy3+Δv1Δw3Δy4,
vc1=Δv1Δw2Δy3+Δv3Δw1Δy2+Δv2Δw3Δy1,vc2=Δv3Δw2Δy1+Δv1Δw3Δy2+Δv2Δw1Δy3,
vc3=Δv1Δw4Δy2+Δv4Δw2Δy1+Δv2Δw1Δy4,vc4=Δv2Δw4Δy1+Δv4Δw1Δy2+Δv1Δw2Δy4,
vd1=Δv1Δw2Δy3+Δv3Δw1Δy2+Δv2Δw3Δy1,vd2=Δv3Δw2Δy1+Δv1Δw3Δy2+Δv2Δw1Δy3,
vd3=Δv2Δw4Δy3+Δv3Δw2Δy4+Δv4Δw3Δy2,vd4=Δv4Δw2Δy3+Δv2Δw3Δy4+Δv3Δw4Δy2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106087049A CN102129030A (zh) | 2010-12-28 | 2010-12-28 | 采用统一空间特征的模拟电路遗传神经网络诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106087049A CN102129030A (zh) | 2010-12-28 | 2010-12-28 | 采用统一空间特征的模拟电路遗传神经网络诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102129030A true CN102129030A (zh) | 2011-07-20 |
Family
ID=44267188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010106087049A Pending CN102129030A (zh) | 2010-12-28 | 2010-12-28 | 采用统一空间特征的模拟电路遗传神经网络诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102129030A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107192939A (zh) * | 2017-06-08 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测系统 |
CN110470980A (zh) * | 2019-08-15 | 2019-11-19 | 电子科技大学 | 基于遗传算法的模拟电路故障特征范围确定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5140670A (en) * | 1989-10-05 | 1992-08-18 | Regents Of The University Of California | Cellular neural network |
CN101231672A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 基于改进型bp神经网络的模拟电路软故障诊断方法 |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
-
2010
- 2010-12-28 CN CN2010106087049A patent/CN102129030A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5140670A (en) * | 1989-10-05 | 1992-08-18 | Regents Of The University Of California | Cellular neural network |
CN101231672A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 基于改进型bp神经网络的模拟电路软故障诊断方法 |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
龙伯华等: "基于新小波神经网络的电力电子电路故障诊断", 《计算机仿真》 * |
龙春阳: "基于空间特征和屏蔽技术的非线性电路故障诊断研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
龙春阳等: "基于空间特征的非线性电路神经网络诊断", 《电气电子教学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107192939A (zh) * | 2017-06-08 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测系统 |
US11017700B2 (en) | 2017-06-08 | 2021-05-25 | Ordos Yuansheng Optoelectronics Co., Ltd. | Circuit working state testing method and testing device |
CN110470980A (zh) * | 2019-08-15 | 2019-11-19 | 电子科技大学 | 基于遗传算法的模拟电路故障特征范围确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
Abdel-Nasser et al. | A novel smart grid state estimation method based on neural networks | |
CN104198912B (zh) | 一种基于数据挖掘的硬件电路fmea分析方法 | |
CN106570281A (zh) | 基于相似产品信息的小子样产品贝叶斯可靠性评估方法 | |
CN105005294A (zh) | 基于不确定性分析的实时传感器故障诊断方法 | |
CN112597702A (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
CN103440497A (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
CN106971066A (zh) | 基于神经网络模型预报地磁暴的方法 | |
CN113837432A (zh) | 一种物理-数据联合驱动的电力系统频率预测方法 | |
CN116956428A (zh) | 基于物理信息神经网络的移动荷载下桥梁响应计算方法 | |
Guo et al. | Quantifying the influence of component failure probability on cascading blackout risk | |
CN114861874A (zh) | 模型驱动图卷积神经网络潮流计算方法 | |
Li et al. | A hybrid data-driven method for online power system dynamic security assessment with incomplete PMU measurements | |
CN117077546B (zh) | 基于数据驱动的电力系统负荷建模方法及其系统 | |
Jiang et al. | Mode matching pursuit for estimating dominant modes in bulk power grid | |
CN102129030A (zh) | 采用统一空间特征的模拟电路遗传神经网络诊断系统 | |
Wang et al. | Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis | |
CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 | |
CN112710923A (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
CN115408949B (zh) | 一种负荷模型参数辨识方法、系统、设备和介质 | |
CN110943473A (zh) | 一种基于广域测量系统和聚类理论的发电机同调识别方法 | |
CN112285541B (zh) | 一种电流频率转换电路的故障诊断方法 | |
CN113177717B (zh) | 一种基于影响增量灵敏度的输电系统韧性快速评估方法 | |
CN115048857A (zh) | 一种基于cnn的暂稳极限传输功率的确定方法 |
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 |
Application publication date: 20110720 |