CN111814108B - 一种基于自组织神经网络的连接型间歇故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于自组织神经网络的连接型间歇故障诊断方法，该方法包括：步骤1、提取全要素特征参数；所述的全要素特征参数包括测试信号特征参数和外部环境特征参数；步骤2、模型学习训练；所述的学习训练过程为：初始化、归一化处理、计算欧式距离、确定最小距离、调整连接权和更新学习速率和邻域；步骤3、故障诊断；通过对正常态、间歇态、故障态的样本进行学习训练，得到多种分类结果的神经网络权重矢量；通过对标准样本的状态的严重程度的计算，对分类后的结果进行状态标记；将测试的样本输入到模型中，通过SOFM神经网络诊断的类别，得到测试样本的状态，从而得到测试样本的间歇故障诊断结果。

Description

一种基于自组织神经网络的连接型间歇故障诊断方法

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于自组织神经网络的连接型间歇故障诊断方法。

背景技术

一般将间歇故障细分为三种类型,工程型(engineering)、测试无效型(testvoid)和连接型(connection)，在设备寿命的晚期(交付使用的后期)，连接型间歇故障开始大量涌现，主要原因是设备在使用中，受到的外部温度和振动应力的影响随时间推移越来越大，导致设备中连接型部分更容易出现接触不良或者焊点破裂的情况。间歇故障在设备使用中出现后，做地面检测时不一定能复现，主要的原因有两个，第一个是此种间歇性故障通常需要施加一定应力条件才能检测到；第二个是即使施加一定的应力条件，间歇性故障仍然是一个随机出现的故障。电子设备连接型间歇故障主要包括接触不良和焊点破裂等2类，现有技术中对间歇故障的测试还缺乏有效手段，主要的研究方法是采用隐马尔科夫(HMM)模型建模方法，存在以下缺点：

1、隐马尔科夫(HMM)模型主要基于统计和概率转移矩阵的方式，是对随机过程的发生的统计描述，无法体现间歇故障特征，不具备适应能力；

2、间歇故障的产生与外界环境有明显的关系，隐马尔科夫(HMM)模型无法反应外界环境，如应力条件、温度等，因而模型不能够广泛使用。

发明内容

为解决上述问题，本发明提出了一种基于自组织SOFM(self-organizing FeatureMap)神经网络的连接型间歇故障诊断方法，该方法包括以下步骤：

步骤1、提取全要素特征参数；所述的全要素特征参数包括测试信号特征参数和外部环境特征参数；

步骤2、模型学习训练；所述的学习训练过程为：初始化、归一化处理、计算欧式距离、确定最小距离、调整连接权和更新学习速率和邻域；

步骤3、故障诊断；通过对正常态、间歇态、故障态的样本进行学习训练，得到多种分类结果的神经网络权重矢量；通过对标准样本的状态的严重程度的计算，对分类后的结果进行状态标记；将测试的样本输入到模型中，通过SOFM神经网络诊断的类别，得到测试样本的状态，从而得到测试样本的间歇故障诊断结果。

所述测试信号特征参数包括：信号中断总时间T、信号中断最大幅度F、信号中断幅度0-20％的时间T1、信号中断幅度20％-40％的时间T2、信号中断幅度40％-60％的时间T3、信号中断幅度60％-80％的时间T4和信号中断幅度80％-100％的时间T5；所述的外部环境特征参数包括：温度条件W、振动条件Z和应力作用时间Ty。

本发明有益效果如下：

本发明可以更加准确的反应间歇故障与外界应力的关系，提升间歇故障诊断的准确性和适应性，提高间歇故障的故障检测能力。

附图说明

图1是本发明实施例中一种全要素特征的神经网络诊断架构图；

图2是本发明实施例中一种自组织神经网络的权重向量图；

图3是本发明实施例中一种自组织神经网络2×3类输出图；

图4是本发明实施例中一种自组织神经网络3×4类输出图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

如图1所示，全要素特征参数提取，包括测试信号特征参数和外部环境特征参数；所述的测试信号特征参数包括：信号中断总时间T、信号中断最大幅度F、信号中断幅度0-20％的时间T1、信号中断幅度20％-40％的时间T2、信号中断幅度40％-60％的时间T3、信号中断幅度60％-80％的时间T4和信号中断幅度80％-100％的时间T5；所述的外界环境特征参数包括：温度条件W、振动条件Z和应力作用时间Ty。

所述的要素提取的具体过程为:对于输入模式X，首先确定中心神经元MC，满足||X-MC||＝min{||xi-Mi||}，然后对以MC为中心的周围的神经元的权向量按下式进行调整，

其中Ng表示由以MC为中心的周围神经元组成的领域，在学习中，Ng(k)的初始值可选大一些，然后逐步收缩，通常学习系数a(k)在初始时可取接近于1.0的常数，然后逐渐变小。

设网络的输入模式为竞争层神经元矢量为A_j＝(a_j1，a_j2，…，a_jm，j＝1，2，…，m)，其中，P_k为连接值，A_j为数字量，竞争层神经元j与输入层神经元之间的连接权矢量为

W_j＝(w_j1，w_j2，…w_jN)，i＝1，2，…，N；j＝1，2，…，M；

所述的学习训练过程为：

(1)初始化；将网络的连接权{W_ij}赋予[0，1]区间内的随机值，i＝12，…，N；j＝1，2，…，M；确定学习速率η(0)的初始值η(0)，(0＜η(0)＜1)；确定邻域Ng(t)的初始值Ng(0)；邻域Ng(t)是指步骤(4)确定的获胜神经元g为中心，且包含若干神经元的区域范围；这个区域一般是均匀对称的，最典型的是正方形或圆形区域；Ng(t)的值表示在第t次学习过程中邻域中所包含的神经元的个数；确定总的学习次数T；

(2)任选q个学习模式中的一个模式P_k提供网络的输入层，并进行归一化处理；

(3)对连接权矢量W_j＝(w_j1，w_j2，…，w_jN)进行归一化处理，计算与/>之间的欧氏距离：/>

(4)找出最小距离dg，确定获胜神经元g；

(5)进行连接权的调整；对竞争层邻域Ng(t)内的所有神经元与输入层神经元之间的连接权进行修正；

其中η(t)为t时刻的学习速率；

(6)选取另一个学习模式提供给网络的输入层，返回步骤(3)，直至q个学习模式全部提供给网络；

(7)更新学习速率η(t)及邻域Ng(t)；

其中η(0)为初始速率，t为学习次数，T为总的学习次数；

设竞争层某神经元g在二维阵列中的坐标值为(xg，yg)，则邻域的范围是以点(xg+Ng(t)，yg+Ng(t))和点(xg-Ng(t)，yg-Ng(t))为右三角和左下角的正方形，其修正公式为：

式中INT[x]为取整数符号，Ng(0)为Ng(t)的初始值；

(8)令t＝t+1，返回步骤(2)，直至t＝T为止。

所述的故障诊断，为SOFM通过对正常态、间歇态、故障态的样本进行学习训练，得到多种分类结果的神经网络权重矢量，这些权重矢量和分类的数据反映出样本的统计特性；通过对标准样本的状态的严重程度的计算，对分类后的结果进行状态标记。将测试的样本输入到模型中，通过SOFM神经网络诊断的类别，得到测试样本的状态，从而得到测试样本的间歇故障诊断结果。

按照SOFM网络的学习规则，将训练样本故障集中的每条记录作为一个输入模式，分别映射到一维处理单元上，然后定义一维网络邻域矩阵和初始权值矩阵，最后开始训练网络。经网络训练后，以输出为2×3类为例,其训练后的特征矢量图如图2所示。

在完成样本训练后，输入待诊断的试验样本，通过SOFM网络进行诊断，6类输出和12类输出的结果分别如图3所示。图3中，输入的试验样本同神经网络诊断为2×3类，按照ZB的状态将其分为了3类，包括正常状态、间歇状态和永久故障状态。

图4中，输入的试验样本同神经网络诊断为3×4类，按照ZB的状态将其分为了5类，包括正常状态、正常向间歇渐变状态、间歇状态、间歇向永久故障渐变状态和永久故障状态。

通过比较这两种分类输出，可以看出分类数量的增加可以一定程度上反映出ZB的间歇状态的严重程度，很好的模拟了间歇故障的渐变特性，通过对其的深入研究，能够对间歇故障的状态评估和预测提供支撑。

上述实施例仅是本发明的典型应用方式，并非用于局限本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于自组织神经网络的连接型间歇故障诊断方法，其特征在于，所述方法包括以下步骤：

步骤1、提取全要素特征参数；所述的全要素特征参数包括测试信号特征参数和外部环境特征参数；

步骤2、模型学习训练；所述的学习训练过程为：初始化、归一化处理、计算欧式距离、确定最小距离、调整连接权和更新学习速率和邻域；

步骤3、故障诊断；通过对正常态、间歇态、故障态的样本进行学习训练，得到多种分类结果的神经网络权重矢量；通过对标准样本的状态的严重程度的计算，对分类后的结果进行状态标记；将测试的样本输入到模型中，通过SOFM神经网络诊断的类别，得到测试样本的状态，从而得到测试样本的间歇故障诊断结果；

所述测试信号特征参数包括：信号中断总时间T、信号中断最大幅度F、信号中断幅度0-20％的时间T1、信号中断幅度20％-40％的时间T2、信号中断幅度40％-60％的时间T3、信号中断幅度60％-80％的时间T4和信号中断幅度80％-100％的时间T5；所述的外部环境特征参数包括：温度条件W、振动条件Z和应力作用时间Ty。