【doc】基于赋初值BP算法的模拟电路故障的诊断

【doc】基于赋初值BP算法的模拟电路故障的诊断 基于赋初值BP算法的模拟电路故障的诊断 计算机测量与控制.2009.17(12) ComputerMeasurement&Control自动化测试 文章编号:1671—4598f2009)12—2417一O3中图分类号:TP183文献标识码:A 基于赋初值BP算法的模拟电路故障的诊断 屈毅,宁铎,黄建兵,强金钱 (陕西科技大学电气与信息工程学院,陕西西安710021) 摘要:提出了采用赋初值BP神经网络的方法,进行模拟电路故障的诊断;该方法分 两步实现:首先对网络输入层到末级隐层之间 权值的设计,能简化网络结构,缩短训练时间;其次对BP网络输出层权值和阈值的 设计,以加快收敛速度,抑制局部极小,减少了学 习过程的振荡现象;文中通过心电信号放大器电路实例,对其诊断方法的原理与实 现进行r较深入的研究,ji:通过计算机仿真,模拟诊 断该电路,结果证明:陔方法具有鲁棒性,准确性与快速性. 关键词:赋初值;神经网络;电路故障;计算机仿真 BPAlgorithmGivenInitialValueOfAnalogCircuitFaultDiagnosis QUYi,NingDuo,HuangJianbing,QiangJincheng (CollegeofElectricandInformationEngineering,ShanxiUniversityofScience&Techonology,Xi'an710021,China) Abstract:AgiveninitialvalueusingthemethodofBPneuralnetworkmethodtakeanalogcircuitfaultdiagnosis.Therealizationofthe methodhavetWOsteps:First,thenetworkinputlayertotheendoftheclassweightsbetweenthehiddenlayerdesign,tosimplifythenet— workstructureandshortthetrainingtime;second,theoutputlayerweightsandthethresholdvalueofBPnetworkdesign,tospeedupthe convergencerateandchecklocalminimum,atthesametime,toreducttheoscillationphenomenonofthelearningprocess.Fortheexample ofECGamplifiercircuitdiagnosisandin——depthstudies.toverifythediagnosisbysimulating.weconcludethattheuseofthemethodcan improvetherobustnessofthemethod,accuracyandspeeding. Keywords:giveninitial;neuralnetwork;circuitfailure;computersimulation O引言 模拟电路故障诊断本质是一个模式分类识别问题,即将电 路测试点的特征信号映射到某个故障类").但由于模拟电路故 障现象的多样性,元件参数的离散性及非线性等原因,至今无 论在理论上还是在实践上均未完全成熟,距实用尚有相当的距 离].人工神经网络是模拟生物神经系统,通过大量简单非线 性神经元互联构成信号处理网络,其中BP网络有较强的模式 识别能力,并具有自学习,并行处理,分布式存储以及联想记 忆的优点,比较适合于模拟电路故障的诊断].但是BP网 络自身也有很大的缺陷,输入数目颇多,结构难以确定,训练 时间较长等缺点. 基此在考虑BP神经网络输出层的权值,阈值对整个神经 网络的输出影响最大,同时也考虑到BP网络激发敏感区 分布,提出采用赋初值BP算法进行模拟电路故障的测试和诊 断,并结合具体的电路实例,对其诊断方法的原理与实现进行 了较深入的和研究. 1赋初值BP算法的工作原理 赋初值BP算法是基于网络输出层的权值和阈值对BP神 经网络的输出影响较大和BP网络激发函数sigmoid的敏感区 分布对神经网络学习速度的影响提出的.改算法分两步进行: 第一步,对BP网络的输入层到末一级隐层之间的权值和阈值 收稿日期:2009,07—14;修回日期:2009—08—19. 作者简介:屈毅(1974一),男,陕阿乾县人,硕l:研究生,主要从事 智能控制和数字信号处理方向的研究. 宁铎(1955一),男,陕两礼泉人,教授,硕士生导师,主要从事智能 控制和光电技术方向的研究. 进行设计,其目的是简化网络结构,缩短训练时间;第二步, 对输出层的权值和阈值进行设计,以加快收敛速度,抑制局部 极小以及减少了学习过程的振荡现象. 1.1网络输入层到末级隐层间权值的设计 设故障特征向量作为输入层节,一(,,…,) 示,故障类别作为输出节点,一(Y,Yz,…,Y)表示, 在故障特征样本集中任取两个样本点,,且?,最终 保证Y?Y, Stepl:第隐层节点的权值的计算: ln W一l『.hu一(1) 隐层节点方向: 一一 禹u一一 隐层节点敏感区的宽度: In(.) Ga一—一lI'rJ一II(3)一]一一II一. 式中k,为[1,4]之间的一个随机值. Step2:第i隐层节点的中心值.(式4),该隐层节点的 闽值为: ?一(",)(4) Step3:递归1,2步,计算出"对权值和阈值. w":Ew1叫2…W](s) 0"一E00e…1](6) Step4:网络输入的原点数m>1,迭代计算出输入源点到 第一隐层的权值矩阵(w是r/×矩阵).在迭代过程中 中华测控网 chinamca.corn 计算机测量与控制17 样本值不能重复. Step5:如果BP网络含有多个隐层,则靠近输出层的权 值,其变化对输出的影响越大.因此,第二隐层的取值阵的绝 对值应小于第一隐层权值的绝对值.对多隐层BP网络,第t 隐层的权值和阈值为: 一 k(w1)1][(wl)】] 一 k(w()lW(H)2…w(H)]? ?x[(…](7) 一 目?一f(Wk,j蔓l(8) 式中一1,2,…,;w』是第K层权值矩阵.(.+ )/2为两个不同样本的中心点. Step6:计算第i隐层节点上的权值(BP网络设计中,隐 层节点的输出一般取[O.700.74]). 1.2BP网络输出层权值和阈值的设计 BP网络输出层权值.的变化对网络的输出影响最大. 在已知网络输入到最末一级隐层之间的权值和阈值的初始值的 情况下(这些值第一步已计算出),网络输入变化又可以直接 得到最末一级隐层的输出".据此,基于网络抗干扰性和最 小二乘法对网络输出的权值进行计算,算法如下: Stepl:选取故障特征样本集中的特殊点,例如局部极大 点,局部极小点,关键性的过渡点,并求出这些点的平均值点 (式8).用特殊点和均值点组成一个特殊的样本集(式9): 一wi(9) q 式中,q为特殊样本点的个数. ?X一{,,i一1,2,3,…,q}(10) Step2:将故障特征特殊样本集中的一个变量加入到网络 输入中,则得到一组相应最末一级隐层输出(式11).将特殊 样本集中的每一个变量加入到网络中,则得到输出矩阵(式 12). ()1一["1n2J…nw](11) …alq1 a一!'.iL(12) [anl…n』 Step3:依据特殊样本集可计算出相应的期望值和期望平 均值的误差值(式13,14). …] Y一;'.;(13) 【.y…I Y一(1一y)aAw"(14) 其中,户,"分别为输出层的个数和隐层节点数;Y,Aw"分别 为BP网络的输出和输出层权值的变化.在最大情况(式 15)下 (1一)?0.25,Aw?w"(15) 由(式14)得: Y-二(1一y)a?础一0.25w"a 在上式中a,Y'是已求出的矩阵,进而可求出矩阵.但 a非方阵,求逆比较困难.因此可采用(式16),a变化为 矩阵A,矩阵A是一个"X"方阵,适当的调整隐层权值可使 矩阵A的逆存在.基此,可计算出BP网络输出层的权值阵和 中华测控网 chinamca.tom 阈值阵(式17—18). A=Ea][n] =4yEa]EA3 一一 {(),}_} (16) (17) (18) 式中,(.)是输出层的PX"维权值矩阵'',.的第一列. 2赋初值BP网络进行模拟电路的故障诊断 现采用赋初值BP算法来进行故障诊断.故障诊断可分 为故障诊断表建立,训练赋初值BP神经网络和赋初值BP网 络三个阶段进行.根据以往的经验,在一定的激励输入下, 将常见的各种故障状态及正常状态所对应的理论值在PSPICE 环境下求出,并以此作为赋初值BP网络的训练样本,训练 BP网络.BP网络经过学习后,其输出即为所对应的故障. 由于神经网络本身具有联想推理的能力,它不仅能识别已经 训练过的样本,而且能通过联想推理,识别未出现过的样 本,诊断出电路故障.用BP网络进行模拟电路故障诊断的 步骤如下. 2.1建立故障状态表 在BP网络训练前要完成电路故障集的建立,激励信号的 选择和测试节点的确定.故障集建立的策略是根据被测电路的 功能,电路元件故障概率来选择若干故障作为故障集.测试点 选择要遵循:在故障集中故障非耦合的条件下,故障测试点越 少越好的原则.在实际电路测试中的做法是:依据以往的电路 测试经验,选择能获得故障信息量最多的测试点,再隔离将故 障集中的电路故障,其后,在保证故障可隔离的条件下优化出 最佳的测试点作为实际电路故障的测试点l5J.电路故障测试点 确定后,在PSPICE环境下,模拟测试出对应电路的正常状态 下和各种故障状态下各测试测出的理论值,基此建成一个故障 状态表. 2.2训练BP网络 用故障状态表中的数据作为样本输入神经网络,用赋初值 BP算法对网络进行训练. 2.3测试BP网络 加测试信号,将实际状态测出故障集中的样本提供给神经 网络,神经网络经过学习后,它不仅能识别出已经训练的样 本,而且还能通过联想推理,辨别未曾出现过的样本.基此, 一 个能进行故障诊断的赋初值BP神经网络就训练好了. 3应用实例 心电信号放大器(见图1)是典型的模拟电路软故障诊断 电路图?,心电信号幅值为50ffV,5mV之间,信号的频率范 围10~200Hz,在输入端输入固定幅值和不同测试频率的正 弦信号,在测试节点(1,6)处测量出相应激励的电压幅值, 可得到一个电压幅值的样本集.测试电路中电阻的容差范围为 ?5,电容的容差范围为?lO.每类故障均指元件参数测 量值超出其相应的容差允许范围].对测试电路定义了11 种故障类型,其中包括一个正常类和1O种故障. 3.2第一步建立故障状态表. 半导体器件等有源元件与电阻等无源元件相比,更容易产 第12期屈毅,等:基于赋初值BP算法的模拟电路故障的诊断 16kl 』 图1心电信号放大器电路图 生故障,同时依据笔者多年的电子线路设计实践.特选择下述 12个故障组成故障集,见表1(其中E为故障,P表示电子元 件的测量值增大,N表示电子元件的测量值减小,P3表示测 量值相对与标称值增大3O). 表l心电信号放大器电路故障 故障号故障说明故障号故障说明 E0正常E6R5P3 E1R12P3E7R4N4 E2R1oN4E8R3N4 E3R9P3E9R2P3 E4R8N4E10C1N5 E5R6P3EllC2N6 采用Pspice电子线路仿真软件对心电信号放大器电路进 行仿真分析,每一类故障状态分析12次,获得6个特征节点 (1,2,3,4,5,6)的故障特征值,共采集到66个故障样本 值,将其随机分为两部分,利用其中3O个故障样本训练赋初 值BP神经网络. 表2心电信号放大器电路故障测试样本 节点电压故障号故障类型 123456 E0iE常0.140O.523O.6420.3650.294o.482 E1R12P300.14oO.523O.6420.365O.25lO.453 E2R10N400.140OO5230.642o.365O.304o.512 E3R9P300.140O.56O0.532O.3250.2860.473 E4R8N40o.1400.481O.724O.4110.312o.426 E5R6P3o0.1400.523O.642O.3860.325O.395 E6R5P30o.140O523O.642O.337O.2950.415 E7R4N40o.14o0.424o.6750.396o.2870.386 E8R3N400.1400.468o.5370.34l0.3O20.420 E9R2P300.1400.5910.5530.3570.314o.502 E1oC1N40O.14oO.523O.624O.375O.3040.465 E11C2N40O.14oO.5230.6230.3520.2730.429 3.2训练BP网络 首先必须确定赋初值BP神经网络的结构,赋初值BP神 经网络的源神经元和输出神经元数目依据所解决的问题的要求 所决定,即源神经元的数目取为6,输出神经元的数目取为 12,而隐藏层神经元的层数及每层的神经元数目由设 计者依据问题的难度而决定.笔者经过多次的实验. 结果表明取赋初值BP神经网络结构为12,14,no, 6为最佳网络结构.因此本取此结构来构造赋初值BP 神经网络,输入为】2维向量.输出为6维向量,对应 着故障状态的序号,将上述3o个故障样本训练赋初值 BP神经网络.调节参数,获得最佳训练结果. 3.3测试BP网络 再选用BP神经网络和赋初值BP神经网络分别对 66个测试样本进行测试(见表2).在matlable环境进 行仿真,赋初值BP神经网络的误差的平方和与神经网 络的训练次数之间的关系曲线,学习速率与训练次数 之间的关系如图2和图3所示. 同时赋初值BP算法和常规BP算法的诊断结果相 比较,比较结果见表3.分析比较结果表明:本文提出 算法优于常规的BP算法. 图2误差变化曲线 图3学习速率曲线 表3分类算法比较 算法精确率()均方误差相关系数 BP算法98.560.11320.953 赋初值BP算法95.120.1538O.926 4结论 赋初值BP神经网络是在BP神经网络算法的基础上作了 一 些改进,通过对各种故障模式的训练,利用神经网络具有 的记忆,联想和推理功能来实现对故障的分类和预测各种所 期望的性能指标,进而达到对模拟电路故障的诊断.这种方 法不仅适用于线性电路和非线性电路的诊断,也适用于多故 障电路的诊断,同时也可用于硬故障和软故障诊断.与传统 的BP神经网络相比,其诊断速度更快,范围更广,诊断效 率更高同时它不需建立故障字典,存储及查询等步骤.所以 赋初值BP神经网络进行模拟电路故障的诊断,能取得满意 的效果. (下转第2422页) 中华测控网 chinamca.com 计算机测量与控制17 风轮的直径为70ITI, 1_5MW. 齿轮箱升速比N为90,发电机额定功率4结论 系统仿真图如图5,图6所示. l60o000 l4oooo0 l2oo000 10o00o0 瓣 雷800000 60o0o0 4000o0 20o0o0 0 风速/(m/s) 图5风速与功率曲线 一 一\.. 一 /\\ | I冬{6风力机Cp一^曲线 0 机组一般在风速3,4m/s时开始启动,开始准备投入励 磁系统,开始时满励磁运行;额定风速以下(3.5,11.5m/s) 时,定桨矩运行,偏航系统保证风力机始终正对风向,控制励 磁机的励磁电流从而控制风力发电的励磁,维持输出电压恒 定,达到最大风能利用系数Cp;额定风速以上(II.5m/s, 25m/s)时,控制桨距角使得输出功率恒定.励磁电流达到最 小励磁状态,偏航系统保证风力机始终正对风向;风速高于 25m/s时发电机组制动刹车. 励磁系统是同步发电机的重要组成部分.无论是在稳态运 行还是在暂态运行过程中,同步发电机运行状态都在很大程度 上与励磁有关,励磁系统性能的好坏直接影响到风力发电机及 电力系统运行的可靠性,安全性和稳定性.本文介绍了同步风 力发电机无刷励磁系统的设计,采用免疫单神经元自适应PID 控制方法,使系统获得了满意的控制效果. 参考文献: [1]周腊吾,黄守道.一种同发电机无刷励磁系统的设计EJ].防爆 电机,200i,(1):9—11. [2]陈杰.励磁系统在I乜力系统稳定性控制巾的应用[J].水利电 力机械,2005,5(1O):39—41. [3]李建平,邹中升,工福亮.机车励磁调节器智能检测系统的模块 化没计[J].计算机测昔与控制,2006.14(9):1159—1160. [4]卢强,王仲鸿,韩英.输电系统最优控制[M].北京:科学 出版社,1982. E5]MarinoR.AnExampleofaNonlinearRegulator_J].IEEETrans— actionsonAutomaticControl,1984,29(3):276—279. [6]乇幼毅,郭国晓.带电压调节功能的非线性鲁棒控制器[J].电 力自动化,2001,25(12):23—29. [7]TapiaA,TapiaG,OstolazaJXeta1.Modelingandcontrolofa windturbinedesigndoublyfedinductiongenerator[J].IEEE Transonenergyconversion,2003.18(2):l94—204. [8]马洪飞.徐殿国,苗立杰.几种变速恒频风力发电系统控制 的对比分析[J].电工技术杂志,2000,(10):1—4. [9]杨菊元,伍政团.无刷励磁系统及励磁控制系统原理分析与应用 [J].电力系统自动化,1998,22(11):7478. [10]王光友.利用西门子PIc与6RA70装置改造无刷励磁系统[J]. 冶金动力,2005,(4). [11]金敏杰,高金峰,于俊鸥.一种自适应模糊PID发电机励磁电压 调节器设训'[J].电网技术,2001,25(i0):2629. [12]杨延西,刘丁,高异.火电厂锅炉主汽温模糊免疫PID— Smith预估控制[J].系统仿真,2005,17(i1):2756 — 2758. [13]左兴权,李士勇,黄金杰.一利,新的免疫进化算法及其性能分析 _J].系统仿真,2003,15(11):l607一l655. (上接第2419页) 参考文献: [1]朱大齐.电子备故障诊断原理j实践[M].北京:电子_l:业}lJ 版社,2004. E2]李颀,秀华,高静.基于改进型BP神经网络的碎解时问预 测及应用[J].计算机测量控制,2008,16(11):1622—1626. [3]下安娜,邱增,吴沽.基于SVM多类分类算法的模拟电路故 障诊断[J].东北大学([J然科学版),2008,29(5):925 — 927. [4]陈琪,曲东才.基于故障典和神经网络理论的故障诊断方法 [J].计算机测龄与控制,2007,15(1):47. 中华测控网 chinamca.corn [5]彭敏放,何怡刚,王耀南.摹于神经网络汪据理论的模拟电路 故障诊断_J].电路与系统,2005,10(1):3539. [6]Wangjiangxin,SpanonCJ.Real—timefurnacemodelinganddiag— nosis[J].IEEETrans.onsemiconductorManufacturing,2002, 15(4):393403. [7]CatelaniM,FortA.Softfaultdetectionandisolationinanalogcir— cuits:someresultandacomparisonbetweenaFuzzyapproachand radialbasisfunctionnetworks[J].IEEETransactionsoninstru— mentationandmeasurement,2002,51(2):196202. [8]彭敏放,何怡刚,土耀南,等.模拟电路的融合智能故障诊断 [J].中国机电工程,2006,26(3):19—24.