CN109255431B - 一种基于相关性矩阵的感知机网络诊断模型生成方法 - Google Patents
一种基于相关性矩阵的感知机网络诊断模型生成方法 Download PDFInfo
- Publication number
- CN109255431B CN109255431B CN201810930645.3A CN201810930645A CN109255431B CN 109255431 B CN109255431 B CN 109255431B CN 201810930645 A CN201810930645 A CN 201810930645A CN 109255431 B CN109255431 B CN 109255431B
- Authority
- CN
- China
- Prior art keywords
- training data
- test point
- correlation matrix
- sequence
- test
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出一种基于相关性矩阵的感知机网络诊断模型生成方法,属于故障诊断、测试性技术领域。包括:步骤一、获取电路的相关性矩阵以及各测点的取值范围和门限值;步骤二、依据步骤一得到的相关性矩阵以及各测点取值范围和门限值,生成训练数据表;步骤三、搭建感知机网络,确定其结构并进行网络训练;步骤四、获取电路的测试数据,利用训练好的感知机进行诊断。本发明方法针对一个电路系统,能够在缺乏故障样本数据的条件下,利用少量知识和测点信息即可产生训练数据和标签来训练感知机网络,从而对实测数据进行故障诊断。
Description
技术领域
本发明涉及一种基于相关性矩阵的感知机网络诊断模型生成方法,属于故障诊断、测试性技术领域。
背景技术
基于感知机网络分类特性的故障诊断方法是目前系统测试性设计的一种普遍采用的方法,利用感知机网络进行故障诊断需要大量故障数据来训练网络,从而达到较高的诊断精度。但在实际应用中,复杂电路往往难以获得各种故障模式下的测点数据,而大量的故障注入实验虽可提供用于训练感知机网络的数据,但将耗费大量的人力物力,所以高精度的感知机网络诊断模型生成难度大。
目前,针对这一问题,还没有一种有效的方便快捷的感知机网络诊断模型生成方法。
发明内容
针对上述需要大量故障数据耗时耗力、高精度的感知机网络诊断模型生成难度大等问题,本发明提出一种基于相关性矩阵的感知机网络诊断模型生成方法,利用现有测试性建模方法获得系统的相关性矩阵,然后依据各测点参数的取值范围和门限值生成训练数据集,以解决故障样本数据缺乏的问题。
本发明提供的一种基于相关性矩阵的感知机网络诊断模型生成方法,实现步骤包括:
步骤一、获取被测电路的故障与测试点的相关性矩阵,获取各测试点的取值范围和门限值;设测试点i的取值上限为Ui,取值下限为Li,当电路正常工作时,测试点i的上门限为ULi,下门限为LLi。
步骤二、依据相关性矩阵以及各测点取值范围和门限值,生成训练数据表;
对测试点i,将(Li,LLi)、(LLi,ULi)、(ULi,Ui)区间分别进行h等分,取每个区间内的h-1个分位点作为训练数据点,其中(LLi,ULi)内的分位点对应相关性矩阵中测试点i的值为0,标记为测试点i的0序列;在(Li,LLi)和(ULi,Ui)区间的分位点对应相关性矩阵中测试点i的值为1,标记为测试点i的1序列;h为正整数,为了保证训练数据的充分性以及为了避免训练过程过于复杂,设置h取值范围为8~15。
从各测试点的0序列中分别任取出一个点进行组合,要求任意两组数据不重复,获得健康状态下的训练数据;训练数据加有标记健康状态的标签;
对每种故障模式,根据相关性矩阵,从各测试点对应的0序列或1序列中分别任取出一个点进行组合,要求任意两组数据不重复,获得对应故障模式下的训练数据;故障模式加有标记对应故障模式的标签;
将健康状态和各种故障模式下的训练数据首尾相接,生成最终的训练数据表。
步骤三、搭建感知机网络,利用步骤二得到的训练数据表进行网络训练;
所述的感知机网络的输入是测试点的数据,输出是健康状态或故障模式的标签;
步骤四、获取电路的测试数据,利用训练好的感知机进行诊断。
本发明的优点及积极效果在于,对一个电路系统,能够在缺乏故障样本数据的条件下,利用少量知识和测点信息即可产生训练数据和标签来训练感知机网络,从而对实测数据进行故障诊断。
附图说明
图1是本发明的感知机网络诊断模型生成方法的总流程示意图;
图2是感知机网络结构图;
图3是本发明实施例中的被测电路原理图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明
本发明提出的一种基于相关性矩阵的感知机网络诊断模型生成方法,总流程如图1所示,下面说明各个步骤。
步骤一、获取电路的相关性矩阵以及各测点的取值范围和门限值。
步骤1.1,获取电路的相关性矩阵。
根据现有的测试性建模方法,利用系统的故障数据,建立测试性模型并得到相关性矩阵D,其表达式如(1)式所示:
式中,F={F1,F2…Fm}表示被测对象的故障集合,m为故障种类数量;Ti表示第i个测试点,n表示测试点数量;矩阵D中元素dij表明了Fi与Ti的相关性,即:
设被测电路的健康状态表示为F0。
步骤1.2,获取各测点的取值范围和门限值。
根据电路,分析得到第i个测点的取值上限Ui和下限Li,当电路正常工作时,第i个测点的上门限ULi和下门限LLi。
步骤二、依据步骤一得到的相关性矩阵以及各测点取值范围和门限值,生成训练数据表。
步骤2.1,获取各测点的训练数据点。
对于测点i,将(Li,LLi)、(LLi,ULi)、(ULi,Ui)区间分别进行十等分,取每个区间内的九个分位点作为后续网络训练数据点。
其中(LLi,ULi)内的九个点对应相关性矩阵中测点i的值为0,标记为测点i的“0序列”;在(Li,LLi)和(ULi,Ui)区间的分位点对应相关性矩阵中测点i的值为1,标记为测点i的“1序列”。
步骤2.2,获取健康状态下的训练数据集。
在电路处于健康状态下,按照测点T1~Tn的顺序,从各测点“0序列”中分别任取出一个点进行组合,要求任意两组数据不重复,共得到9n组数据,将每组数据依次填入下表。
表1健康状态下训练数据及标签
表中每一组数据对应的标签均为m+1维向量(1,0,0…0)。标签代表电路的状态,电路有m种故障状态和健康状态,共m+1种电路状态。对每种电路状态用一个m+1维的0和1组成的向量[l0,l1,…lm]来表示,每种状态的标签向量中只有一位是1,其他位都是0。本发明实施例中,令l0为1的向量表示健康状态的标签,令lp为1的向量表示第p种故障状态的标签,p=1,2,…m。
步骤2.3,获取故障状态下训练数据集。
根据步骤1获取的相关性矩阵,依次取出相关性矩阵的每一行,组成每一种故障模式下的训练数据及标签。
对于第k行,若该行中测点i的值为0,则取出测点i的“0序列”;若该行中测点i的值为1,则取出测点i的“1序列”。按照测点T1~Tn的顺序,从各测点取出的数据序列中分别任取出一个点进行组合,要求任意两组数据不重复,且遍历所有取值,得到第k种故障模式下的训练数据。
将第k种故障模式下的训练数据依次填入表2的训练数据及标签表中。
表2第k种故障下训练数据及标签
每一组数据对应的标签均为m+1维向量(0…0,1,0…0)。
依次获取m种故障模式的训练数据和标签后,得到m个训练数据及标签表。xk表示第k个故障模式的训练数据数量。
步骤2.4,生成训练数据表。
将正常状态下和m种故障模式下的训练数据及标签表首尾相接,组成训练数据表如下表3所示。
表3训练数据表
步骤三、搭建感知机网络,确定其结构并进行网络训练。
步骤3.1,确定感知机网络结构。
根据步骤一得到的相关性矩阵,感知机网络的输入层节点数为相关性矩阵的列数n,即测试点个数,输出层节点数为电路状态(健康状态和故障状态),输出层节点总数为m+1,隐藏层节点数为大于等于2[log2(m+n+1)]的最小正整数,各神经元节点之间全连接,隐藏层神经元激活函数为relu,输出层神经元激活函数为softmax。感知机网络的结构如图2所示。
步骤3.2,将步骤二得到的训练数据表中的数据输入感知机网络进行训练,初始权值矩阵和偏置向量由随机函数生成,损失函数为均方误差,优化算法为Adam算法,该算法对于大样本和非凸优化问题具有优势。
步骤四、获取测试数据进行诊断。
进行t组测试实验,t为大于0的任意正整数,将实际的测点数据依次填入表4。
表4测试实验测点数据
将表4中的数据送入训练完成的感知机网络,输出为一个t行、(m+1)列的数组,将数组的每一行依次填入表5。
表5测试实验结果
对于每一组测试数据,取结果标签中最大的数对应的标签编号:
当该标签编号为0时,该组测试实验的诊断结果为健康;
当该标签编号为i(i∈[1,m],i∈N+)时,该组测试实验的诊断结果为故障模式Fi。
实施例:
本发明以如图3所示的电路来说明本发明方法的使用,电路中4个测试点T1~T4。
步骤一、建立系统的相关性矩阵。
步骤1.1,获取电路的相关性矩阵。
根据图3,确定电路的6种故障模式F1~F5依次为:R1开路、R3开路、R3短路、R7短路、R10开路。建立相关性矩阵,如表6所示。
表6被测电路的相关性矩阵
D | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> |
健康 | 0 | 0 | 0 | 0 |
F<sub>1</sub>:R<sub>1</sub>开路 | 1 | 1 | 1 | 1 |
F<sub>2</sub>:R<sub>3</sub>开路 | 0 | 1 | 1 | 0 |
F<sub>3</sub>:R<sub>3</sub>短路 | 0 | 1 | 1 | 1 |
F<sub>4</sub>:R<sub>7</sub>短路 | 0 | 0 | 1 | 1 |
F<sub>5</sub>:R<sub>10</sub>开路 | 0 | 0 | 0 | 1 |
步骤1.2,获取各测点的取值范围和门限值。
经过分析,得到测点1的取值上限为4,下限为0,上门限为2.5,下门限为1.5;测点2的取值上限为15,下限为0,上门限为1.5,下门限为1.0;测点3的取值上限为12,下限为0,上门限为2.5,下门限为1.5;测点4的取值上限为12,下限为0,上门限为6.5,下门限为5。
步骤二、依据步骤一得到的相关性矩阵以及各测点取值范围和门限值,生成训练数据表。
按照本发明方法生成训练数据和标签,共229635组,部分训练数据如表7所示。
表7训练数据表
步骤三、搭建感知机网络,确定其结构并进行网络训练。
步骤3.1,确定感知机网络结构。
根据步骤一得到的相关性矩阵,感知机网络的输入层节点数为4,输出层节点数为6,隐藏层节点数为8,各神经元节点之间全连接,隐藏层神经元激活函数为relu,输出层神经元激活函数为softmax。
步骤3.2,将步骤二得到的训练数据表中的数据输入感知机网络进行训练,初始权值矩阵和偏置向量由随机函数生成,损失函数为均方误差,优化算法为Adam算法。
步骤四、生成测试数据并测试诊断效果。
电路实测数据如表8所示。
表8测试实验测点数据
感知机输出结果如表9所示。
表9测试实验结果
如上述实施例,利用本发明提供的方法可以在缺乏故障样本数据的条件下,利用少量知识和测点信息即可产生训练数据和标签来训练感知机网络,并实现对实测数据的故障诊断。
Claims (5)
1.一种基于相关性矩阵的感知机网络诊断模型生成方法,其特征在于,实现步骤包括:
步骤一、获取被测电路的故障与测试点的相关性矩阵,获取各测试点的取值范围和门限值;设测试点i的取值上限为Ui,取值下限为Li,当电路正常工作时,测试点i的上门限为ULi,下门限为LLi;
步骤二、依据相关性矩阵以及各测点取值范围和门限值,生成训练数据表;
对测试点i,将(Li,LLi)、(LLi,ULi)、(ULi,Ui)区间分别进行h等分,取每个区间内的h-1个分位点作为训练数据点,其中(LLi,ULi)内的分位点对应相关性矩阵中测试点i的值为0,标记为测试点i的0序列;在(Li,LLi)和(ULi,Ui)区间的分位点对应相关性矩阵中测试点i的值为1,标记为测试点i的1序列;h为正整数;
按测试点的顺序,从各测试点的0序列中分别任取出一个点进行组合形成一组健康状态下的训练数据,按该方式获得(h-1)n组健康状态下的训练数据,要求任意两组健康状态下的训练数据不重复;每组健康状态的训练数据加有标记健康状态的标签;n为测试点数量;
对每种故障模式,根据相关性矩阵,选取对应故障模式下各测试点对应的0序列或1序列,若测试点的值为0,则取出该测试点的0序列,若测试点的值为1,则取出该测试点的1序列;再按测试点的顺序,从取出的各测试点对应的0序列或1序列中分别任取出一个点进行组合形成一组对应故障模式下的训练数据,获得对应故障模式下的(h-1)n组训练数据,要求任意两组对应故障模式数据下的训练数据不重复;每组故障模式的训练数据加有标记对应故障模式的标签;
将健康状态和各种故障模式下的训练数据首尾相接,生成最终的训练数据表;
步骤三、搭建感知机网络,利用步骤二得到的训练数据表进行网络训练;
所述的感知机网络的输入是测试点的数据,输出是健康状态或故障模式的标签;
步骤四、获取电路的测试数据,利用训练好的感知机进行诊断。
2.根据权利要求1所述的方法,其特征在于,所述的步骤二中,设置h的取值范围为8~15。
3.根据权利要求1所述的方法,其特征在于,所述的步骤二中,h设置为10。
4.根据权利要求1所述的方法,其特征在于,所述的步骤二中,健康状态或故障状态的标签用一个0和1组成的向量[l0,l1,…lm]来表示,m为故障模式数目,每种状态的标签向量中只有一位是1,其他位都是0;令l0为1的向量表示健康状态的标签,令lp为1的向量表示第p种故障模式的标签,p=1,2,…m。
5.根据权利要求1所述的方法,其特征在于,所述的步骤三中,所述的感知机网络的结构是:输入层节点数为测试点个数n,输出节点数为m+1,m为故障模式数目,隐藏层节点数为大于等于2[log2(m+n+1)]的最小正整数,各神经元节点之间全连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810930645.3A CN109255431B (zh) | 2018-08-15 | 2018-08-15 | 一种基于相关性矩阵的感知机网络诊断模型生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810930645.3A CN109255431B (zh) | 2018-08-15 | 2018-08-15 | 一种基于相关性矩阵的感知机网络诊断模型生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255431A CN109255431A (zh) | 2019-01-22 |
CN109255431B true CN109255431B (zh) | 2021-11-16 |
Family
ID=65050168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810930645.3A Active CN109255431B (zh) | 2018-08-15 | 2018-08-15 | 一种基于相关性矩阵的感知机网络诊断模型生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255431B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286756A (zh) * | 2008-05-29 | 2008-10-15 | 上海交通大学 | 空分多址系统基于最优量化误差码本的方法及装置 |
CN101833054A (zh) * | 2010-04-27 | 2010-09-15 | 北京航空航天大学 | 一种针对测试配置的故障持续诊断能力的评价方法 |
CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
CN102818948A (zh) * | 2012-07-16 | 2012-12-12 | 北京航空航天大学 | 基于模糊故障诊断和相关性模型诊断的dr合成诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7567878B2 (en) * | 2005-12-07 | 2009-07-28 | Siemens Corporate Research, Inc. | Evaluating anomaly for one class classifiers in machine condition monitoring |
-
2018
- 2018-08-15 CN CN201810930645.3A patent/CN109255431B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286756A (zh) * | 2008-05-29 | 2008-10-15 | 上海交通大学 | 空分多址系统基于最优量化误差码本的方法及装置 |
CN101833054A (zh) * | 2010-04-27 | 2010-09-15 | 北京航空航天大学 | 一种针对测试配置的故障持续诊断能力的评价方法 |
CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
CN102818948A (zh) * | 2012-07-16 | 2012-12-12 | 北京航空航天大学 | 基于模糊故障诊断和相关性模型诊断的dr合成诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109255431A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110352660B (zh) | 一种脱绒棉种活力快速无损检测信息处理方法和装置 | |
US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
Gilanifar et al. | Multi-task logistic low-ranked dirty model for fault detection in power distribution system | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN102663495B (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
CN115673596B (zh) | 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN112883522A (zh) | 一种基于gru循环神经网络的微电网动态等效建模方法 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
CN113487019A (zh) | 电路故障诊断方法、装置、计算机设备和存储介质 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
CN116319378B (zh) | 基于深度学习的网络流量矩阵估计、模型训练方法和系统 | |
CN109255431B (zh) | 一种基于相关性矩阵的感知机网络诊断模型生成方法 | |
CN116502526A (zh) | 基于改进pso-grnn神经网络称重传感器故障诊断方法 | |
CN109948267B (zh) | 基于圆模型参数的线性模拟电路故障诊断方法 | |
CN111210409A (zh) | 一种基于条件生成对抗网络的结构损伤识别方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN103076556A (zh) | 航电组件功能维护测试点选取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |