CN112288153A - 小脑模型神经网络故障诊断器初值权重的自动选优方法 - Google Patents

小脑模型神经网络故障诊断器初值权重的自动选优方法 Download PDF

Info

Publication number
CN112288153A
CN112288153A CN202011141953.1A CN202011141953A CN112288153A CN 112288153 A CN112288153 A CN 112288153A CN 202011141953 A CN202011141953 A CN 202011141953A CN 112288153 A CN112288153 A CN 112288153A
Authority
CN
China
Prior art keywords
neural network
initial
diagnoser
fault
weight
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
Application number
CN202011141953.1A
Other languages
English (en)
Other versions
CN112288153B (zh
Inventor
林琼斌
毛政华
蔡逢煌
王武
柴琴琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202011141953.1A priority Critical patent/CN112288153B/zh
Publication of CN112288153A publication Critical patent/CN112288153A/zh
Application granted granted Critical
Publication of CN112288153B publication Critical patent/CN112288153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明涉及一种小脑模型神经网络故障诊断器初值权重的自动选优方法。该方法包括：S1、根据需要解决的问题初始化神经网络参数；S2、设置遗传算法参数，得到初始种群；S3、根据计算得到的个体适应度进行选择、交叉、变异和计算；S4、重构神经网络并对其进一步训练；S5、测试神经网络，得到最优神经网络诊断器。本发明在模糊小脑模型神经网络的初值权重选择中引入遗传算法，不仅适用于优化小脑模型神经网络权值层的权值，而且优化了关联存储空间激活函数的中心位置和宽度。可以有效降低人工选择初值参数的盲目性和时间成本，进一步提高神经网络诊断的智能性。

Description

小脑模型神经网络故障诊断器初值权重的自动选优方法
技术领域
本发明涉及电力电子技术领域，具体涉及一种小脑模型神经网络故障诊断器初值权重的自动选优方法。
背景技术
随着新能源发电、绿色智慧用电的大力发展，电力电子变换器越来越多的应用于智慧电网中，并成为能源变换的关键所在。作为能源转换的核心，电力电子变换器发生故障可能会导致整个系统的故障甚至瘫痪，造成严重的损失。因此，深入的研究变换器电路故障诊断方法，借助智能诊断技术，预知故障风险，实现准确、快速、智能诊断电力电子变换器的故障类型，定位故障，提前更换故障元器件，保证系统运行的可靠性与稳定性就显得尤为重要。本发明利用遗传算法对模糊小脑模型神经网络的初始参数进行优化，不仅适用于优化小脑模型神经网络权值层的权值，而且优化了关联存储空间激活函数的中心位置和宽度。能有效降低人工选择初始参数的盲目性和时间成本，提高诊断的智能性。
发明内容
本发明的目的在于提供一种小脑模型神经网络故障诊断器初值权重的自动选优方法，将遗传算法引入模糊小脑模型的初始权值，能够有效降低人工选择初始参数的盲目性和时间成本，进一步提高神经网络诊断的智能性，从而更加准确、可靠的诊断变换器出现的故障。
为实现上述目的，本发明的技术方案是：一种小脑模型神经网络故障诊断器初值权重的自动选优方法，包括如下步骤：
步骤S1、根据需要解决的问题，对神经网络的参数进行初始化；
步骤S2、设置遗传算法参数，得到初始种群，并构造神经网络前向通道；
步骤S3、根据个体适应度进行选择、交叉、变异和计算；
步骤S4、重建神经网络，对神经网络进行进一步训练；
步骤S5、对神经网络进行测试，得到故障诊断最优神经网络诊断器。
在本发明一实施例中，所述步骤S1具体实现如下：
步骤S11、根据变换器故障诊断问题确定网络的输入输出维数；
步骤S12、根据需要确定整个神经网络的权值个数。
在本发明一实施例中，所述步骤S2具体实现如下：
步骤S21、确定种群中个体的长度，每个个体需要包含神经网络的所有权值；
步骤S22、对每个个体进行实数编码，得到初始种群，设置优化目标；
步骤S23、对神经网络初始权值和阈值进行编码；
步骤S24、构造神经网络的前向计算通道。
在本发明一实施例中，所述步骤S3具体实现如下：
步骤S31、将训练样本送入神经网络进行正向计算，得到每个个体的适应度；
步骤S32、根据个体适应度在一个周期内进行适应度的选择、交叉、变异和计算，直至达到进化代数；
步骤S33、得到遗传算法能覆盖的权空间中目标函数的最小权值，并将其作为神经网络的初始权值。
在本发明一实施例中，所述步骤S4具体实现如下：
步骤S41、利用遗传算法得到的初始权值重建神经网络；
步骤S42、利用训练样本对重建后的神经网络进行进一步训练。
在本发明一实施例中，该方法得到经遗传算法优化初始参数和反向参数调整的模糊小脑模型神经网络故障诊断器。
在本发明一实施例中，所述模糊小脑模型神经网络故障诊断器是一种基于高斯模糊函数的模糊神经网络，包含多个层，每个层有多个块，它将同时为不同的层激活不同的模糊集，并为不同输入激活不同的块。
在本发明一实施例中，所述遗传算法优化初始参数，首先在给定区域初始化网络权值，根据神经网络权值的个数设置遗传算法的种群规模，然后根据优胜劣汰的进化原理，以最小网络误差函数作为进化标准。
在本发明一实施例中，该方法应用于双buck型DC-AC逆变器故障在线诊断问题。
相较于现有技术，本发明具有以下有益效果：本发明有效地降低模糊小脑模型神经网络中人工选择初始参数的盲目性和时间成本，经过优化初始参数的神经网络在训练中能更快地找到最优权值，由此进一步提高神经网络诊断的智能性，从而更加准确、可靠的诊断变换器出现的故障。
附图说明
图1为本发明实施例中基于遗传优化的模糊小脑模型神经网络诊断器结构图；
图2为本发明实施例中遗传算法优化神经网络初始权值的流程示意图；
图3为本发明实施例的仿真电路图；
图4为本发明实施例的故障特征提取流程图；
图5为基于BPNN算法的测试集故障诊断结果；
图6为基于FCMNN算法的测试集故障诊断结果；
图7为GA-BPNN算法优化过程中适应度变化；
图8为基于GA-BPNN算法的测试集故障诊断结果；
图9为GA-FCMNN算法优化过程中适应度变化；
图10为本发明实施例提出的基于GA-FCMNN的测试集故障诊断结果.
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属本发明保护的范围。
请参照图2，本发明提供一种基于遗传算法与模糊小脑模型神经网络的变换器故障诊断方法，包括以下步骤：
步骤S1：根据需要解决的问题，对神经网络的参数进行初始化。
步骤S2：设置遗传算法参数，得到初始种群，并构造神经网络前向通道。
步骤S3：根据个体适应度进行选择、交叉、变异和计算。
步骤S4：重建神经网络，对神经网络进行进一步训练。
步骤S5：对神经网络进行测试，得到故障诊断最优神经网络诊断器。
如图1所示，本实施例中，所述步骤S1具体为：
步骤S11：根据变换器故障诊断问题确定网络的输入输出维数
步骤S12：根据需要确定整个网络的权值个数。
在本实施例中，所述步骤S2具体为：
步骤S21：确定种群中个体的长度，每个个体需要包含网络的所有权值。
步骤S22：对每个个体进行实数编码，得到初始种群，设置优化目标。
步骤S23：对神经网络初始权值和阈值进行编码。
步骤S24：构造神经网络的前向计算通道。
在本实施例中，所述步骤S3具体为:
步骤S31：将训练样本送入神经网络进行正向计算，得到每个个体的适应度。
步骤S32：根据个体适应度在一个周期内进行适应度的选择、交叉、变异和计算，直至达到进化代数。
步骤S33：得到遗传算法能覆盖的权空间中目标函数的最小权值，并将其作为神经网络的初始权值。
在本实施例中，所述步骤S4具体为:
步骤S41：利用遗传算法得到的初始权值重建神经网络。
步骤S42：利用训练样本对神经网络进行进一步训练。
如图1所示，在本实施例中，所述的模糊小脑模型神经网络诊断器每个空间的输入数据是故障诊断问题中的故障特征。
在本实施例中，所述的模糊小脑模型神经网络诊断器每个块的的关联存储空间基函数为：
Figure BDA0002737503430000041
所述的模糊小脑模型神经网络诊断器通过多次输入，得到第j层第K块的接收场函数为：
Figure BDA0002737503430000042
所述的模糊小脑模型神经网络诊断器权值存储空间记为：
Figure BDA0002737503430000043
式中ωjko是与第j层的第k个块相关联的j-th输出之间的输出权重。
所述的模糊小脑模型神经网络的o-th输出表示为
Figure BDA0002737503430000044
yo＝1/[1+exp(-co)]
遗传算法优化初始权重首先要在给定区域初始化网络权值：αmin和αmax，并根据神经网络权值的个数设置遗传算法得种群规模N。然后根据优胜劣汰的进化原理，以最小网络误差函数作为进化标准。
最小网络误差函数表示为：
Figure BDA0002737503430000045
式中no是诊断器的输出数，tj和yj表示的是模糊小脑模型神经网络期望输出和实际输出。
在本实例中，模糊小脑模型神经网络的参数调整基于梯度下降算法，以最小化以下误差函数:
Figure BDA0002737503430000051
式中to(k)是目标输出，yo(k)是模糊小脑模型神经网络输出。
所述的基于梯度下降法，参数更新规律为：
Figure BDA0002737503430000052
其中α＝[mijk,vijk,wjko]T是参数向量，η＝diag[mijk,vijk,wjko]是mijk,vijk和wjko的学习率矩阵，
Figure BDA0002737503430000056
定义为：
Figure BDA0002737503430000053
然后通过链式规则计算调整后的参数为：
Δwjko＝ηw(to-yo)·yo·(1-yo)·bjk
Figure BDA0002737503430000054
Figure BDA0002737503430000055
实施例一
双向逆变器的可靠性直接影响到微电网新能源和储能的稳定性。在线参数故障诊断可以降低系统硬故障的风险。双向逆变器广泛应用于具有储能功能的微电网中。因此，本实施例以双buck DC-AC变换器为例，验证了优化算法的优越性。
双buck双向DC-AC变换器的主电路如图3所示。高频可控开关4个，功率二极管6个，电感2个，电容1个。开关管或二极管的失效会导致变换器的硬故障，而电容器和电感的老化会导致参数故障，本申请对此进行了讨论。
本申请假设电容器Cd、电感L1和电感L2的值在正常工作状态下有20％的误差。考虑四种不同程度的元件老化，共记录A1～A77种工作模式，如表1所示。
表1：双buck双向逆变器软故障
故障序号 故障模式 故障模式说明
A1 C_a1 电容值在容差范围内
A2 C_a2 电容值C减小20％-40％
A3 C_a3 电容值C减小40％-70％
A4 L1_a1 电感L1感值在容差范围内
A5 L1_a2 电感L1感值减小20％-50％
A6 L2_a1 电感L2感值在容差范围内
A7 L2_a2 电感L2感值减小20％-50％
在不同的故障类型下，电网侧电流谐波的幅值和相角变化很大。因此，对提取出的网络侧电流进行频域分析，选择M个频谱特征来区分所建立的各种故障。一般情况下，频谱特征分量的筛选需要人工完成，从多个震级和多个相位中选取能代表各种故障信息的特征作为故障特征向量。这种筛选工作费时费力，在故障类型越来越复杂的情况下，很难保证所选的故障特征向量能够完全区分每种故障类型。
如图4所示，本发明提出了一种基于快速傅立叶变换(FFT)和主成分分析(PCA)的故障特征提取方法。首先利用FFT提取可能包含故障信息的故障特征值，然后利用PCA进一步得到故障特征的主成分。该方法能有效地减少人工筛选故障特征不准确、耗时的缺点。此外，在保留原始故障信息的前提下，提出的故障特征提取方法不仅去除了冗余信息，削弱了不同类型故障特征样本之间的相关性，而且降低了故障特征维数，为故障诊断的良好效果提供了初步保证神经网络诊断仪。
根据故障模式的设置，电路分别以500W、750W和900W的整流模式和逆变模式运行。在每个故障设置的阈值范围内改变元件的参数，模拟7个故障(A1-A7)提取电网侧电流。
500W、750W、900W整流方式的每一故障提取50组网侧电流数据，共提取150组数据。在逆变模式下，每种故障还提取50组数据，每种故障共有300组数据。因此，共提取了2100组数据作为7类故障(包括正常工作模式和故障工作模式)的原始样本数据。
对原始样本进行FFT分析，提取了包括直流分量、幅值、相位以及电网侧最大和最小电流在内的27维数据。其中，不仅提取了奇数次和偶数次谐波的幅值和相位，而且提取了分数次谐波(间谐波)的幅值和相位，尽可能地保留了故障信息。使用公式
Figure BDA0002737503430000071
提取振幅，共有17个维度。提取25Hz，50Hz，75Hz，100Hz，…，200Hz对应的相位角，共8维。然后在FFT分析中加入电网侧共2维的最大和最小电流，使故障特征总数达到27维。
利用主成分分析法从27维故障特征中提取方差累积贡献率大于95％的主成分。根据上述故障特征提取方法进行处理后，按降序提取10个特征值，计算贡献率和累积贡献率，如表2所示。
表2：特征值及对应的贡献率和累计贡献率
Figure BDA0002737503430000072
分析上表，前五个主成分的累计贡献率为96.59％，我们认为这五个主成分足以代表原始27维数据的绝大多数。因此，本研究选取前五个主分量，经主成分分析后，将原27维故障特征向量替换为5维故障特征。
利用MATLAB软件构造了四个诊断器，包括BPNN、FCMNN、GA-BPNN和本文提出的GA-FCMNN，用于参数故障的诊断。
5维故障特征决定了FCMNN的输入层维数为5。对于每个输入维度，FCMNN将其量化为4层，每层5块，共20个量化空间，以足够的分辨率覆盖输入范围，达到最佳的诊断效果。输出层维度为3(故障标签设置与BPNN一致)。同时，FCMNN输出标签被设置为：cu_a1工作模式＝{0，0，1}，cu_a2工作模式＝{0，1，0}，cu_a3工作模式＝{0，1，1}，L1_a1工作模式＝{1，0，0}，L1_a2＝{1，0，1}，L2_a1工作模式＝{1，1，0}，L2_a2工作模式＝{1，1，1}。FCMNN诊断器的学习率设定为0.01，所有参数均通过反复试验确定，以保证期望的分类性能。
经过多次试验，确定BPNN的结构为5-20-3，在隐层中使用20个神经元，故障分类性能最好。输出误差指标采用均方误差(MSE)，学习率设定为0.01，输出判断阈值为0.5。
基于BPNN的故障诊断测试结果如图5所示，分类的平均准确率为96.905％。图5示出了许多处于A1模式的测试样本被误分类为A2。故障模式A2、A3、A4和A6也无法正确识别。
基于FCMNN的分类结果如图6所示。试验样品的平均试验准确率为98.214％。故障模式A2和A3有更多的错误分类样本。
选择神经网络的误差函数作为遗传算法的适应度函数，函数值越小，神经网络诊断器的输出越接近期望输出，诊断器的诊断精度越高。
当用遗传算法优化BPNN的初始参数时，遗传算法中的染色体是BPNN的权值，包括输入层和隐藏层之间的权重wik∈Rq×n和隐藏层与输出层之间的权重wkj∈Rn×j。。每个染色体的长度是L＝q×n+n×j。在这项研究中，实数编码被用来减少染色体长度。因此GA-BPNN诊断仪的染色体长度为L＝5×20+20×3＝160，染色体初值是随机产生的。遗传算法的其他参数如表3所示。
表3：遗传算法其他参数(GA-BPNN)
参数 设定值 参数 设定值
种群规模 80 交叉概率 0.8
遗传代数 150 变异概率 0.01
使用训练集样本优化GA-BPNN的初始参数，GA优化过程中的适应度变化如图7所示。
从图7可以看出，在遗传算法优化初始参数的过程中，适应度值有下降的趋势，即染色体的趋势有较好的趋势。记录了遗传算法优化后的染色体，并将该染色体作为神经网络的最优初始权值，分配给BPNN。利用训练样本对BPNN进行进一步训练，直到输出误差满足要求。基于GA-BPNN的测试集故障诊断结果如图8所示。
当用遗传算法优化FCMNN的初始参数时，神经网络中所有需要初始化的权值都被编码并作为遗传算法的染色体，包括联想记忆空间激活函数的中心位置
Figure BDA0002737503430000081
和宽度
Figure BDA0002737503430000082
以及权值层的权值
Figure BDA0002737503430000091
每个染色体的长度是L＝ni×nlnb+ni×nlnb+nlnb×no。根据FCMNN的结构，染色体长度为L＝5×4×5+5×4×5+4×5×3＝260，初始染色体随机产生。遗传算法的其他参数设计如表4所示。
表4：遗传算法其他参数(GA-FCMNN)
参数 设定值 参数 设定值
种群规模 80 交叉概率 0.8
遗传代数 300 变异概率 0.01
使用训练集样本优化GA-FCMNN的初始参数，GA优化过程中的适应度变化如图9所示。
如图10所示，平均适应度和最佳适应度都有向更好的染色体发展的趋势。记录150代遗传后的最优染色体(网络所有权值)，并将其重构为FCMNN诊断的权重结构。利用训练样本对FCMNN进行进一步训练，直到输出误差满足要求。
针对双降压型DC-AC逆变器中电容和电感的参数故障，采用本文提出的BPNN、FCMNN、GA-BPNN和GA-FCMNN诊断仪进行故障诊断。四种诊断仪的性能比较如表5所示。
表5：四种诊断器性能对比
Figure BDA0002737503430000092
从故障诊断率的角度看，采用遗传算法优化双buck型DC-AC逆变器参数故障初始参数的神经网络诊断准确率与未采用遗传算法优化的神经网络基本相同。
通过比较FCMNN和BPNN的故障诊断率，可以看出FCMNN和GA-FCMNN比BPNN和GA-BPNN具有更好的诊断性能。结果表明，用遗传算法优化的神经网络诊断精度可以达到人工长时间调试参数法的诊断精度，并且有向更高精度方向发展的趋势，这也表明遗传算法可以有效地在设定的数据域内找到最优组合。同时，该方法减少了人工调试初始参数所需的时间，证明了遗传算法在神经网络初始权值优化中的有效性，进一步实现了算法的智能化。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (9)

1.一种小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，包括如下步骤：
步骤S1、根据需要解决的问题，对神经网络的参数进行初始化；
步骤S2、设置遗传算法参数，得到初始种群，并构造神经网络前向通道；
步骤S3、根据个体适应度进行选择、交叉、变异和计算；
步骤S4、重建神经网络，对神经网络进行进一步训练；
步骤S5、对神经网络进行测试，得到故障诊断最优神经网络诊断器。
2.根据权利要求1所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，所述步骤S1具体实现如下：
步骤S11、根据变换器故障诊断问题确定网络的输入输出维数；
步骤S12、根据需要确定整个神经网络的权值个数。
3.根据权利要求1所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，所述步骤S2具体实现如下：
步骤S21、确定种群中个体的长度，每个个体需要包含神经网络的所有权值；
步骤S22、对每个个体进行实数编码，得到初始种群，设置优化目标；
步骤S23、对神经网络初始权值和阈值进行编码；
步骤S24、构造神经网络的前向计算通道。
4.根据权利要求1所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，所述步骤S3具体实现如下：
步骤S31、将训练样本送入神经网络进行正向计算，得到每个个体的适应度；
步骤S32、根据个体适应度在一个周期内进行适应度的选择、交叉、变异和计算，直至达到进化代数；
步骤S33、得到遗传算法能覆盖的权空间中目标函数的最小权值，并将其作为神经网络的初始权值。
5.根据权利要求1所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，所述步骤S4具体实现如下：
步骤S41、利用遗传算法得到的初始权值重建神经网络；
步骤S42、利用训练样本对重建后的神经网络进行进一步训练。
6.根据权利要求1所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，该方法得到经遗传算法优化初始参数和反向参数调整的模糊小脑模型神经网络故障诊断器。
7.根据权利要求6所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，所述模糊小脑模型神经网络故障诊断器是一种基于高斯模糊函数的模糊神经网络，包含多个层，每个层有多个块，它将同时为不同的层激活不同的模糊集，并为不同输入激活不同的块。
8.根据权利要求6所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，所述遗传算法优化初始参数，首先在给定区域初始化网络权值，根据神经网络权值的个数设置遗传算法的种群规模，然后根据优胜劣汰的进化原理，以最小网络误差函数作为进化标准。
9.根据权利要求1所述的小脑模型神经网络故障诊断器初值权重的自动选优方法，其特征在于，该方法应用于双buck型DC-AC逆变器故障在线诊断问题。
CN202011141953.1A 2020-10-22 2020-10-22 小脑模型神经网络故障诊断器初值权重的自动选优方法 Active CN112288153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011141953.1A CN112288153B (zh) 2020-10-22 2020-10-22 小脑模型神经网络故障诊断器初值权重的自动选优方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011141953.1A CN112288153B (zh) 2020-10-22 2020-10-22 小脑模型神经网络故障诊断器初值权重的自动选优方法

Publications (2)

Publication Number Publication Date
CN112288153A true CN112288153A (zh) 2021-01-29
CN112288153B CN112288153B (zh) 2022-06-14

Family

ID=74424678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011141953.1A Active CN112288153B (zh) 2020-10-22 2020-10-22 小脑模型神经网络故障诊断器初值权重的自动选优方法

Country Status (1)

Country Link
CN (1) CN112288153B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107490760A (zh) * 2017-08-22 2017-12-19 西安工程大学 基于遗传算法改进模糊神经网络的断路器故障诊断方法
CN108181562A (zh) * 2018-01-18 2018-06-19 福州大学 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107490760A (zh) * 2017-08-22 2017-12-19 西安工程大学 基于遗传算法改进模糊神经网络的断路器故障诊断方法
CN108181562A (zh) * 2018-01-18 2018-06-19 福州大学 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李慧玲等: "一种基于遗传算法和神经网络的故障诊断方法", 《电力科学与工程》 *
陈诗灿 等: "电力电子变流器故障诊断的智能方法综述", 《电气技术》 *

Also Published As

Publication number Publication date
CN112288153B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN107101813B (zh) 一种基于振动信号的框架式断路器机械故障程度评估方法
US11544917B2 (en) Power electronic circuit fault diagnosis method based on optimizing deep belief network
Veerasamy et al. LSTM recurrent neural network classifier for high impedance fault detection in solar PV integrated power system
US20210117770A1 (en) Power electronic circuit troubleshoot method based on beetle antennae optimized deep belief network algorithm
CN110929763A (zh) 基于多源数据融合的中压真空断路器机械故障诊断方法
CN110672905A (zh) 基于cnn的自监督电压暂降源辨识方法
CN103995237A (zh) 一种卫星电源系统在线故障诊断方法
CN110726898A (zh) 一种配电网故障类型识别方法
CN108717149A (zh) 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
CN110068776B (zh) 基于优化支持向量机的三电平逆变器开路故障诊断方法
CN109858564B (zh) 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN112183591A (zh) 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法
CN108898182A (zh) 一种基于核主元分析与支持向量机的mmc故障诊断方法
CN114282571A (zh) 一种轴承多维健康指标构建方法、系统、设备以及介质
CN114021424B (zh) 一种基于pca-cnn-lvq的电压暂降源识别方法
CN114528883A (zh) 一种风电变流器igbt故障识别方法
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
CN114660375A (zh) 一种电力设备故障的辨识方法
Upendar et al. Discrete wavelet transform and genetic algorithm based fault classification of transmission systems
CN117807530A (zh) 一种操动机构故障诊断识别方法及系统
CN112288153B (zh) 小脑模型神经网络故障诊断器初值权重的自动选优方法
CN110968073B (zh) 一种hvdc系统换相失败故障原因双层溯源辨识方法
CN110610203A (zh) 基于dwt和极限学习机的电能质量扰动分类方法

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