CN113761792A - 一种基于神经网络的六脉冲整流器故障诊断方法 - Google Patents

一种基于神经网络的六脉冲整流器故障诊断方法 Download PDF

Info

Publication number
CN113761792A
CN113761792A CN202110887824.5A CN202110887824A CN113761792A CN 113761792 A CN113761792 A CN 113761792A CN 202110887824 A CN202110887824 A CN 202110887824A CN 113761792 A CN113761792 A CN 113761792A
Authority
CN
China
Prior art keywords
fault
neural network
layer
hidden layer
rbf
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
CN202110887824.5A
Other languages
English (en)
Other versions
CN113761792B (zh
Inventor
黄敬尧
李雅恬
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202110887824.5A priority Critical patent/CN113761792B/zh
Publication of CN113761792A publication Critical patent/CN113761792A/zh
Application granted granted Critical
Publication of CN113761792B publication Critical patent/CN113761792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

一种基于神经无网络的六脉冲整流器故障诊断方法，包括：Step1、故障分类编码；Step2、采集样本，分成训练集和验证集；Step3、构建RBF‑BP复合神经网络；Step4、对RBF‑BP复合神经网络进行训练和验证；Step5、输入待测试的数据集，得出故障诊断结果。通过采用RBF和BP的负荷网络结构，可以规避单纯的BP网络算法误差减小时易陷入局部极小点的困境，集合BP神经网络成熟可靠的优点和RBF神经网络速度快的优点，能够快速地对六脉冲整流器的击穿短路或者开路故障已经数量和位置进行快速准确地判断。

Description

一种基于神经网络的六脉冲整流器故障诊断方法
技术领域
本发明涉及电力电子故障监测技术领域，具体涉及一种基于神经无网络的六脉冲整流器故障诊断方法。
背景技术
随着电力电子技术的不断发展，电力电子技术已应用于生活的许多方面，例如国防、通信、商业、交通等领域。在工作过程中如果这些电力电子设备发生了故障，将会造成非常严重的后果，不仅会造成财产上的损失，更可能危及到人们的生命安全。由此可见，电力电子器件故障检测至关重要。
由于人们一般很难对事故进行提前预测，只能等到设备出现故障后再去维修，或是对设备的状态进行定期检查，避免出现故障。这两种方式都不是很完善，当设备已经出现了故障就可能会造成灾难性事故及人员伤亡。而定期对设备进行检查会消耗额外的经济。若是在装置故障早期就能够诊断出设备隐患，就可以提前采取措施。
电子电力装置故障诊断的实用性也很强，一般来说电力电子设备出现故障与其故障所引起的停电这两个阶段的时间间隔较短。在发生故障后，电子电力装置保护系统自动运行，故障信息随之消失，这就使得维修工作人员很难准确判断故障位置。所以故障诊断有利于防止故障扩大，有利于减少危害。
由于在各行各业中不同种类的电力电子装置的广泛应用，使得电力电子电路在整个系统中所起到的作用也越来越重要，用于故障诊断的方法也是屡见不鲜。许多海内外的学者和专家在电力系统故障诊断方面进行了大量的学习与探讨，积累了丰富的经验，已经形成了一套有效的故障诊断方法。可以将故障诊断方法分为基于解析模型、基于知识和基于信号处理的方法。
基于知识的诊断方法没必要对控制系统建立准确的数学模型，并且具有一些“人工智能”的特征，故而应用较为广泛。详细分为神经网络法、模式识别法、模糊故障法、专家系统法和故障树方法等。
在基于知识的诊断方法中运用最为广泛的是神经网络算法。其内部含有多层网络，在网络中神经元分层排列，有输入层、隐含层以及输出层。每层中的神经元与前一层的神经元连接，每个神经元接收前一层神经元的输入，然后输出到下一层神经元。神经网络(ANN)是模拟生物神经系统建立的非线性适应性的信息处理系统，具有保存和分类的功能。将其应用到电力电子电路故障诊断的具体步骤为：将故障的特征值作为输入量，而分类编码为输出量。神经网络的最显著的特点就是能够自适应样本数据，能够自动滤去样本中的噪声等，使其正常运行。当进行故障诊断前，首先对各种可能的故障进行仿真，将仿真结果依次记录下来，保存为一个数据库。用此数据库进行神经网络的训练，最后将要诊断的数据输入到已经训练好的网络中即可得到故障类型及故障点。
BP神经网络是一种误差反向传播的算法。BP神经网络具有良好的容错能力、可并行处理数据信息、自学习能力与自组织能力强，同时不需要复杂的建模过程，因此成为基于知识故障诊断法中典型的诊断方法
发明内容
本发明所要解决的技术问题是提供一种调度自动化分布式多通道集群延伸通信系统及方法，大大提高了数据采集效率，提高了通讯的稳定性。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于神经无网络的六脉冲整流器故障诊断方法，故障诊断的步骤为；
Stepl、将六脉冲整流器的可能产生的具体故障进行分类并进行编码；
Step2、采集不同触发角α下的数据构成样本集，将样本集进行归一化处理后，按比例分成训练样本集和验证样本集；
Step3、采用RBF-BF复合神经网络进行故障诊断，设定RBF-BF复合神经网络的输入神经元个数、输出神经元个数、复合神经网络层数和各层的激活函数，RBF网络的隐含层作为RBF-BF复合神经网络的第一层隐含层，RBF网络的输出作为BP网络的输入，选用负载端的电压特征数据作为RBF-BF复合神经网络的输入量，按照故障分类的编码位数设定输出神经元个数，隐含层中心Cj和宽度σj使用K均值聚类算法确定和更新；
Step4、通过训练样本集对设定好的RBF-BF复合神经网络进行训练，并通过训练结果调整复合神经网络层数，训练完毕后采用验证样本集对训练好的神经网络进行验证，根据验证结果调整RBF-BF复合神经网络参数，直到验证结果达到设定要求；
Step4、将要进行检测的六脉冲整流器的运行数据输入到验证好的RBF-BF复合神经网络，根据输出神经元所组成的编码记过判断是否存在故障及故障类型。
上述的Step1中六脉冲整流器的故障分类及具体编码采用八位二进制编码方式进行，具体方法如下：
Step1.1、按照整流电路内晶闸管的故障类型分成第一类，即当出现晶闸管击穿短路时定义为01，当出现晶闸管内部断路时定义为10；
Step1.2、在第一类故障类型下根据晶闸管的故障数量分为第二类故障类型，在第二类故障类型下根据具体发生故障的晶闸管位置分成第三类故障，具体分为：电路无晶闸管故障(000)：正常工作，有1小类，(001)；
电路有一个晶闸管故障(001)：有6小类，VT1故障(001)，VT2故障(010)，VT3故障(011)，VT4故障(100)，VT5故障(101)，VT6故障(110)；
接到同一相电压的两只晶闸管发生故障(010)：有3小类，VT14故障(001)，VT36故障(010)，VT25故障(011)；
同一半桥中的两只晶闸管发生故障(011)：有6小类，VT13故障(001)，VT15故障(010)，VT35故障(011)，VT46故障(100)，VT24故障(101)，VT26故障(110)；
交叉两只晶闸管发生故障(100)：有6小类，VT12故障(001)，VT16故障(010)，VT23故障(011)，VT34故障(100)，VT45故障(101)，VT56故障(110)；
将所述的三类故障编码结合组成八位二进制编码。
上述的Step3中选用的作为RBF-BF复合神经网络的输入量的负载端的电压特征数据包括负载电压ud的直流分量a0、基波幅值A1、二次谐波幅值A2、三次谐波幅值A3，运用MATLAB中SIMULINK模块对六脉冲整流电路进行故障建模与仿真，将示波器连接到电路的负载两端，观察其输出电压波形。在不同的故障下，电路的输出电压波形不同，由此可知电路的输出电压包含了故障信息，由傅里叶分析图可知，负载电压的直流分量、基波幅值、二次谐波幅值以及三次谐波幅值含量占比较多，故选用这四个数值作为复合神经网络的输入量。
上述的Step2中选用触发角α＝0°、α＝30°、α＝60°时的数据作为样本集。
上述的Step3中RBF-BF复合神经网络共有5层神经层，包括以负载电压ud的4个特征数据作为输入神经元的输入层，3个隐含层，以及8位二进制编码故障类型作为输出神经元的输出层。
上述的RBF-BF复合神经网络第一隐含层为RBF神经网络的隐含层，选择常用的高斯(Gauss)函数Rj(x)：
Figure BDA0003194846620000041
式中j为第一层隐含层的节点数目，X为输入向量，Cj为第j个径向基函数的中心，σj为第j个隐含节点的尺度因子，决定了该函数径向作用宽度。
上述的RBF-BF复合神经网络第二隐含层为RBF神经网络的输出层同时为所串联的BP网络的输入层，即：
Figure BDA0003194846620000042
Zk为第二层隐含层的输出值，Wjk为第一层隐含层与第二层隐含层之间的连接权值，Rj为第一层隐含层的输出值。K为第二层隐含层的节点数。
上述的RBF-BF复合神经网络第三隐含层为BP神经网络的隐含层，选用Sigmoid(F(Z)l)函数：
Figure BDA0003194846620000043
输出层的表达式为：
Figure BDA0003194846620000044
ym为第三层隐含层的输出值，Wlm为第二层隐含层与第三层隐含层之间的连接权值，l为第三层隐含层的节点数。
上述的第一层隐含层的高斯(Gauss)函数中的径向基函数的中心和隐含节点的尺度因子由K均值聚类算法确定更新，神经网络层与层之间的权值由误差反向传输法来确定更新，具体过程为：
在RBF神经网络中，高斯函数的中心C即为聚类中心，确定初始聚类中心后，计算输入层数据至聚类中心的距离dn(j)：
dn(j)＝||xn-Cj||；
xn为输入复合神经网络的特征向量，Cj为自己所设定的第一层隐含层的初始聚类中心。
再取输入样本点到聚类中心的距离得均值，其均值为新的聚类中心
Figure BDA0003194846620000051
Figure BDA0003194846620000052
Uj为第j个聚类中心的样本集合，Nj为集合中数据的数量。
重复以上步骤直至聚类中心固定不变时，得到隐含层节点中心Cj，计算各隐含层节点中心之间的距离，取最小值作为尺度因子σj：
σj＝γmin||C1-C2||
C1，C2为任意两个隐含层节点中心，γ为重叠系数，初始为1。
设置输出误差小于设定值为神经网络训练的终止条件，当输出误差不满足规定条件时反向传输更新误差；
对于输出层：E(M)＝ym(1-ym)*(Tm-ym)
ΔWlm＝σ*E(M)*ym
对于隐藏层：
Figure BDA0003194846620000053
ΔWkl＝σ*E(L)*F(Z)
E(M)为输出层的误差，Tm为准确值，ΔWlm为第三层隐含层与输出层之间权值的更新增量，E(L)为第三层隐含层的误差，ΔWkl为第三层隐含层与第二层隐含层之间权值的更新增量，σ为学习率，设置在0-1之间，E(L)为隐含层的误差。
上述的Step2中验证样本集采用触发角α＝90°时的数据。
本发明提供的一种基于神经无网络的六脉冲整流器故障诊断方法，具有如下有益效果：对整流器器件进行故障诊断通常运用单个的神经网络(如BP神经网络)，但其往往存在许多局限，例如BP算法的误差减小是反梯度方向进行的，因此极易陷入局部极小点的困境，一旦训练学习样本数目多，输入输出关系比较复杂，网络的收敛速度变得缓慢，BP算法对网络结构的初值要求很高。初值的不合理，会造成BP算法的收敛摆动，以至不收敛，而RBF-BF复合神经网络可以将BP神经网络成熟可靠的优点和RBF神经网络速度快的优点结合起来，使其诊断速度更快，诊断结果更精准。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的方法流程图；
图2为本发明RBF-BP复合神经网络结构图；
图3为六脉冲整流器的电路图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
如图1中所示，一种基于神经无网络的六脉冲整流器故障诊断方法，故障诊断的步骤为：
Stepl、将六脉冲整流器的可能产生的具体故障进行分类并进行编码；
Step2、采集不同触发角α下的数据构成样本集，将样本集进行归一化处理后，按比例分成训练样本集和验证样本集，由于隐含层神经元个数没有固定的规律可循，故只能经过调节隐层神经元数量进行不断尝试以寻求最佳结构；
Step3、采用RBF-BF复合神经网络进行故障诊断，设定RBF-BF复合神经网络的输入神经元个数、输出神经元个数、复合神经网络层数和各层的激活函数，RBF网络的隐含层作为RBF-BF复合神经网络的第一层隐含层，RBF网络的输出作为BP网络的输入，选用负载端的电压特征数据作为RBF-BF复合神经网络的输入量，按照故障分类的编码位数设定输出神经元个数，隐含层中心Cj和宽度σj使用K均值聚类算法确定和更新；
Step4、通过训练样本集对设定好的RBF-BF复合神经网络进行训练，并通过训练结果调整复合神经网络层数，训练完毕后采用验证样本集对训练好的神经网络进行验证，根据验证结果调整RBF-BF复合神经网络参数，直到验证结果达到设定要求；
Step4、将要进行检测的六脉冲整流器的运行数据输入到验证好的RBF-BF复合神经网络，根据输出神经元所组成的编码记过判断是否存在故障及故障类型。
如图3中所示，通过六脉冲整流电路图可知，电路中有六个晶闸管，如果分别将六个晶闸管的电流和电压信号作为特征信号，用来其中分析整流电路的故障，这样会含有大量重复的信息，不利于后文中网络的训练学习，在对故障信息进行分析与研究后可知，负载端的电压信号包含了电路故障的信息，选取电路负载端的电压信号就可以进行故障诊断。
上述的Step1中六脉冲整流器的故障分类及具体编码采用八位二进制编码方式进行，具体方法如下：
Step1.1、按照整流电路内晶闸管的故障类型分成第一类，即当出现晶闸管击穿短路时定义为01，当出现晶闸管内部断路时定义为10；
Step1.2、在第一类故障类型下根据晶闸管的故障数量分为第二类故障类型，在第二类故障类型下根据具体发生故障的晶闸管位置分成第三类故障，具体分为：电路无晶闸管故障(000)：正常工作，有1小类，(001)；
电路有一个晶闸管故障(001)：有6小类，VT1故障(001)，VT2故障(010)，VT3故障(011)，VT4故障(100)，VT5故障(101)，VT6故障(110)；
接到同一相电压的两只晶闸管发生故障(010)：有3小类，VT14故障(001)，VT36故障(010)，VT25故障(011)；
同一半桥中的两只晶闸管发生故障(011)：有6小类，VT13故障(001)，VT15故障(010)，VT35故障(011)，VT46故障(100)，VT24故障(101)，VT26故障(110)；
交叉两只晶闸管发生故障(100)：有6小类，VT12故障(001)，VT16故障(010)，VT23故障(011)，VT34故障(100)，VT45故障(101)，VT56故障(110)；
将所述的三类故障编码结合组成八位二进制编码。
上述的Step3中通过运动FFTK快速傅里叶变换选用的作为RBF-BF复合神经网络的输入量的负载端的电压特征数据包括负载电压ud的直流分量a0、基波幅值A1、二次谐波幅值A2、三次谐波幅值A3。
上述的Step2中选用触发角α＝0°、α＝30°、α＝60°时的数据作为样本集，从整流器的输出电压仿真波形中可以得出，当触发角α相同时，同一大类别的故障中的小分类的输出电压波形是在时间轴上的平移，当触发角变化时，输出电压波形形状也会相应变化，因此选用不用触发角数据作为训练样本，可以涵盖六脉冲整流器绝大多数情况下的数据，通过样本数据的归一化处理，可以大大减少计算量，使计算更加块属于。
上述的Step3中RBF-BF复合神经网络共有5层神经层，包括以负载电压ud的4个特征数据作为输入神经元的输入层，3个隐含层，以及8位二进制编码故障类型作为输出神经元的输出层，通过调节隐含层数的验证结果，在含有3层隐含层，即复合神经网络共计5层神经层的情况下，故障判断的最准确。
上述的RBF-BF复合神经网络第一隐含层为RBF神经网络的隐含层，选择常用的高斯(Gauss)函数Rj(x)：
Figure BDA0003194846620000081
式中j为第一层隐含层的节点数目，X为输入向量，Cj为第j个径向基函数的中心，σj为第j个隐含节点的尺度因子，决定了该函数径向作用宽度。
上述的RBF-BF复合神经网络第二隐含层为RBF神经网络的输出层同时为所串联的BP网络的输入层，即：
Figure BDA0003194846620000082
Zk为第二层隐含层的输出值，Wjk为第一层隐含层与第二层隐含层之间的连接权值，Rj为第一层隐含层的输出值。K为第二层隐含层的节点数。
上述的RBF-BF复合神经网络第三隐含层为BP神经网络的隐含层，选用Sigmoid函数F(Z)l：
Figure BDA0003194846620000083
输出层的表达式为：
Figure BDA0003194846620000091
ym为第三层隐含层的输出值，Wlm为第二层隐含层与第三层隐含层之间的连接权值，l为第三层隐含层的节点数。
上述的第一层隐含层的高斯(Gauss)函数中的径向基函数的中心和隐含节点的尺度因子由K均值聚类算法确定更新，神经网络层与层之间的权值由误差反向传输法来确定更新，具体过程为：
K均值聚类算法样本的初始类别未知，需要设定聚类中心数目，在RBF神经网络中，高斯函数的中心C即为聚类中心。确定初始聚类中心后，计算输入层数据至聚类中心的距离dn(j)：
dn(j)＝||xn-Cj||
xn为输入复合神经网络的特征向量，Cj为自己所设定的第一层隐含层的初始聚类中心；
再取输入样本点到聚类中心的距离得均值，其均值为新的聚类中心
Figure BDA0003194846620000092
Figure BDA0003194846620000093
Uj为第j个聚类中心的样本集合，Nj为集合中数据的数量；
重复以上步骤直至聚类中心固定不变时，得到隐含层节点中心Cj，计算各隐含层节点中心之间的距离，取最小值作为尺度因子σj：
σj＝γmin||C1-C2||
C1，C2为任意两个隐含层节点中心，γ为重叠系数，一般初始为1；
设置输出误差小于设定值为神经网络训练的终止条件，当输出误差不满足规定条件时反向传输更新误差；
对于输出层：E(M)＝ym(1-ym)*(Tm-ym)
ΔWlm＝σ*E(M)*ym
对于隐藏层：
Figure BDA0003194846620000101
ΔWkl＝σ*E(L)*F(Z)
E(M)为输出层的误差，Tm为准确值，ΔWlm为第三层隐含层与输出层之间权值的更新增量，E(L)为第三层隐含层的误差，ΔWkl为第三层隐含层与第二层隐含层之间权值的更新增量，σ为学习率，设置在0-1之间，E(L)为隐含层的误差
上述的Step2中验证样本集采用触发角α＝90°时的数据，将样本数据输入到复合神经网络的输入端，在输出端可以得到对应故障类型的二进制编码。

Claims (10)

1.一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，故障诊断的步骤为：
Step1、将六脉冲整流器的可能产生的具体故障进行分类并进行编码；
Step2、采集不同触发角α下的数据构成样本集，将样本集进行归一化处理后，按比例分成训练样本集和验证样本集；
Step3、采用RBF-BF复合神经网络进行故障诊断，设定RBF-BF复合神经网络的输入神经元个数、输出神经元个数、复合神经网络层数和各层的激活函数，RBF网络的隐含层作为RBF-BF复合神经网络的第一层隐含层，RBF网络的输出作为BP网络的输入，选用负载端的电压特征数据作为RBF-BF复合神经网络的输入量，按照故障分类的编码位数设定输出神经元个数，隐含层中心Cj和宽度σj使用K均值聚类算法确定和更新；
Step4、通过训练样本集对设定好的RBF-BF复合神经网络进行训练，并通过训练结果调整复合神经网络层数，训练完毕后采用验证样本集对训练好的神经网络进行验证，根据验证结果调整RBF-BF复合神经网络参数，直到验证结果达到设定要求；
Step5、将要进行检测的六脉冲整流器的运行数据输入到验证好的RBF-BF复合神经网络，根据输出神经元所组成的编码记过判断是否存在故障及故障类型。
2.根据权利要求1所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的Step1中六脉冲整流器的故障分类及具体编码采用八位二进制编码方式进行，具体方法如下：
Step1.1、按照整流电路内晶闸管的故障类型分成第一类，即当出现晶闸管击穿短路时定义为01，当出现晶闸管内部断路时定义为10；
Step1.2、在第一类故障类型下根据晶闸管的故障数量分为第二类故障类型，在第二类故障类型下根据具体发生故障的晶闸管位置分成第三类故障，具体分为：电路无晶闸管故障(000)：正常工作，有1小类，(001)；
电路有一个晶闸管故障(001)：有6小类，VT1故障(001)，VT2故障(010)，VT3故障(011)，VT4故障(100)，VT5故障(101)，VT6故障(110)；
接到同一相电压的两只晶闸管发生故障(010)：有3小类，VT14故障(001)，VT36故障(010)，VT25故障(011)；
同一半桥中的两只晶闸管发生故障(011)：有6小类，VT13故障(001)，VT15故障(010)，VT35故障(011)，VT46故障(100)，VT24故障(101)，VT26故障(110)；
交叉两只晶闸管发生故障(100)：有6小类，VT12故障(001)，VT16故障(010)，VT23故障(011)，VT34故障(100)，VT45故障(101)，VT56故障(110)；
将所述的三类故障编码结合组成八位二进制编码。
3.根据权利要求2所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的Step3中选用的作为RBF-BF复合神经网络的输入量的负载端的电压特征数据包括负载电压ud的直流分量a0、基波幅值A1、二次谐波幅值A2、三次谐波幅值A3。
4.根据权利要求3所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的Step2中选用触发角α＝0°、α＝30°、α＝60°时的数据作为样本集。
5.根据权利要求4所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的Step3中RBF-BF复合神经网络共有5层神经层，包括以负载电压ud的4个特征数据作为输入神经元的输入层，3个隐含层，以及8位二进制编码故障类型作为输出神经元的输出层。
6.根据权利要求5所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的RBF-BF复合神经网络第一隐含层为RBF神经网络的隐含层，选择常用的高斯(Gauss)函数Rj(x)：
Figure FDA0003194846610000021
式中j为第一隐含层的节点数目，X为输入向量，Cj为第j个径向基函数的中心，σj为第j个隐含节点的尺度因子，决定了该函数径向作用宽度。
7.根据权利要求6所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的RBF-BF复合神经网络第二隐含层为RBF神经网络的输出层同时为所串联的BP网络的输入层，即：
Figure FDA0003194846610000031
Zk为第二层隐含层的输出值，Wjk为第一层隐含层与第二层隐含层之间的连接权值，Rj为第一层隐含层的输出值。K为第二层隐含层的节点数。
8.根据权利要求7所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的RBF-BF复合神经网络第三隐含层为BP神经网络的隐含层，选用Sigmoid(F(Z)l)函数：
Figure FDA0003194846610000032
输出层的表达式为：
Figure FDA0003194846610000033
ym为第三层隐含层的输出值，Wlm为第二层隐含层与第三层隐含层之间的连接权值，1为第三层隐含层的节点数。
9.根据权利要求8所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的第一层隐含层的高斯(Gauss)函数中的径向基函数的中心和隐含节点的尺度因子由K均值聚类算法确定更新，神经网络层与层之间的权值由误差反向传输法来确定更新，具体过程为：
在RBF神经网络中，高斯函数的中心C即为聚类中心，确定初始聚类中心后，计算输入层数据至聚类中心的距离dn(j)：
dn(j)＝||xn-Cj||
xn为输入复合神经网络的特征向量，Cj为自己所设定的第一层隐含层的初始聚类中心；
再取输入样本点到聚类中心的距离得均值，其均值为新的聚类中心
Figure FDA0003194846610000035
Figure FDA0003194846610000034
Uj为第j个聚类中心的样本集合，Nj为集合中数据的数量；
重复以上步骤直至聚类中心固定不变时，得到隐含层节点中心Cj，计算各隐含层节点中心之间的距离，取最小值作为尺度因子σj：
σj＝γmin||C1-C2||；
C1，C2为任意两个隐含层节点中心，γ为重叠系数，初始为1；
设置输出误差小于设定值为神经网络训练的终止条件，当输出误差不满足规定条件时反向传输更新误差；
对于输出层：E(M)＝ym(1-ym)*(Tm-ym)
ΔWlm＝σ*E(M)*ym
对于隐藏层：
Figure FDA0003194846610000041
ΔWkl＝σ*E(L)*F(Z)
E(M)为输出层的误差，Tm为准确值，ΔWlm为第三层隐含层与输出层之间权值的更新增量，E(L)为第三层隐含层的误差，ΔWkl为第三层隐含层与第二层隐含层之间权值的更新增量，σ为学习率，设置在0-1之间，E(L)为隐含层的误差。
10.根据权利要求1所述的一种基于神经无网络的六脉冲整流器故障诊断方法，其特征在于，所述的Step2中验证样本集采用触发角α＝90°时的数据。
CN202110887824.5A 2021-08-03 2021-08-03 一种基于神经网络的六脉冲整流器故障诊断方法 Active CN113761792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110887824.5A CN113761792B (zh) 2021-08-03 2021-08-03 一种基于神经网络的六脉冲整流器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110887824.5A CN113761792B (zh) 2021-08-03 2021-08-03 一种基于神经网络的六脉冲整流器故障诊断方法

Publications (2)

Publication Number Publication Date
CN113761792A true CN113761792A (zh) 2021-12-07
CN113761792B CN113761792B (zh) 2024-01-19

Family

ID=78788480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110887824.5A Active CN113761792B (zh) 2021-08-03 2021-08-03 一种基于神经网络的六脉冲整流器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113761792B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707256A (zh) * 2012-06-20 2012-10-03 北京航空航天大学 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN108898120A (zh) * 2018-07-04 2018-11-27 四川泰立智汇科技有限公司 基于混合神经网络的冷水机组故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707256A (zh) * 2012-06-20 2012-10-03 北京航空航天大学 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN108898120A (zh) * 2018-07-04 2018-11-27 四川泰立智汇科技有限公司 基于混合神经网络的冷水机组故障诊断方法

Also Published As

Publication number Publication date
CN113761792B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
US5625751A (en) Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system
CN109800875A (zh) 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
CN107454105B (zh) 一种基于ahp与灰色关联的多维网络安全评估方法
CN111259532B (zh) 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法
CN107886168A (zh) 一种使用多层感知器神经网络进行电梯故障识别的方法
CN112070128A (zh) 一种基于深度学习的变压器故障诊断方法
CN111060779B (zh) 一种基于概率神经网络的电网分区故障诊断方法及系统
CN110542819A (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CN110726898A (zh) 一种配电网故障类型识别方法
CN114355240A (zh) 配电网接地故障诊断方法及装置
CN115510950A (zh) 基于时间卷积网络的飞行器遥测数据异常检测方法及系统
Cheon et al. Application of neural networks to multiple alarm processing and diagnosis in nuclear power plants
CN111783212A (zh) 一种斜拉桥典型损伤识别方法
CN111178430A (zh) 一种基于粒子群优化的神经网络的整流电路故障诊断方法
CN113761792B (zh) 一种基于神经网络的六脉冲整流器故障诊断方法
Singh et al. Line flow contingency selection and ranking using cascade neural network
CN113884903B (zh) 一种基于多层感知器神经网络的电池故障诊断方法
Marzi Real-time fault detection and isolation in industrial machines using learning vector quantization
Wu et al. Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning
Fussel et al. Combining neuro-fuzzy and machine learning for fault diagnosis of a DC motor
Gan Discrete Hopfield neural network approach for crane safety evaluation
CN114778969A (zh) 一种基于RBF-Elman神经网络的整流器故障诊断方法
Zhou et al. Improving tolerance of neural networks against multi-node open fault
Kovalev et al. Adaptation of Fuzzy Diagnostic Models In Real Time

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