CN102253327A - 开关电流电路故障诊断方法 - Google Patents
开关电流电路故障诊断方法 Download PDFInfo
- Publication number
- CN102253327A CN102253327A CN2011101619392A CN201110161939A CN102253327A CN 102253327 A CN102253327 A CN 102253327A CN 2011101619392 A CN2011101619392 A CN 2011101619392A CN 201110161939 A CN201110161939 A CN 201110161939A CN 102253327 A CN102253327 A CN 102253327A
- Authority
- CN
- China
- Prior art keywords
- current circuit
- switched
- electric signal
- neural network
- described step
- 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
Abstract
开关电流电路故障诊断方法,其包括以下步骤:采集开关电流电路的电信号,采集到的电信号为所述开关电流电路的输出电流信号;对采集的电信号进行小波变换;计算电信号的小波的能量特征值;将小波的能量特征值进行PCA的特征提取和维数降低得到最优特征向量;将最优特征向量送入GA_BP中,由GA_BP神经网络分类器输出故障诊断结果。使用本发明,可加强神经网络分类器的结构的稳定性,解决神经网络陷入局部极小值的问题,减少训练时间,提高测试精度。
Description
技术领域
本发明涉及一种开关电流电路故障诊断方法,尤其是涉及一种基于遗传算法优化BP神经网络的开关电流电路故障诊断方法。
背景技术
在开关电流电路中,故障可分为两大类:一类称为硬故障,指MOS元件的各极开路和各极间的短路失效故障;另一类称为软故障,指MOS元件的参数超出预定的容差范围,一般它们均未使设备完全失效,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。
开关电流(SI)技术是继开关电容(SC)技术之后的又一种新的模拟采样数据信号处理技术。在 SC技术中需要特殊的双层多晶硅工艺,而SI技术则不同,它是一种仅由MOS晶体管和MOS开关构成的采样数据网络,利用MOS晶体管在其栅极开路时,通过存储在栅极氧化电容上的电荷维持其漏极电流的能力,电容精度要求并不严格,不需要线性浮地电容,与数字CMOS工艺兼容,容易VLSI实现。而且SI电路的信号采用电流表示,对电压无严格要求,电路可以在低压低功耗条件下工作。SI的这些特点,使得SI技术引起了国内外学术界的广泛关注,并得到迅速发展。
在开关电流电路测试方面,传统的模拟电路测试方法并不适应开关电流电路,目前国外有报道的开关电流电路测试方法是利用直流或低频信号进行功能测试,对于电路参数缺陷导致的故障多未能涉及,且提出的方法一般只适应特殊结构的开关电流电路。由于开关电流电路特性各异,阈值确定也是一个困难的问题。近几年来较常用的方法是利用神经网络(特别是BP神经网络)来进行模拟电路故障诊断。但神经网络理论上仍存在较多缺陷,如结构稳定性、局部极值、过拟合的问题、训练时间过长。
发明内容
为了解决现有开关电流电路的故障诊断方法存在的上述的技术问题,本发明提供一种基于遗传算法优化BP神经网络的开关电流电路故障诊断方法,该方法可以加强神经网络分类器的结构的稳定性,解决神经网络陷入局部极小值的问题,减少训练时间,提高测试精度。
为解决上述技术问题,本发明的技术方案是:
其包括以下步骤:
1)采集开关电流电路的电信号,采集到的电信号为所述开关电流电路的输出电流信号;
2)对采集的电信号进行小波变换;
3)计算电信号的小波的能量特征值;
4)将小波的能量特征值进行主成分分析(PCA)的特征提取和维数降低得到最优特征向量;
5)将最优特征向量送入遗传算法优化的BP神经网络分类器(GA_BP)中,由GA_BP神经网络分类器输出故障诊断结果。
所述步骤1)中,采集开关电流电路的电信号通过数据采集板完成。
所述步骤1)中,被采集的开关电流电路宜只有一个输入端和一个输出端,输入端加正弦激励信号,输出端采样电流信号。
所述步骤2)中,对采集的电信号宜先进行归一化、中心化预处理之后,再进行小波变换。
所述步骤2)中,对采集到的电信号进行的小波变换优选Haar小波变换。
所述步骤3)中,计算电信号的小波的能量特征值是指对小波变换系数进行能量计算,获得候选特征值。
所述步骤4)中,最优特征向量为根据PCA分析选择出来的主元。
本发明的原理是:采用小波分解与其后的主成分分析(PCA)和归一化处理一起对故障信号进行预处理从而获取最优的特征模式向量。通过遗传算法优化神经网络分类器的权值和阈值,然后将这些最优特征向量作为优化后的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)特征参数的个数可根据样本的复杂程度进行小波分解,对小波能量值进行PCA的特征提取得到最优特征向量,计算简单,适用于实时环境;
(2)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;
(3)遗传算法优化的BP神经网络比普通的BP网络性能更稳定。完全克服了普通BP神经网络结构不稳定,易陷入局部极小、收敛时间长的缺点。不但降低了网络运算的成本,而且提高了网络的推广性能及其故障诊断的正确率;
(4)本发明不但可以用于开关电流电路硬故障的诊断,同时也可以用于诊断电路中其它参数软故障。
附图说明
图1 为本发明故障诊断流程框图;
图2为本发明开关电流电路测试用MOS元件故障模型图;
图3为本发明遗传算法优化神经网络分类器结构框图;
图4为遗传优化BP神经网络与普通BP神经网络训练后结果对比图:
图4(a1)为GA_BP网络训练68步后的输出结果图;
图4(b1)为BP网络训练199步后陷入局部最小值的输出结果图;
图4(a2)为GA_BP网络训练82步后的输出结果图;
图4(b2)为BP网络训练349步后陷入局部最小值的输出结果图;
图4(a3)为GA_BP网络训练69步后的输出结果图;
图4(b3)为BP网络训练131步后收敛的输出结果图;
图4(a4)为GA_BP网络训练81步后的输出结果图;
图4(b4)为BP网络训练51步后收敛的输出结果图。
具体实施方式
以下结合附图和实施例对本发明进行详细的说明。
参照图1,本发明包括以下步骤:
数据采集步骤1,即采集开关电流电路的电信号;
小波变换步骤2,即对采集的电信号进行小波变换;
小波能量计算步骤3,即计算电信号的小波的能量特征值;
PCA的特征提取步骤4,即将小波的能量特征值进行PCA的特征提取和维数降低得到最优特征向量;
GA_BP神经网络分类器进行诊断步骤5,即将最优特征向量送入遗传算法优化的BP神经网络分类器(GA_BP)中,由GA_BP神经网络分类器输出故障诊断结果。
图2为本发明开关电流电路测试用MOS元件故障模型图;其可模拟栅源短路、栅漏短路、漏源短路、漏极开路、源极开路和栅极开路等各种灾难性故障,通过不同的电路电容值的调整还可以模拟各类参数性故障。
数据归一化处理步骤2是对采集的电信号进行归一化处理,使得特征参数的值都在(0,1)范围之内,其目的在于加快神经网络分类器的收敛速度。其具体的转换方式为:
b=(a-MinValue)/(MaxValue-MinValue) (8)
式中,a、b分别为转换前、后的值,MaxValue、MinValue分别为样本的最大值和最小值。
小波变换步骤2是利用Haar小波对采集到的电信号进行小波变换。
小波能量计算步骤3是对小波变换系数进行能量计算,获得候选特征值。
PCA的特征提取步骤4是实施相应的特征提取。
GA_BP神经网络分类器进行诊断前,GA_BP神经网络分类器的设计具体步骤如下(参见图3):
(2)神经网络分类器的输出端个数是电路故障模式数目的二进制编码,假设有种故障模式,则网络输出端子个数共有{=[](当为整数时)或=[]+1(当非整数时)}个。当电路出现第种故障时,则整个输出端的输出信号为的二进制编码。图3中的为隐层到输出层的权值向量。
(4)神经网络的训练分两步进行。首先对没有加入噪声的故障模式进行训练,然后对加入噪声的故障模式进行训练,这样可以确保神经网络分类器的正确识别率维持在较高的水平。
参照图4,遗传算法优化的BP神经网络比普通的BP网络有更好的收敛稳定性,能完全克服普通BP网络结构不稳定、易陷入局部极小和收敛时间长的缺陷。
Claims (8)
1.开关电流电路故障诊断方法,其特征在于,包括以下步骤:
1)采集开关电流电路的电信号,采集到的电信号为所述开关电流电路的输出电流信号;
2)对采集的电信号进行小波变换;
3)计算电信号的小波的能量特征值;
4)将小波的能量特征值进行主成分分析的特征提取和维数降低得到最优特征向量;
5)将最优特征向量送入遗传算法优化的BP神经网络分类器中,由遗传算法优化的BP神经网络分类器输出故障诊断结果。
2.根据权利要求1所述的开关电流电路故障诊断方法,其特征在于,所述步骤1)中,采集开关电流电路的电信号通过数据采集板完成。
3.根据权利要求1或2所述的开关电流电路故障诊断方法,其特征在于,所述步骤1)中,被采集的开关电流电路只有一个输入端和一个输出端,输入端加正弦激励信号,输出端采样电流信号。
4.根据权利要求1或2所述的开关电流电路故障诊断方法,其特征在于,所述步骤2)中,对采集的电信号先进行归一化、中心化预处理之后,再进行小波变换。
5.根据权利要求1或2所述的开关电流电路故障诊断方法,其特征在于,所述步骤2)中,对采集到的电信号进行的小波变换选用Haar小波变换。
6.根据权利要求1或2所述的开关电流电路故障诊断方法,其特征在于,所述步骤3)中,计算电信号的小波的能量特征值是指对小波变换系数进行能量计算,获得候选特征值。
7.根据权利要求1或2所述的开关电流电路故障诊断方法,其特征在于,所述步骤4)中,最优特征向量为根据主成分分析选择出来的主元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101619392A CN102253327A (zh) | 2011-06-16 | 2011-06-16 | 开关电流电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101619392A CN102253327A (zh) | 2011-06-16 | 2011-06-16 | 开关电流电路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102253327A true CN102253327A (zh) | 2011-11-23 |
Family
ID=44980697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101619392A Pending CN102253327A (zh) | 2011-06-16 | 2011-06-16 | 开关电流电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102253327A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665221A (zh) * | 2012-03-26 | 2012-09-12 | 南京邮电大学 | 基于压缩感知与bp神经网络的认知无线电频谱感知方法 |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN103293472A (zh) * | 2013-05-27 | 2013-09-11 | 武汉大学 | 一种基于小波理论的高压直流开关燃弧时间获取方法 |
CN103592595A (zh) * | 2013-09-16 | 2014-02-19 | 中机国能电力工程有限公司 | 一种开关电流电路故障诊断方法 |
CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
CN104678288A (zh) * | 2015-02-07 | 2015-06-03 | 长沙学院 | 基于信息熵和小波变换的开关电流电路故障字典获取方法 |
CN104714171A (zh) * | 2015-04-06 | 2015-06-17 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障分类方法 |
CN104793124A (zh) * | 2015-04-06 | 2015-07-22 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障诊断方法 |
WO2016019593A1 (zh) * | 2014-08-06 | 2016-02-11 | 浙江群力电气有限公司 | 一种电缆过电流原因辨识方法及装置 |
CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
CN105589037A (zh) * | 2016-03-16 | 2016-05-18 | 合肥工业大学 | 基于集成学习的电力电子开关器件网络故障诊断方法 |
CN107561429A (zh) * | 2017-08-25 | 2018-01-09 | 哈尔滨工业大学(威海) | 电路辐射故障诊断装置 |
CN108957278A (zh) * | 2018-08-10 | 2018-12-07 | 中国矿业大学 | 基于门极电荷Qg的大功率IGBT故障诊断及保护方法和装置 |
TWI694386B (zh) * | 2018-12-04 | 2020-05-21 | 中原大學 | 田口法與人工神經網路進行微電網靜態開關之故障偵測、分類與定位之方法 |
CN112098798A (zh) * | 2020-09-18 | 2020-12-18 | 北京航空航天大学 | 一种基于神经网络的碳化硅mos器件结温在线测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226936A (zh) * | 2007-12-29 | 2008-07-23 | 湖南大学 | 开关电流小波变换器件 |
CN101299055A (zh) * | 2008-06-16 | 2008-11-05 | 湖南大学 | 基于小波-神经网络的模拟集成开关电流电路测试方法 |
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 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 |
-
2011
- 2011-06-16 CN CN2011101619392A patent/CN102253327A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226936A (zh) * | 2007-12-29 | 2008-07-23 | 湖南大学 | 开关电流小波变换器件 |
CN101299055A (zh) * | 2008-06-16 | 2008-11-05 | 湖南大学 | 基于小波-神经网络的模拟集成开关电流电路测试方法 |
CN101477172A (zh) * | 2009-02-18 | 2009-07-08 | 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 |
Non-Patent Citations (3)
Title |
---|
崔江等: "采用基于模糊推理的分类器融合方法诊断电力电子电路参数故障", 《中国电机工程学报》 * |
祝文姬等: "基于遗传BP网络的模拟电路故障诊断方法及其应用", 《计算机辅助设计与图形学学报》 * |
胡沁春等: "基于开关电流技术的时域连续小波变换实现", 《电子与信息学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665221A (zh) * | 2012-03-26 | 2012-09-12 | 南京邮电大学 | 基于压缩感知与bp神经网络的认知无线电频谱感知方法 |
CN102749573B (zh) * | 2012-07-27 | 2015-09-09 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN103293472A (zh) * | 2013-05-27 | 2013-09-11 | 武汉大学 | 一种基于小波理论的高压直流开关燃弧时间获取方法 |
CN103592595A (zh) * | 2013-09-16 | 2014-02-19 | 中机国能电力工程有限公司 | 一种开关电流电路故障诊断方法 |
CN103592595B (zh) * | 2013-09-16 | 2016-05-18 | 中机国能电力工程有限公司 | 一种开关电流电路故障诊断方法 |
WO2016019593A1 (zh) * | 2014-08-06 | 2016-02-11 | 浙江群力电气有限公司 | 一种电缆过电流原因辨识方法及装置 |
CN104239964B (zh) * | 2014-08-18 | 2017-10-10 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
CN104678288A (zh) * | 2015-02-07 | 2015-06-03 | 长沙学院 | 基于信息熵和小波变换的开关电流电路故障字典获取方法 |
CN104678288B (zh) * | 2015-02-07 | 2017-12-08 | 长沙学院 | 基于信息熵和小波变换的开关电流电路故障字典获取方法 |
CN104793124A (zh) * | 2015-04-06 | 2015-07-22 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障诊断方法 |
CN104714171A (zh) * | 2015-04-06 | 2015-06-17 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障分类方法 |
CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
CN105589037A (zh) * | 2016-03-16 | 2016-05-18 | 合肥工业大学 | 基于集成学习的电力电子开关器件网络故障诊断方法 |
CN107561429A (zh) * | 2017-08-25 | 2018-01-09 | 哈尔滨工业大学(威海) | 电路辐射故障诊断装置 |
CN108957278A (zh) * | 2018-08-10 | 2018-12-07 | 中国矿业大学 | 基于门极电荷Qg的大功率IGBT故障诊断及保护方法和装置 |
CN108957278B (zh) * | 2018-08-10 | 2024-03-29 | 中国矿业大学 | 基于门极电荷Qg的大功率IGBT故障诊断及保护方法和装置 |
TWI694386B (zh) * | 2018-12-04 | 2020-05-21 | 中原大學 | 田口法與人工神經網路進行微電網靜態開關之故障偵測、分類與定位之方法 |
CN112098798A (zh) * | 2020-09-18 | 2020-12-18 | 北京航空航天大学 | 一种基于神经网络的碳化硅mos器件结温在线测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102253327A (zh) | 开关电流电路故障诊断方法 | |
CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN108896875B (zh) | 一种单相接地故障选线方法及装置 | |
CN110348615B (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN1738143A (zh) | 基于混成状态估计的电力网络拓扑错误辨识方法 | |
CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN103064008A (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN108197837A (zh) | 基于KMeans聚类的光伏发电预测方法 | |
CN109239553A (zh) | 一种基于局部放电脉冲局部密度的聚类方法 | |
CN109753762A (zh) | 基于类别修正的配电网两阶段网络拓扑识别方法及装置 | |
CN112926728A (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN115329816A (zh) | 一种基于仿真数据迁移学习的多电平逆变器故障诊断方法 | |
CN115587329A (zh) | 基于卷积神经网络提取特征的配电网故障分类方法及系统 | |
CN103913698A (zh) | 基于小波分形及核主元特征的开关电流电路故障诊断方法 | |
CN114386024A (zh) | 基于集成学习的电力内网终端设备异常攻击检测方法 | |
CN106618499B (zh) | 跌倒检测设备、跌倒检测方法及装置 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN101453236B (zh) | 同频多小区信道估计方法 | |
CN106845799B (zh) | 一种电池储能系统典型工况的评估方法 | |
CN113311364B (zh) | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 | |
CN108830428A (zh) | 一种基于四参数混合核函数lssvm的短时风速预测方法 |
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: 20111123 |