基于概率神经网络的装备模拟电路故障诊断方法

技术领域

本发明涉及模拟电路故障诊断技术领域，尤其涉及基于概率神经网络的装备模拟电路故障诊断方法。

背景技术

模拟电路故障诊断本质上等价于模式识别问题。模式识别通常被关心的是识别范围及识别正确率，二者是相互联系又彼此对立的。然而目前看来，许多学者在对该类课题进行研究时往往忽视了或刻意省略了关于故障类别的选择问题。在故障类别的筛选方法没有解释清楚的情况下，却极力证实其研究成果有着极高的诊断覆盖率和正确率，其实验数据以及结果必然会带有一定程度的主观色彩。实际上，以目前的技术手段是不可能存在一种故障诊断方法对任何电路、任何状态乃至电路内的所有元器件都可以同样发挥效用的，那无异于“包治百病”的“灵丹妙药”。

概率神经网络算法虽然已经较为成熟并成功应用于故障诊断领域，但就目前研究现状来看比较有争议的地方是平滑参数的选择问题。为提高现有概率神经网络模式分类方法的性能，相关学者在此方面进行了大量研究，比较有代表性的有蚁群算法、果蝇算法、烟花算法等群智能算法，但是这些算法都没有显示出绝对的优势，效果并不显著。

发明内容

针对上述存在的问题，本发明旨在提供一种基于概率神经网络的装备模拟电路故障诊断方法，将测点故障信号进行分解，将有用ISC分量的BCM值所组成的向量作为故障特征，通过输出结构改进后的概率神经网络进行故障诊断，为故障诊断中故障类别的选择提供了技术途经。

为了实现上述目的，本发明所采用的技术方案如下：

基于概率神经网络的装备模拟电路故障诊断方法，其特征在于，包括以下步骤，

S1：构建用于模拟电路故障诊断的概率神经网络模型；

S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；

S3：计算步骤S2中筛选出来的有用分量的BCM值，构建相应的故障特征向量；

S4：利用步骤S3中基于训练样本的故障特征向量对步骤S1中的概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；

S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。

进一步的，步骤S1中构建的用于模拟电路故障诊断的概率神经网络模型包括输入层、模式层、累加层和输出层；

所述输入层为网络总入口，其元个数即为故障特征向量的个数；

所述模式层通过权值与输入层相连，计算输入的故障特征向量与各模式层的匹配程度，也即输入的故障特征向量相对于各个模式层的权值；然后送入高斯核函数

所述累加层将各个类的模式层连接起来，对模式层传来的同类输入进行累加，累加算法为

所述输出层输出累加层中得分最高的一类。

进一步的，所述输出层将累加层输出的

进一步的，输出层将累加层输出的

S101：设wk类训练样本的先验概率为P(w

S102：利用Parzen窗函数对P(x|w

S103：利用输入样本的频度估计P(w

S104：根据步骤S102和步骤S103中P(x|w

进一步的，步骤S4中所述的三类参数包括平滑参数σ，第一类阈值参数ψ

所述第一类阈值参数ψ

令电路输出特征为T

当[S

在灵敏度矩阵S′中搜寻是否有满足

进一步的，步骤S4中对三类参数进行优化的具体操作包括以下步骤，

S401：为参数σ、ψ

S402：根据ψ

S403：将第i(i＝1，2，…，N

S404：按照

S405：开始BSO算法迭代；对于个体类，从4种方式中选择一种方式产生新个体σ′、ψ

S406：重复步骤S402～步骤S404，计算适应度值并令k＝k+1，与原来的适应度值比较，若新个体更好则替换原个体。

S407：继续迭代直到达到终止条件得到最优参数σ、ψ

S408：利用ψ

S409：根据需要调整Z值并重复步骤S401～步骤S408，直到故障状态集达到预定要求，保存训练结果，所述故障状态集为故障状态类的集合。

进一步的，步骤S405中所述的4中方式包括：

随机选中1个类，在此类的类中心上通过叠加随机扰动来产生新个体；

随机选中1个类，在此类中随机选中1个个体，叠加随机扰动来产生新个体；

随机选中2个类，首先把这两个类的类中心进行融合，再叠加随机扰动来产生新个体；

随机选中2个类，首先这两个类的每类中各自随机选出1个个体进行融合，再叠加随机扰动来产生新个体。

本发明的有益效果是：

本发明针对装备模拟电路部分元器件在发生故障时对测点输出响应影响较小，以及不同的故障状态下的输出响应过于接近的问题，利用电路输出特征灵敏度进行建模，构建了两类阈值参数并利用头脑风暴算法对这两类阈值参数和平滑参数进行优化，为故障诊断中故障类别的选择提供了技术途经，形成了一整套完整的装备模拟电路故障诊断方法，在装备模拟电路故障诊断方向上具有较大的应用价值。

附图说明

图1为本发明中的标准PNN结构；

图2为本发明中的概率输出型PNN结构；

图3为本发明实施例一中的电路图；

图4为本发明实施例二中PNN诊断结果随σ变化情况；

图5为本发明实施例三中某导弹部分有源滤波电路；

图6为本发明实施例三中有源滤波电路PNN测试结果图；

图7为本发明实施例三中有源滤波电路单点连续超差PNN测试结果。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

基于概率神经网络的装备模拟电路故障诊断方法，包括以下步骤，S1：构建用于模拟电路故障诊断的概率神经网络模型；

概率神经网络模型(Probabilistic Neural Network，PNN)一般包括输入层、模式层、累加层和输出层；所述输入层为网络总入口，其元个数即为故障特征个数；所述模式层通过权值与输入层相连，计算输入的故障特征向量与各模式匹配程度，也即输入的故障特征向量相对于各个模式层的权值；然后送入高斯核函数

假设有一识别任务，类别为M类，每类个数不定，样本特征维度均为p维，则可构建如附图1所述的标准PNN。其具体算法的流程为：

将样本向量x∈R

样本向量在模式层各节点进行加权求和，利用高斯核函数进行运算：

模式层传来的同类输入在累加层进行累加，累加算法为

输出层输出累加层中得分最高的一类，标准概率神经网络模型中输出层按照竞争函数

具体的，S101：设w

S102：利用Parzen窗函数对P(x|w

S103：利用输入样本的频度估计P(w

S104：根据步骤S102和步骤S103中P(x|w

将累加层输出的

进一步的，步骤S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；

具体的，对训练样本的模拟电路信号进行降噪和分解的操作步骤包括，

S201：对原始信号X进行SVD降噪，得到个数为d的非零奇异值序列；

具体的，S20111：基于长度为M的原始信号X＝[x

S2012：将矩阵A进行变换，得到

S202：确定初始阶数i＝2；

S203：将前i个奇异值置零进行重构及逆运算，得到滤除信号N′

具体的，S2031：当初始阶数i＝2时，确定为个数为d的非零奇异值序列中前2个较大奇异值反映了有用信号成分；

S2032：将前i个代表纯净信号的较大奇异值置零，进行SVD逆运算得到矩阵D的最佳逼近矩阵

S2033：将阶数i对应的降噪后信号S′

S204：计算滤除信号N′

具体的，采用长方形网格覆盖的方法计算分形盒维数值D

具体的，S2041：在横轴方向上，对滤除信号N′

S2042：在每个小区间内，选取纵向尺度δ

S2043：重复步骤S401～4202，计算所有小区间相交盒子数量并求和，即可得到波形的盒子总数，记为M

S2044：在横向尺度和纵向尺度上取不同的δ

S2045：构造以横向尺度δ

S205：判断D

具体的，噪声维数D

S20511：对同一工况下任一组原始信号进行SVD，得到个数为d的非零奇异值序列；

S2052：去除末端振荡野点后，遍历所有d′个奇异值进行置零重构，共得到d′个滤除信号；

S2053：计算各阶滤除信号分维数得到完整的维数序列D

S504：用聚类算法将D

S206：将原始信号去除滤除信号，即可得降噪后信号

进一步的，对降噪后的信号进行分解的具体操作步骤包括，

S207：将降噪后的电压信号

具体的，a、确定需要延拓的端点附近的数据点，作为极值点；该步骤需要在各端点处分别延拓3个数据点，即以端点(τ

b、在信号x(t)上截取包含步骤(1)中极值点的信号段，即x(t),(τ

c、以(τ

d、取步骤(3)中互相关系数最大的信号段左侧三个极值点，按时间序列依次设为(τ

S208：对于任意极值点X(τ

u(t) s(t)或u(t) s(t),t τ

上式中，s(t)为原始信号，局部上包络满足u(t)≥s(t)，局部下包络满足u(t)≤s(t)；

S209：利用包络曲线求出τ

L(τ

S2010：按标准算法依次连接L(τ

S2011：计算每个ISC分量与原始电压信号的滑动熵值-时间序列的互相关系数，互相关系数表达式为：

S2012：以该互相关系数作为聚类指标，采用k-means聚类算法将所有ISC分量进行分类，即有用分量和无用分量，前者整体互相关系数较大，而后者较小。

具体的，a、设有样本y，预先给定的聚类个数k，N

b、将Γ

式中，J

进一步的，步骤S3：计算步骤S2中筛选出来的有用分量的BCM值，构建相应的故障特征向量；

具体的，有用分量BCM值的计算方法与上述步骤S204中滤除信号N′

进一步的，步骤S4：利用步骤S3中基于训练样本的故障特征向量对步骤S1中的概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；

具体的，所述三类参数包括平滑参数σ，第一类阈值参数ψ

在特征提取手段已经确定的情况下，有两类情况必须考虑：一是某些元器件在发生故障时，受测点位置以及特征提取等因素影响，输出响应变化较小，难以对其进行准确定位和分类；二是虽然输出响应影响较大，但是不同的故障状态下的输出响应过于接近，导致无法对两种不同的故障状态进行准确区分。这两类情况可衍生出概率输出型PNN的两类参数，本发明中称之为第一类阈值参数ψ

令电路输出特征为T

当[S

在灵敏度矩阵S′中搜寻是否有满足

进一步的，使用头脑风暴优化算法对三类参数进行优化，具体操作包括以下步骤，

S401：为参数σ、ψ

S402：根据ψ

S403：将第i(i＝1，2，…，N

S404：按照

S405：开始BSO算法迭代；对于个体类，从4种方式中选择一种方式产生新个体σ′、ψ

4种方式具体包括：

随机选中1个类，在此类的类中心上通过叠加随机扰动来产生新个体；

随机选中1个类，在此类中随机选中1个个体，叠加随机扰动来产生新个体；

随机选中2个类，首先把这两个类的类中心进行融合，再叠加随机扰动来产生新个体；

随机选中2个类，首先这两个类的每类中各自随机选出1个个体进行融合，再叠加随机扰动来产生新个体。

S406：重复步骤S402～步骤S404，计算适应度值并令k＝k+1，与原来的适应度值比较，若新个体更好则替换原个体。

S407：继续迭代直到达到终止条件得到最优参数σ、ψ

S408：利用ψ

S409：根据需要调整Z值并重复步骤S401～步骤S408，直到故障状态集达到预定要求，保存训练结果，进行后续的故障诊断，所述故障状态集为故障状态类的集合。

进一步的，步骤S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。

实施例一：

在该实施例中具体说明ψ

表1电路状态集合

表2以BCM值作为故障特征的实测值灵敏度情况

结合表1和表2可以看出：

(1)除了状态X

(2)状态X

更进一步设想，若阈值ψ

(1)若ψ

(2)若ψ

(3)若ψ

概括来说，在概率神经网络的训练阶段确定这两类参数的合理数值，并用本文方法对超过阈值范围的故障状态进行剔除或合并，便可以在诊断的覆盖率与诊断正确率之间找到最佳的平衡点。

实施例二：

在该实施例中，验证本发明故障诊断方法的诊断效果。仍然采用附图3中的电路图，电路中元件故障状态设定为标称值的正(↑)、负(↓)20％，节点OUT为输出测试点。仿真平台Orcad CIS 7.0和Matlab 8.5，采样点数1024。取电路状态集合如下表3部分电路状态所示。

表3部分电路状态

当输入激励信号设定为v＝10sin(wt)时，对电路不同故障状态进行BCM值计算。更进一步地，取ω＝100各状态100组数据，其中40组作为训练样本，60组作为测试样本。运用本发明中的算法设定Z＝80％，求得参数σ＝0.8638，ψ1＝0.813％，ψ2＝0.098％，诊断结果如下表4所示。

表4 PNN诊断结果

为了进一步的验证本发明中的算法在PNN参数优化中的优越性，考察诊断结果随参数σ变化情况，考察范围0.5-0.95，步进0.05，结果如附图4所示。

由附图4的变化趋势可以看出，在参数σ大于0.5时，PNN平均诊断准确率均高于87％，且在σ在0.85附近取得最大值。这一方面说明本发明中基于BSO算法计算得到的σ＝0.8638取值较为准确；另一方面说明PNN算法中参数σ的变化对分类准确率的影响不是致命的，具有一定鲁棒性。

实施例三：

以附图5所示的某型导弹中部分电路为例验证本发明中算法的有效性。假设故障已定位至如图所示的电路部分，但具体位置及参数未知。通过本发明中参数优化方法，可变电阻RP3对于测试点OUT处的输出特征灵敏度较低因此被剔除，将剩余可测电路故障整理成表5，连同正常状态共计19类。

表5某导弹部分有源滤波电路可测故障状态表

按照表5中所示各元件故障值分别调节电路中对应元件，在OUT处进行信号采集并利用本发明中SVD-LCD-BCM算法对样本进行处理，将处理后数据作为特征样本输入PNN。每类故障在获得50个样本后恢复标称值。共有包含正常状态在内的19类950个样本。将每类样本中20个输入PNN进行训练，其余30个用于测试。令正常状态样本编号为1，自F

表6有源滤波电路PNN测试正确率

从附图6和表6的结果中可以看出，各类故障诊断正确率均超过80％；本例故障集为单点元器件故障和单点元器件参数连续超差混合在一起的，超差参数由-60％～60％，故障诊断正确率仍然较高，并未出现状态混叠现象，说明本发明中的方法有效地解决了状态混叠问题。

从附图6中还可以看出，仅在编号为400～500之间有一处预测样本误差较大，其余误差均较小。这说明大部分误差均在出现，这对后续的故障排除并不会带来严重后果。

更进一步地，若已经将故障定位至某一元件，即F

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。