CN109856969A - 一种基于bp神经网络模型的故障预测方法及预测系统 - Google Patents
一种基于bp神经网络模型的故障预测方法及预测系统 Download PDFInfo
- Publication number
- CN109856969A CN109856969A CN201811311398.5A CN201811311398A CN109856969A CN 109856969 A CN109856969 A CN 109856969A CN 201811311398 A CN201811311398 A CN 201811311398A CN 109856969 A CN109856969 A CN 109856969A
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- state parameter
- network model
- output
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及属于雷达系统故障预测技术领域,具体是涉及一种基于BP神经网络模型的故障预测方法及预测系统。该故障预测方法包括向BP神经网络模型输入收发组件的状态参数的归一化样本数据,计算状态参数的预测值,将所述状态参数的预测值与其参考值作比较分析,输出故障预测结果。采用BP神经网络模型预测数字收发组件的状态参数,能够在已有的样本数据的基础上预测出下一时刻的状态参数值,得出故障预测结果,方便快捷,能够使维修人员根据故障预测结果及时获知数字收发组件的工作状态,为实现组件的预测性维修提供支撑,提高雷达系统的可靠性。
Description
技术领域
本发明涉及属于雷达系统故障预测技术领域,具体是涉及一种基于BP神经网络模型的故障预测方法及预测系统。
背景技术
随着无人机、隐身飞机、弹道导弹、临近空间目标新型威胁目标的探测要求,相控阵和数字化技术在雷达中获得广泛应用。相控阵雷达中系统,数字收发组件的数量多、成本高,是雷达系统最关键部分,其性能的正常与否直接影响到雷达系统性能的发挥。数字收发组件集成了雷达对电磁波信号的发射和接收,具有较高的故障率。
数字收发组件的状态参数发生异常时,维修人员无法及时获取这一信息,进而不能及时检修和维护,导致数字收发组件工作在异常状态下,降低了雷达系统的可靠性。
发明内容
为解决上述技术问题,本发明的目的之一是提供了一种基于BP神经网络模型的数字收发组件故障预测方法。使用该故障预测方法能够在已有的样本数据的基础上,计算状态参数的预测值,得出故障预测结果,使维修人员及时获知数字收发组件的工作状态,为实现组件的预测性维修提供支撑,提高雷达系统的可靠性。
为实现上述目的,本发明采用了以下技术方案:
一种基于BP神经网络模型的数字收发组件故障预测方法,该故障预测方法包括向BP神经网络模型输入收发组件的状态参数的归一化样本数据,计算状态参数的预测值,将所述状态参数的预测值与其参考值作比较分析,输出故障预测结果;
计算状态参数的预测值的步骤如下:
S11,对状态参数的样本数据进行归一化处理:
其中,ai为状态参数的第i个样本数据,n为状态参数的样本数据的总数,max(ai)和min(ai)分别为状态参数的最大值和最小值,xi为归一化的第i个样本数据;
S12,建立BP神经网络模型的拓扑结构,所述网络的拓扑结构包括输入层、隐含层和输出层,向BP神经网络模型的输入层输入归一化的样本数据,计算隐含层的输出值,根据隐含层的输出值,计算输出层所输出的状态参数的预测值。
优选的,S12的具体步骤如下:
S121,计算隐含层的第j个神经元的输出值hj:
S122,计算输出层第k个神经元输出的状态参数的预测值yk:
其中,m为输入层神经元个数,即向输入层输入的归一化的样本数据的数量,m≤n;g为输出层神经元个数,即需要输出的预测值的数量;f为隐含层神经元个数,xi为公式(1)归一化的第i个样本数据作为BP神经网络模型输入层第i个神经元的输入值;wij为BP神经网络模型输入层的第i个神经元与隐含层的第j个神经元之间的权值;wjk为BP神经网络模型隐含层的第j个神经元与输出层的第k个神经元之间的权值;θj为BP神经网络模型隐含层的第j个神经元的阈值;θk为BP神经网络模型输出层的第k个神经元的阈值。
其中,f的计算公式为:
f=log2m (5)
其中,a为调节常数
进一步优选的,S122中的BP神经网络模型的权值wij、wjk和阈值θj和θk通过粒子群优化算法获得,具体步骤如下:
S1221,确定粒子群中的个体粒子的维数D:
D=m×f+f×g+f+g (6)
维数D即为BP神经网络模型的权值和阈值的总数,粒子群包含若干个体粒子。
S1222,初始化粒子群中的个体粒子的速度及位置,在[-10,10]内随机产生个体粒子的初始位置,在[-1,1]内随机产生个体粒子的初始速度。
S1223,以BP神经网络模型的误差函数作为粒子群适应度函数E1:
其中,s为训练样本总数;yi为BP神经网络模型的输出层输出的状态参数的预测值yk中的值,yi的开始值是通过随机产生个体粒子的初始位置赋值给BP神经网络模型而产生的预测值;oi为BP神经网络模型样本数据中的期望输出值。
S224,计算每个个体粒子的适应度函数E1值,比较当前个体粒子的适应度函数E1值与上一代个体粒子的适应度函数E1值,个体粒子的适应度函数E1值小者作为个体极值;比较整个粒子群中当前代的最小适应度函数E1与上一代的最小适应度函数E1,粒子群的最小适应度函数E1小者作为群体极值。
S1225,利用个体极值及群体极值更新粒子的速度及位置,公式如下:
vij(t+1)=w×vij(t)+c1×r1×[qij-bij(t)]+c2×r2×[qgj-bij(t)] (8)
bij(t+1)=bij(t)+vij(t+1) (9)
其中,vij(t+1)和vij(t)分别为粒子的第t+1次迭代粒子i速度的第j维分量和第t次迭代粒子i速度的第j维分量;bij(t+1)和bij(t)分别为粒子的第t+1次迭代i位置的第j维分量和第t次迭代i位置的第j维分量;qij为第i个体粒子的第t代的个体极值对应的第j维位置分量,即个体最优位置;qgj为粒子的第t代的群体极值对应的第j维位置分量,即全局最优位置;c1和c2为加速系数;w为惯性因子;r1和r2为[0,1]之间的随机数。
S1226,将经过迭代更新的位置和速度代入公式(7),计算适应度函数E1值,当适应度函数E1值满足最小训练误差或达到最大迭代次数后,终止训练,此时群体极值对应的粒子即为最优粒子,将最优粒子的位置按照排列顺序赋值给BP神经网络模型的权值wij、阈值θj、权值wjk和阈值θk,作为权值wij、wjk和阈值θj、θk的初始值,否则重复上述步骤S1223-S1225,直至E1值满足最小训练误差或达到最大迭代次数。
进一步优选的,加速系数c1和c2与惯性因子w的更新公式为:
其中,ω0和ω1分别为惯性因子ω的开始值和最终值;c10、c11分别为c1的开始值和最终值;c20、c21分别为c2的开始值和最终值;k1、K分别为迭代次数的当前值和最大值;为第k1次迭代次数后得到的惯性因子;为第k1次迭代次数后得到的加速系数c1;为第k1次迭代次数后得到的加速系数c2。
优选的,通过训练误差E2的反向传播,对BP神经网络模型的权值wij、wjk和阈值θj、θk修正,将修正的权值wij、wjk和阈值θj、θk代入公式(2)和(3)对预测值yk进行修正,得到修正之后的预测值yk′,具体步骤如下:
S51,确定样本训练误差E2:
其中,s为训练样本总数;y′i为权值wij、wjk和阈值θj、θk代入公式(2)和(3)计算的BP神经网络模型输出层的预测值;oi为BP神经网络模型样本数据中的期望输出值。
S52,若样本训练误差E2大于最小训练误差,对权值wij、权值wjk、阈值θj和阈值θk进行修正:
其中w′ij为权值wij修正之后的值,w′jk为权值wjk修正之后的值,θ′k为阈值θk的修正之后的值,θ′j为θj的修正之后的值,为输出层M的局部梯度,为隐含层H的局部梯度,u为常量,f′(xi)为函数在xi处的导数值。
S53,将步骤S52修正之后的权值w′ij、w′jk和修正之后的阈值θ′k、θ′j带入公式(13)计算样本误差E2,当样本误差E2达到最小训练误差或训练次数达到最大训练次数时,终止网络训练,输出修正之后的预测值y′k,将yk′作为最终的预测值,否则,重复步骤S51-S52,直至E2达到最小训练误差或训练次数达到最大训练次数。
优选的,所述状态参数包括温度、工作电压、输出功率和接收通道增益;若满足工作电压的预测值小于其参考值、输出功率的预测值小于其参考值、接收通道增益的预测值小于其参考值和温度的预测值高于其参考值中的任一项,则输出故障预测结果。
本发明的目的之二是提供一种预测系统,该预测系统包括用于采集状态参数的数据采集模块、用于传输状态参数的数据传输模块和监控管理模块,所述数据采集模块通过其通信接口向数据传输模块发送状态参数的数据,所述数据传输模块通过其网络接口向监控管理模块发送状态参数的数据。
优选的,所述数据采集模块包括用于获取收发组件状态参数的温度采集单元和机内测试单元,该状态参数包括温度采集单元获取的温度和机内测试单元获取的工作电压、输出功率和接收通道增益;所述数据传输模块包括FPGA单元和通信单元;所述温度采集单元和机内测试单元的输出端均连接FPGA单元的输入端,所述FPGA单元的输出端连接通信单元的输入端。
进一步优选的,所述监控管理模块为服务器,包括数据处理单元、存储单元和故障预测单元;所述通信单元的输出端连接数据处理单元的输入端,数据处理单元将超出状态参数正常范围的数据剔除,根据不同程度的故障,状态参数的性能变化,构建故障数据库,故障数据库包括样本数据,并将其存放在存储单元中;故障预测单元根据BP神经网络模型对样本数据进行故障预测。
本发明的有益效果如下:
(1)采用BP神经网络模型预测数字收发组件的状态参数,能够在已有的样本数据的基础上预测出下一时刻的状态参数值,得出故障预测结果,方便快捷,能够使维修人员根据故障预测结果及时获知数字收发组件的工作状态,为实现组件的预测性维修提供支撑,提高雷达系统的可靠性。
(2)对样本数据进行归一化处理能够提高BP神经网络模型训练过程的准确度,提高预测结果。
(3)引入粒子群算法,改变了惯性权重和学习因子迭代计算方式。将粒子群算法的全局搜索能力与BP神经网络的局部快速搜索能力相结合,建立粒子群算法优化的BP神经网络预测模型,利用粒子群算法对网络的权值与阈值进行寻优,避免陷入局部最优,能够计算出最优的权值和阈值,提高了收敛速度和预测结果的准确度。
(4)采用经验公式法和试凑法来确定隐含层的神经元个数,能够在在保证训练精度的同时,降低训练时间。
(5)本发明所涉及的数字收发组件故障预测方法是通过数据采集模块实时采集组件运行状态参数,然后通过数据传输模块的通信单元发送至监控管理模块,根据构建的BP神经网络预测模型对采集的状态参数的数据进行预测,得到预测数值,并根据状态参数的预测值对数字收发组件的状态进行判断分析,输出故障预测结果。本发明技术方案能够在故障发生前预测数字收发组件某些潜在故障,以便及时检修和维护,进而降低故障率,提高了雷达系统的可靠性,实现系统的预测性维修,具有广泛的应用前景。
附图说明
图1为本发明的一种基于BP神经网络模型的数字收发组件的数据采集系统结构图。
图2为本发明的BP神经网络模型的结构示意图。
图3为本发明的粒子群优化BP神经网络算法流程图。
图4为本发明的仿真图。
图中标注符号的含义如下:
1-数据采集模块 11-温度采集单元 12-机内测试单元
2-数据传输模块 21-FPGA单元 22-通信单元
3-监控管理模块
具体实施方式
以下结合实施例和说明书附图,对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,一种该预测系统包括用于采集状态参数的数据采集模块1、用于传输状态参数的数据传输模块2和监控管理模块3,所述数据采集模块1通过其通信接口向数据传输模块2发送状态参数的数据,所述数据传输模块2通过其网络接口向监控管理模块3发送数据。
数据采集模块1通过温度采集单元11获取数字组件的内部温度,温度采集单元11为温度传感器;数据采集模块1的机内测试单元12通过分流器获取模拟工作电压,模拟数字转换器将模拟工作电压转换成数字电压。机内测试单元12获取数字收发组件发射通道的输出功率,模拟数字转换器将输出功率转换成数字功率;机内测试单元12获取数字收发组件接收通道的输入功率和输出功率,模拟数字转换器将接收通道输入功率和输出功率转换成数字功率,通过FPGA单元21对接收通道输出功率和输入功率计算,获得接收通道增益。
数据采集模块1通过其通信接口向数据传输模块2发送数据,数据传输模块2的FPGA单元21接收数据采集模块1发生的数据,并将接收的温度数据、工作电压的数据、输出功率的数据和接收通道增益的数据进行打包处理,打包处理之后发送给通信单元22,通信单元22通过网络接口将状态参数的数据发送给监控管理模块3,监控管理模块3采用服务器进行数据处理和存储。
对监控管理模块3存储的数据,根据不同程度的故障和状态性能参数的变化,构建故障数据库,故障数据库中包括样本数据。
实施例2
在实施例1的基础上,将监控管理模块3获取的样本数据输入到基于BP神经网络模型中,计算状态参数的预测值。本实施例以数字收发组件的工作电压为例,计算工作电压的预测值,根据工作电压的预测值预测数字收发组件的潜在故障,该计算状态参数的预测值的步骤如下:
S1,对工作电压这一状态参数的样本数据进行归一化处理
其中,ai为工作电压的第i个样本数据,n为工作电压的样本数据的总数,max(ai)和min(ai)分别为工作电压的最大值和最小值,xi为归一化的第i个样本数据。
S2,建立BP神经网络模型的拓扑结构,包括输入层、隐含层和输出层,输入层m、隐含层f和输出层g之间的关系满足以下公式:
f=log2m (3)
其中,公式(2)和(3)中的f为采用经验公式法和试凑法计算得出的,a为调节常数,本实施例中的a数值区间在[1,10]内,本实施例中输入层m=4,隐含层f=9,输出层g=1。
S3,建立BP神经网络模型的拓扑结构之后,如图2所示,向BP神经网络模型的拓扑结构的输入层输入归一化样本数据xi,根据公式(4)计算出隐含层的工作电压输出值,采用公式(5)计算出输出层的工作电压的预测值。
隐含层第j神经元的工作电压输出值hj:
输出层第k个神经元输出的工作电压预测值yk:
其中,m为输入层神经元个数,即向输入层输入的归一化的样本数据的数量,m≤n;g为输出层神经元个数,即需要输出的预测值的数量;f为隐含层神经元个数,xi为公式(1)归一化的第i个样本数据作为BP神经网络模型输入层第i个神经元的输入值;wij为BP神经网络模型输入层的第i个神经元与隐含层的第j个神经元之间的权值;wjk为BP神经网络模型隐含层的第j个神经元与输出层的第k个神经元之间的权值;θj为BP神经网络模型隐含层的第j个神经元的阈值;θk为输出层的第k个神经元的阈值。
同样采用步骤S1-S3计算状态参数温度、输出功率和接收通道增益的预测值
实施例3
采用粒子群优化的BP神经网络模块计算权值wij、wjk和阈值θj和θk。包括以下步骤:
S1确定粒子群的个体粒子维数D:
D=m×f+f×g+f+g (6)
维数D即为BP神经网络模型的权值和阈值的总数,本实施例的维数D=55。
S2,初始化粒子群算法中的粒子的速度及位置,在一个区间内随机产生粒子的初始速度及初始位置,初始位置即权值和阈值的初始值,本实施例中初始位置为[-10,10]内的随机数,初始速度为[-1,1]内的随机数。
S3,以BP神经网络模型的误差函数作为粒子群适应函数E1:
其中,s为训练样本总数;yi为BP神经网络模型的输出层的预测值,yi的开始值是通过随机产生个体粒子的初始位置赋值给BP神经网络模型而产生的预测值;oi为BP神经网络模型样本数据中的期望输出值。
S4,计算每个个体粒子的适应度函数E1值,比较当前个体粒子的适应度函数E1值与上一代个体粒子的适应度函数E1值,个体粒子的适应度函数E1值小者作为个体极值;比较整个粒子群中当前代的最小适应度函数E1与上一代的最小适应度函数E1,粒子群的最小适应度函数E1小者作为群体极值。
S5,利用个体极值及群体极值更新粒子的速度及位置,公式如下:
vij(t+1)=w×vij(t)+c1×r1×[qij-bij(t)]+c2×r2×[qgj-bij(t)] (8)
bij(t+1)=bij(t)+vij(t+1) (9)
其中,vij(t+1)和vij(t)分别为粒子的第t+1次迭代粒子i速度的第j维分量和第t次迭代粒子i速度的第j维分量;bij(t+1)和bij(t)分别为粒子的第t+1次迭代i位置的第j维分量和第t次迭代i位置的第j维分量;qij为第i个体粒子的第t代的个体极值对应的第j维位置分量,即个体最优位置;qgj为粒子的第t代的群体极值对应的第j维位置分量,即全局最优位置;c1和c2为加速系数;w为惯性因子;r1和r2为[0,1]之间的随机数。
加速系数c1和c2与惯性因子w的更新公式为:
其中,ω0和ω1分别为惯性因子ω的开始值和最终值,本实施例中ω的开始值ω0=0.9,最终值ω1=0.3;c10、c11分别为c1的开始值和最终值;c20、c21分别为c2的开始值和最终值;k1、K分别为迭代次数的当前值和最大值;为第k1次迭代次数后得到的惯性因子;为第k1次迭代次数后得到的加速系数c1;为第k1次迭代次数后得到的加速系数c2。本实施例中c10=2.5,c11=1.25,c20=0.5,c21=2.5;k1、K分别为迭代次数的当前值和最大值,本实施例中K=200。
S6,当适应函数E1值满足最小训练误差或达到最大迭代次数后,终止训练,输出最优粒子,本实施例的最小训练误差为0.001,最大迭代次数为200,终止训练,此时群体极值对应的粒子即为最优粒子,将最优粒子的位置按照排列顺序赋值给BP神经网络模的权值wij、阈值θj、权值wjk和阈值θk,作为权值wij、wjk和阈值θj、θk的初始值,否则重复上述步骤S3-S5。
S7,通过训练误差E2的反向传播,对BP神经网络模型的权值wij、wjk和阈值θj、θk修正,将修正的权值wij、wjk和阈值θj、θk代入公式(4)和(5)对预测值yk进行修正,得到修正之后的预测值y′k,具体步骤如下:
S71,确定样本训练误差E2:
其中,s为训练样本总数;y′i为权值wij、wjk和阈值θj、θk代入公式(4)和(5)计算的BP神经网络模型输出层的预测值;oi为BP神经网络模型样本数据中的期望输出值。
S72,若样本训练误差E2大于最小训练误差,对权值wij、wjk和阈值θj、θk进行修正:
其中w′ij为权值wij修正之后的值,w′jk为权值wjk修正之后的值,θ′k为阈值θk的修正之后的值,θ′j为θj的修正之后的值,为输出层M的局部梯度,为隐含层H的局部梯度,u为常量,f′(xi)为函数在xi处的导数值。
S73,将步骤S72修正之后的权值wij、wjk和修正之后的阈值θj、θk带入公式(13)计算样本误差E2,当样本误差E2达到最小训练误差0.001或训练次数达到最大训练次数200时,终止网络训练,输出修正之后的预测值y′k,否则,重复步骤S71-S72。
实施例4
在实施例1-3的基础上,如图3所示,根据粒子群优化的BP神经网络模型,计算数字收发组件的工作电压、温度、输出功率和瑞接收通道增益这四个状态参数的预测值,并将预测值与设定结果作比较分析,获得数字收发组件的潜在故障。正常温度值是50℃-55℃,正常工作电压值为46V-50V,正常输出功率值为800W-850W,正常接收通道增益参考值为55dB-58dB,设定结果为当温度高于正常值、工作电压低于正常值、输出功率低于正常值和接收通道增益小于正常值时,数字收发组件处于故障状态。
为进一步说明收发组件故障的预测方法,以数字收发组件的工作电压为例进行说明,如表1所示,工作电压的正常范围为+48V±2V,对其进行等间隔采样得到30个原始监测数据。
将表1中的前20个数据作为训练样本,分别采用BP神经网络和粒子群优化的神经网络预测模型对后10个监测数据进行预测,并预测值进行对比分析,得到表2和图4的分析结果。
表3为元件型号。
表1
表2
表3
名称 | 生产厂家和型号 |
温度传感器 | 北京华夏日盛科技LM35 |
分流器 | 安徽昌盛电子FL230A |
运算放大器 | TI公司LM358 |
FPGA处理单元 | 中国电科58所JXCXL100 |
模拟数字转换器 | 苏州云芯微电子YA14D250 |
FPGA处理单元21 | Altera公司EP2SGX90FF1508I4 |
Claims (9)
1.一种基于BP神经网络模型的数字收发组件故障预测方法,其特征在于:该故障预测方法包括向BP神经网络模型输入收发组件的状态参数的归一化样本数据,计算状态参数的预测值,将所述状态参数的预测值与其参考值作比较分析,输出故障预测结果;
计算状态参数的预测值的步骤如下:
S11,对状态参数的样本数据进行归一化处理:
其中,ai为状态参数的第i个样本数据,n为状态参数的样本数据的总数,max(ai)和min(ai)分别为状态参数的最大值和最小值,xi为状态参数的归一化的第i个样本数据;
S12,建立BP神经网络模型的拓扑结构,所述拓扑结构包括输入层、隐含层和输出层,向所述BP神经网络模型的输入层输入状态参数的归一化样本数据,计算隐含层的输出值,根据隐含层的输出值,计算输出层所输出的状态参数的预测值。
2.如权利要求1所述的数字收发组件故障预测方法,其特征在于:S12的具体步骤如下:
S121,计算隐含层的第j个神经元的输出值hj:
S122,计算输出层第k个神经元输出的状态参数的预测值yk:
其中,m为输入层神经元个数,即向输入层输入的归一化的样本数据的数量,m≤n;g为输出层神经元个数,即需要输出的预测值的数量;f为隐含层神经元个数;xi为公式(1)中的状态参数归一化的第i个样本数据,其作为BP神经网络模型输入层第i个神经元的输入值;wij为BP神经网络模型输入层的第i个神经元与隐含层的第j个神经元之间的权值;wjk为BP神经网络模型隐含层的第j个神经元与输出层的第k个神经元之间的权值;θj为BP神经网络模型隐含层的第j个神经元的阈值;θk为BP神经网络模型输出层的第k个神经元的阈值;
其中,f的计算公式为:
f=log2m (5)
其中,a为调节常数。
3.如权利要求2所述的数字收发组件故障预测方法,其特征在于:S122中的BP神经网络模型的权值wij、wjk和阈值θj和θk通过粒子群优化算法获得,具体步骤如下:
S1221,确定粒子群中的个体粒子的维数D:
D=m×f+f×g+f+g (6)
维数D即为BP神经网络模型的权值和阈值的总数,粒子群包含若干个体粒子;
S1222,初始化粒子群中的个体粒子的速度及位置,在[-10,10]内随机产生个体粒子的初始位置,在[-1,1]内随机产生个体粒子的初始速度;
S1223,以BP神经网络模型的误差函数作为粒子群适应度函数E1:
其中,s为训练样本总数;yi为BP神经网络模型的输出层输出的状态参数的预测值yk中的值,yi的开始值是通过随机产生个体粒子的初始位置赋值给BP神经网络模型而产生的预测值;oi为BP神经网络模型样本数据中的期望输出值;
S1224,计算每个个体粒子的适应度函数E1值,比较当前个体粒子的适应度函数E1值与上一代个体粒子的适应度函数E1值,个体粒子的适应度函数E1值小者作为个体极值;比较整个粒子群中当前代的最小适应度函数E1与上一代的最小适应度函数E1,粒子群的最小适应度函数E1小者作为群体极值;
S1225,利用个体极值及群体极值更新粒子的速度及位置,公式如下:
vij(t+1)=w×vij(t)+c1×r1×[qij-bij(t)]+c2×r2×[qgj-bij(t)] (8)
bij(t+1)=bij(t)+vij(t+1) (9)
其中,vij(t+1)和vij(t)分别为粒子的第t+1次迭代粒子i速度的第j维分量和第t次迭代粒子i速度的第j维分量;bij(t+1)和bij(t)分别为粒子的第t+1次迭代i位置的第j维分量和第t次迭代i位置的第j维分量;qij为第i个体粒子的第t代的个体极值对应的第j维位置分量,即个体最优位置;qgj为粒子的第t代的群体极值对应的第j维位置分量,即全局最优位置;c1和c2为加速系数;w为惯性因子;r1和r2为[0,1]之间的随机数;
S1226,将经过迭代更新的位置和速度代入公式(7),计算适应度函数E1值,当适应度函数E1值满足最小训练误差或达到最大迭代次数后,终止训练,此时群体极值对应的粒子即为最优粒子;将最优粒子的位置按照排列顺序赋值给BP神经网络模型的权值wij、阈值θj、权值wjk和阈值θk,作为权值wij、wjk和阈值θj、θk的初始值,否则重复上述步骤S1223-S1225,直至满足最小训练误差或达到最大迭代次数。
4.如权利要求3所述的数字收发组件故障预测方法,其特征在于:加速系数c1和c2与惯性因子w的更新公式为:
其中,ω0和ω1分别为惯性因子ω的开始值和最终值;c10、c11分别为c1的开始值和最终值;c20、c21分别为c2的开始值和最终值;k1、K分别为迭代次数的当前值和最大值;为第k1次迭代次数后得到的惯性因子;为第k1次迭代次数后得到的加速系数c1;为第k1次迭代次数后得到的加速系数c2。
5.如权利要求4所述的数字收发组件故障预测方法,其特征在于:通过训练误差E2的反向传播,对BP神经网络模型的权值wij、wjk和阈值θj、θk进行修正,将修正的权值wij、wjk和阈值θj、θk代入公式(2)和(3)对预测值yk进行修正,得到修正之后的预测值y′k,具体步骤如下:
S51,确定样本训练误差E2:
其中,s为训练样本总数;y′i为权值wij、wjk和阈值θj、θk代入公式(2)和(3)计算的BP神经网络模型输出层的预测值;oi为BP神经网络模型样本数据中的期望输出值;
S52,若样本训练误差E2大于最小训练误差,则对权值wij、wjk和阈值θj、θk进行修正:
其中w′ij为权值wij修正之后的值;w′jk为权值wjk修正之后的值;θ′k为阈值θk的修正之后的值;θ′j为θj的修正之后的值;为输出层M的局部梯度;为隐含层H的局部梯度;u为常量;f′(xi)为函数在xi处的导数值;
S53,将步骤S52修正之后的权值w′ij、w′jk和修正之后的阈值θ′k、θ′j带入公式(13)计算样本误差E2,当样本误差E2达到最小训练误差或训练次数达到最大训练次数时,终止网络训练,输出修正之后的预测值y′k,将y′k作为最终的预测值,否则,重复步骤S51-S52,直至样本误差E2达到最小训练误差或训练次数达到最大训练次数。
6.如权利要求1-5任一项所述的数字收发组件故障预测方法,其特征在于:所述状态参数包括温度、工作电压、输出功率和接收通道增益;若满足工作电压的预测值小于其参考值、输出功率的预测值小于其参考值、接收通道增益的预测值小于其参考值和温度的预测值高于其参考值中的任一项,则输出故障预测结果。
7.一种如权利要求1-5任一项所述的采用数字收发组件故障预测方法的预测系统,其特征在于:该预测系统包括用于采集状态参数的数据采集模块(1)、用于传输状态参数的数据传输模块(2)和监控管理模块(3);所述数据采集模块(1)通过其通信接口向数据传输模块(2)发送状态参数的数据,所述数据传输模块(2)通过其网络接口向监控管理模块(3)发送状态参数。
8.如权利要求7所述的预测系统,其特征在于:所述数据采集模块(1)包括用于获取收发组件状态参数的温度采集单元(11)和机内测试单元(12),该状态参数包括温度采集单元(11)获取的温度和机内测试单元(12)获取的工作电压、输出功率和接收通道增益;所述数据传输模块(2)包括FPGA单元(21)和通信单元(22);所述温度采集单元(11)和机内测试单元(12)的输出端均连接FPGA单元(21)的输入端,所述FPGA单元(21)的输出端连接通信单元(22)的输入端。
9.如权利要求8所述的预测系统,其特征在于:所述监控管理模块(3)为服务器,包括数据处理单元、存储单元和故障预测单元;所述通信单元(22)的输出端连接数据处理单元的输入端,数据处理单元将超出状态参数正常范围的数据剔除,根据不同程度的故障和状态参数的性能变化,构建故障数据库,故障数据库包括样本数据,并将其存放在存储单元中;故障预测单元根据BP神经网络模型对样本数据进行故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811311398.5A CN109856969B (zh) | 2018-11-06 | 2018-11-06 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811311398.5A CN109856969B (zh) | 2018-11-06 | 2018-11-06 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109856969A true CN109856969A (zh) | 2019-06-07 |
CN109856969B CN109856969B (zh) | 2023-10-03 |
Family
ID=66889904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811311398.5A Active CN109856969B (zh) | 2018-11-06 | 2018-11-06 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856969B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673642A (zh) * | 2019-10-28 | 2020-01-10 | 深圳市赛为智能股份有限公司 | 无人机着陆控制方法、装置、计算机设备及存储介质 |
CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
CN111339072A (zh) * | 2020-02-23 | 2020-06-26 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
CN111367972A (zh) * | 2020-02-03 | 2020-07-03 | 重庆特斯联智慧科技股份有限公司 | 一种基于人工智能的社区排水管道探查方法和系统 |
CN111476370A (zh) * | 2020-05-22 | 2020-07-31 | 内蒙古工业大学 | 草地二氧化碳通量预测方法及装置 |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN111985725A (zh) * | 2020-08-30 | 2020-11-24 | 浙江工业大学 | 一种基于改进bp神经网络的离心泵性能参数预测方法 |
CN112762934A (zh) * | 2020-12-14 | 2021-05-07 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
CN112836867A (zh) * | 2021-01-21 | 2021-05-25 | 上海电机学院 | 一种海上风力发电机组制动闸磨损量的检测方法及系统 |
CN113419226A (zh) * | 2021-08-24 | 2021-09-21 | 四川锦美环保股份有限公司 | 一种雷达故障检修系统 |
CN113780517A (zh) * | 2021-08-10 | 2021-12-10 | 北京自动化控制设备研究所 | 一种数据驱动的卫星接收机故障预测方法 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113935858A (zh) * | 2021-11-05 | 2022-01-14 | 国家电网有限公司信息通信分公司 | 一种基于神经网络的电力通信设备状态检修的预测方法 |
CN117724446A (zh) * | 2023-12-14 | 2024-03-19 | 广州智业节能科技有限公司 | 一种预警监控系统、方法及装置 |
CN117763977A (zh) * | 2024-02-22 | 2024-03-26 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
CN117763977B (zh) * | 2024-02-22 | 2024-05-10 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5719955A (en) * | 1990-06-14 | 1998-02-17 | Canon Kabushiki Kaisha | Data processing using neural networks having conversion tables in an intermediate layer |
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN202339410U (zh) * | 2011-11-25 | 2012-07-18 | 中国人民解放军63696部队 | 一种基于bp神经网络的雷达故障诊断系统 |
CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
CN104715282A (zh) * | 2015-02-13 | 2015-06-17 | 浙江工业大学 | 一种基于改进pso-bp神经网络的数据预测方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN106991493A (zh) * | 2017-03-17 | 2017-07-28 | 浙江工商大学 | 基于灰色神经网络组合模型的污水处理出水参数预测方法 |
US20170249955A1 (en) * | 2014-05-06 | 2017-08-31 | State Grid Jiangsu Electric Power Company Nanjing Power Supply Company | A transformer noise suppression method |
CN107220758A (zh) * | 2017-05-22 | 2017-09-29 | 国家电网公司 | 一种电网规划辅助系统 |
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
-
2018
- 2018-11-06 CN CN201811311398.5A patent/CN109856969B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5719955A (en) * | 1990-06-14 | 1998-02-17 | Canon Kabushiki Kaisha | Data processing using neural networks having conversion tables in an intermediate layer |
CN101826852A (zh) * | 2010-03-11 | 2010-09-08 | 哈尔滨工程大学 | 基于粒子群优化算法的无迹粒子滤波方法 |
CN202339410U (zh) * | 2011-11-25 | 2012-07-18 | 中国人民解放军63696部队 | 一种基于bp神经网络的雷达故障诊断系统 |
CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
US20170249955A1 (en) * | 2014-05-06 | 2017-08-31 | State Grid Jiangsu Electric Power Company Nanjing Power Supply Company | A transformer noise suppression method |
CN104715282A (zh) * | 2015-02-13 | 2015-06-17 | 浙江工业大学 | 一种基于改进pso-bp神经网络的数据预测方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN106991493A (zh) * | 2017-03-17 | 2017-07-28 | 浙江工商大学 | 基于灰色神经网络组合模型的污水处理出水参数预测方法 |
CN107220758A (zh) * | 2017-05-22 | 2017-09-29 | 国家电网公司 | 一种电网规划辅助系统 |
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
Non-Patent Citations (10)
Title |
---|
A.F. ATIYA: "New results on recurrent network training: unifying the algorithms and accelerating convergence", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》, vol. 11, no. 3, pages 697 - 707, XP011039464 * |
刘健: "机载雷达故障预测和健康管理技术研究", 《电脑知识与技术》 * |
刘健: "机载雷达故障预测和健康管理技术研究", 《电脑知识与技术》, no. 15, 31 May 2017 (2017-05-31), pages 190 - 191 * |
栗志鹏: "粒子群算法改进及在网络态势预测的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 140 - 211 * |
肖治平: "遗传BP网络在机载雷达故障诊断中的应用研究", 《计算机测量与控制》 * |
肖治平: "遗传BP网络在机载雷达故障诊断中的应用研究", 《计算机测量与控制》, 31 January 2011 (2011-01-31), pages 14 - 16 * |
艾延廷: "《普通高等教育"十三五"规划教材 航空发动机状态监测与故障诊断技术》", 31 July 2017, 北京理工大学出版社, pages: 89 - 96 * |
范爱锋: "神经网络在雷达装备故障趋势预测中的应用", 《火力与指挥控制》 * |
范爱锋: "神经网络在雷达装备故障趋势预测中的应用", 《火力与指挥控制》, vol. 36, no. 10, 31 October 2011 (2011-10-31), pages 180 - 181 * |
谢蓉: "《先进控制理论及应用导论》", 31 August 2015, 西北工业大学出版社, pages: 195 - 198 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736968B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
CN110673642A (zh) * | 2019-10-28 | 2020-01-10 | 深圳市赛为智能股份有限公司 | 无人机着陆控制方法、装置、计算机设备及存储介质 |
CN110673642B (zh) * | 2019-10-28 | 2022-10-28 | 深圳市赛为智能股份有限公司 | 无人机着陆控制方法、装置、计算机设备及存储介质 |
CN111367972A (zh) * | 2020-02-03 | 2020-07-03 | 重庆特斯联智慧科技股份有限公司 | 一种基于人工智能的社区排水管道探查方法和系统 |
CN111339072B (zh) * | 2020-02-23 | 2023-09-15 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
CN111339072A (zh) * | 2020-02-23 | 2020-06-26 | 中国平安财产保险股份有限公司 | 基于用户行为的变化值分析方法、装置、电子设备及介质 |
CN111476370A (zh) * | 2020-05-22 | 2020-07-31 | 内蒙古工业大学 | 草地二氧化碳通量预测方法及装置 |
CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
CN111985725A (zh) * | 2020-08-30 | 2020-11-24 | 浙江工业大学 | 一种基于改进bp神经网络的离心泵性能参数预测方法 |
CN112762934A (zh) * | 2020-12-14 | 2021-05-07 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
CN112762934B (zh) * | 2020-12-14 | 2023-12-22 | 浙江理工大学 | 下肢运动方向预测装置和方法 |
CN112836867A (zh) * | 2021-01-21 | 2021-05-25 | 上海电机学院 | 一种海上风力发电机组制动闸磨损量的检测方法及系统 |
CN113780517A (zh) * | 2021-08-10 | 2021-12-10 | 北京自动化控制设备研究所 | 一种数据驱动的卫星接收机故障预测方法 |
CN113419226A (zh) * | 2021-08-24 | 2021-09-21 | 四川锦美环保股份有限公司 | 一种雷达故障检修系统 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113837479B (zh) * | 2021-09-28 | 2024-03-15 | 江苏湛德医疗用品有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113935858A (zh) * | 2021-11-05 | 2022-01-14 | 国家电网有限公司信息通信分公司 | 一种基于神经网络的电力通信设备状态检修的预测方法 |
CN117724446A (zh) * | 2023-12-14 | 2024-03-19 | 广州智业节能科技有限公司 | 一种预警监控系统、方法及装置 |
CN117763977A (zh) * | 2024-02-22 | 2024-03-26 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
CN117763977B (zh) * | 2024-02-22 | 2024-05-10 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109856969B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856969A (zh) | 一种基于bp神经网络模型的故障预测方法及预测系统 | |
CN110765700A (zh) | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 | |
CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及系统 | |
CN110007652A (zh) | 一种水电机组劣化趋势区间预测方法与系统 | |
CN109141847A (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN108053052B (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
CN110232240A (zh) | 一种改进的变压器顶层油温预测方法 | |
CN104616078A (zh) | 基于Spiking神经网络的光伏系统发电功率预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN107153845A (zh) | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏系统发电功率预测方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN110135623A (zh) | 基于层次聚类和神经网络的负荷预测输入特征筛选方法 | |
CN108549907A (zh) | 一种基于多源迁移学习的数据校验方法 | |
CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN109978236A (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
Liang et al. | A novel modified sparrow search algorithm based on adaptive weight and improved boundary constraints | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 | |
CN110363232A (zh) | 基于bp神经网络的毫米波探测器干扰效果评估方法 | |
Li et al. | Residential Photovoltaic Power Forecasting Considering Division of Weather Type Index Interval | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 |
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 |