專利名稱：基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，特別涉及一種基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法。

背景技術(shù)：
近幾年來，電子技術(shù)設(shè)計和制作工藝都有了新的發(fā)展，而故障檢測和診斷卻進展緩慢，設(shè)計復雜電路的能力遠遠超出了故障檢測和維修能力。美國軍事部門報道，數(shù)字板在電子設(shè)備中占80％，模擬電路板占20％，但是，整個設(shè)備80％的故障出自模擬電路，故模擬電路的可靠性決定了整個系統(tǒng)的可靠性。因此模擬電路的故障診斷與可靠性設(shè)計的重要性不言而喻。自20世紀60年代開始研究以來，模擬電路故障診斷技術(shù)取得了不少成就，提出很多方法，但是由于模擬系統(tǒng)的故障模型復雜、元件參數(shù)容差與廣泛的非線性等原因，至今無論在理論上還是方法上均未完全成熟，距實用尚有相當?shù)木嚯x。
傳統(tǒng)的故障診斷方法有故障字典法、參數(shù)辨識法、故障驗證法、逼近法等，當將它們應(yīng)用于故障的診斷時，實際上由于元件容差、測量誤差及噪聲影響會使故障的特征表現(xiàn)出一定程度上的不確定性。采用精確計算的診斷方法時，這些因素導致在線計算量過大，影響了診斷系統(tǒng)在實時測試情況下應(yīng)用，而且元件容差效應(yīng)及測量誤差影響使測量值不再準確反映故障信息。傳統(tǒng)的字典分析法，雖然采用了模糊集來處理由元件容差產(chǎn)生的電壓偏差，但僅僅是將電壓分段劃分給各種故障，而且因為使用了電壓范圍較大的模糊集降低了故障分辨能力。
20世紀90年代以來，隨著智能技術(shù)的不斷深入和發(fā)展，采用神經(jīng)網(wǎng)絡(luò)這種智能方法來實現(xiàn)故障診斷逐漸開始成為主流。BP神經(jīng)網(wǎng)絡(luò)是基于模式識別原理，很適合于故障分類的問題中，但是其權(quán)值調(diào)整是通過傳統(tǒng)的BP算法來完成的，是一種基于梯度的搜索算法，通常存在學習效率低、收斂速度慢和易于陷入局部最優(yōu)等缺點，粒子群優(yōu)化算法(PSO)是基于群體智能優(yōu)化的方法，由于其簡單易于實現(xiàn)而得到廣泛的應(yīng)用，但是其參數(shù)的設(shè)置至今沒有統(tǒng)一的做法，純粹依靠個人經(jīng)驗設(shè)置，因此給PSO算法的應(yīng)用帶來一些困難。


發(fā)明內(nèi)容
本發(fā)明的所要解決的技術(shù)問題是提供一種基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，本發(fā)明可實時快速測試電子電路。
為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案為 一種基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，其特征在于，包括以下步驟 1)提取電路各種故障狀態(tài)下的可及節(jié)點電壓值，然后對其進行模糊化與歸一化處理，獲得反映電路狀態(tài)的特征參量； 2)將所述的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)輸出為各種故障類型的隸屬度，所述的神經(jīng)網(wǎng)絡(luò)采用分組粒子群算法進行優(yōu)化； 3)所述神經(jīng)網(wǎng)絡(luò)的輸出經(jīng)橫向競爭網(wǎng)絡(luò)后獲得電路故障的診斷結(jié)果； 所述的神經(jīng)網(wǎng)絡(luò)為四層BP網(wǎng)絡(luò)，隱層數(shù)為2，同層節(jié)點之間沒有連接權(quán)相連，對所述的神經(jīng)網(wǎng)絡(luò)采用分組粒子群算法進行優(yōu)化的方法包括以下步驟 a)隨機產(chǎn)生一個大種群N； b)將大種群N分成m個小組{n1，n2，…，nm}，其中每個小組有k個粒子； c)為每個小組隨機生成各自的進化參數(shù)，所述的進化參數(shù)包括慣性因子ωi，自身學習率Faili和社會學習率FailGi； d)對每個小組分別進行迭代進化，每隔k代進行一次變異操作、一次重組操作和一次參數(shù)優(yōu)化操作；變異操作是在各自得小組內(nèi)進行的，粒子參數(shù)(速度或位置)變異后的值P′worst相應(yīng)于粒子的全局極值Pbest以及粒子參數(shù)變異前的值Pworst的變異規(guī)則為 P′worst＝Pworst+u(Pbest-Pworst)； 其中u∈(0，1)為學習速率，其根據(jù)Pbest-Pworst的匹配度設(shè)定的，與匹配度成反比，即匹配度越高，u就越小。
重組是將所有小組重新合并成一個大種群，對大種群按適應(yīng)度進行排序，然后以k為步長抽取粒子Pi*m+j重新分到各個小組進化，即 nj＝{Pi*m+j} i＝{0，1，…，k-1}； 其中j＝1，2，…，L(L為重新分組后總的組數(shù))；m為原來總的小組數(shù)。
重組的同時對各組參數(shù)進行粒子群優(yōu)化，m個小組的參數(shù)可以看成是m個粒子，對這m個參數(shù)粒子實行粒子優(yōu)化操作；取當前交叉時刻小組粒子最優(yōu)適應(yīng)值與上一交叉時刻小組粒子最優(yōu)適應(yīng)值之差作為參數(shù)適應(yīng)值Fitpi，即 Fitpi＝Fi-Fi-1； 其中，F(xiàn)i-1為上一交叉時刻參數(shù)粒子最優(yōu)值，F(xiàn)i為當前交叉時刻參數(shù)粒子最優(yōu)值；參數(shù)會向著使算法有最快收斂速度的方向逼近。
所述的橫向競爭網(wǎng)絡(luò)中節(jié)點j到節(jié)點i的連接權(quán)系數(shù)為 其中，ε＝1/b，b為網(wǎng)絡(luò)輸出神經(jīng)元數(shù)；網(wǎng)絡(luò)輸出yi(t+1)的求取方法由下式表示 其中，為競爭層神經(jīng)元的激活函數(shù)；A為任一給定常數(shù)；i，k均為輸出層神經(jīng)元節(jié)點的序號且i＝1，2，…，b，k＝1，2，…，b，i≠k；t＝1，2，…，b為迭代變量；y(t)為競爭網(wǎng)絡(luò)的輸入。
所述的適應(yīng)度用fit表示，定義如下 式中，其中，M為樣本數(shù)目，E為網(wǎng)絡(luò)的能量函數(shù)， 其中，tn、yn分別為神經(jīng)網(wǎng)絡(luò)的第n個目標輸出矢量與第n個實際輸出矢量，N為輸出層的神經(jīng)元數(shù)。
所述的神經(jīng)網(wǎng)絡(luò)采用實數(shù)編碼的方式，即將粒子群中的粒子對應(yīng)于神經(jīng)網(wǎng)絡(luò)隱含層的權(quán)值、輸出層的權(quán)值以及各層神經(jīng)元的偏置。
采用七級模糊化來對節(jié)點電壓進行模糊化處理作為故障特征，模糊化過程中采用三角形隸屬度函數(shù)。
所述的歸一化處理過程為可及點電壓向量U＝[u1，u2，…，um]，則其歸一化后得到的電壓向量為U＝[u1，u2，…，um]，其中ui＝ui/M。
神經(jīng)網(wǎng)絡(luò)的輸出端與所述橫向競爭網(wǎng)絡(luò)之間的接上一個開關(guān)，神經(jīng)網(wǎng)絡(luò)訓練時，開關(guān)打開，實際診斷時，開關(guān)閉合，以實現(xiàn)解模糊化并且直接給出故障類型。
本發(fā)明為解決解決元件參數(shù)容差以及測量誤差等問題，所提的技術(shù)方案首先對電路測試節(jié)點處電壓值進行模糊化處理以實現(xiàn)對故障類型的粗分，再經(jīng)歸一化處理獲得反映電路狀態(tài)的特征參量，作為各相應(yīng)神經(jīng)網(wǎng)絡(luò)的輸入特征向量來實現(xiàn)故障類型的細分。
本發(fā)明針對傳統(tǒng)PSO算法的不足，所提的技術(shù)方案將粒子群分成幾個小組來分別進化，而且?guī)讉€小組的參數(shù)是各自隨機產(chǎn)生的。在一定的間隔時刻對各個小組的粒子進行變異操作和重新分組，這有助于在不同環(huán)境下進化出的粒子能夠相互取長補短，另外各個小組的參數(shù)在粒子重新分組的時候也進行粒子群算法的參數(shù)優(yōu)化，期望能使小組粒子群的參數(shù)也能夠向著優(yōu)化的參數(shù)靠近。
本發(fā)明針對BP網(wǎng)絡(luò)所存在的缺陷，所提的技術(shù)方案利用GPSO(分組遺傳算法)具有隨機全局并行搜索的特點，采用GPSO對BP網(wǎng)絡(luò)進行優(yōu)化，以尋找最為合適的網(wǎng)絡(luò)連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)?？紤]到四層BP網(wǎng)絡(luò)具有良好的分類效果，在此設(shè)置隱層數(shù)為2，并設(shè)同層節(jié)點之間沒有連接權(quán)相連，這樣由于輸入層與輸出層節(jié)點的個數(shù)已由建模樣本決定，因此優(yōu)化BP網(wǎng)絡(luò)結(jié)構(gòu)時，主要是優(yōu)化它的隱節(jié)點個數(shù)、各節(jié)點之間的連接權(quán)值。最后在優(yōu)化的BP網(wǎng)絡(luò)的后面增加一橫向競爭網(wǎng)絡(luò)，用它來選出形成輸出判決層，實現(xiàn)診斷結(jié)果的判決。
本發(fā)明所具有的有益效果有 本發(fā)明采用七級模糊化來對節(jié)點電壓進行模糊化處理作為故障特征，有效地解決了元件參數(shù)容差、測量誤差和存在噪聲環(huán)境的影響而帶來故障的特征不確定性的問題。采用分組粒子群算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)對PSO進化參數(shù)設(shè)置的影響。在這種方法中的各小組PSO參數(shù)是自動尋優(yōu)，最終停留在使粒子群收斂最快的參數(shù)上，使算法能夠在經(jīng)過較少的迭代次數(shù)后就能尋得最優(yōu)解，減少了計算時間。相對于基于傳統(tǒng)粒子群神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的BP網(wǎng)絡(luò)的方法來說，本發(fā)明所提方法優(yōu)化了網(wǎng)絡(luò)的結(jié)構(gòu)，縮短了網(wǎng)絡(luò)訓練的時間，提高了故障診斷的正確率。



圖1為本發(fā)明的診斷系統(tǒng)的結(jié)構(gòu)圖。
圖2為本發(fā)明的隸屬函數(shù)。
圖3為本發(fā)明的四運放高通濾波器電路圖。
圖4為本發(fā)明的訓練曲線。
圖5為本發(fā)明的專用電路測試的系統(tǒng)框圖。

具體實施例方式 以下結(jié)合附圖對本發(fā)明作進一步說明。
實施例1 本發(fā)明提出了利用基于分組粒子群算法的BP網(wǎng)絡(luò)來實現(xiàn)電子電路故障的診斷。其故障診斷的結(jié)構(gòu)圖參見圖1所示，輸入U經(jīng)七級模糊化后得到網(wǎng)絡(luò)的輸入X，神經(jīng)網(wǎng)絡(luò)采用分組粒子群算法來優(yōu)化來實現(xiàn)，即GPSO-BPNN。此時神經(jīng)網(wǎng)絡(luò)的輸出是以對各種故障類型的隸屬度，為了能夠從網(wǎng)絡(luò)的輸出直接給出故障診斷的類型，本發(fā)明提出了在網(wǎng)絡(luò)的輸出端接上一個開關(guān)K與一橫向競爭網(wǎng)絡(luò)。訓練時，將開關(guān)K打開，而在實際診斷時，將開關(guān)K接通，然后測量各測試點的數(shù)據(jù)，這些數(shù)據(jù)再經(jīng)預處理后輸入已訓練好的神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的輸出再輸入橫向競爭網(wǎng)絡(luò)，從而確定了故障的類型。其中，橫向競爭網(wǎng)絡(luò)的結(jié)構(gòu)如圖1右端所示，即網(wǎng)絡(luò)是由單層神經(jīng)元網(wǎng)絡(luò)組成，而且輸入節(jié)點與輸出節(jié)點之間為全互連接的網(wǎng)絡(luò)。
參見圖1，橫向競爭網(wǎng)絡(luò)是用來將具有最大輸入值的一端激活，以此形成輸出判決層，從而實現(xiàn)解模糊化的功能，其節(jié)點j到節(jié)點i的連接權(quán)系數(shù)為 其中，ε＝1/b，b為網(wǎng)絡(luò)輸出神經(jīng)元數(shù)。從(1)式的連接權(quán)系數(shù)tij組成可以看出，自組織競爭網(wǎng)絡(luò)的權(quán)值有兩種作用，即相同神經(jīng)元之間的權(quán)值起加強的作用，而不同神經(jīng)元之間的權(quán)值相互抑制。
其迭代公式為 其中，為競爭層神經(jīng)元的激活函數(shù)；A為任一給定常數(shù)，常取A＝50；ε的含義與(1)式中的ε相同；i，k均為輸出層神經(jīng)元節(jié)點的序號且i＝1，2，…，b，k＝1，2，…，b，i≠k；t＝1，2，…，b，為迭代變量；y(t)為競爭網(wǎng)絡(luò)的輸入，對應(yīng)于圖1中的y′i；式(2)表示了網(wǎng)絡(luò)輸出的求取方法，即可以由網(wǎng)絡(luò)的輸入經(jīng)加權(quán)和與激活函數(shù)轉(zhuǎn)換后得到。其加權(quán)輸入和是由兩部分組成，分別為來自輸入節(jié)點的加權(quán)輸入和yi(t)(此時權(quán)值為1)與來自競爭層內(nèi)互相抑制的加權(quán)輸入和

(此時權(quán)值為-ε)。
根據(jù)所提的采用神經(jīng)網(wǎng)絡(luò)的方法來實現(xiàn)模擬電路的故障診斷，其主要包括兩大步驟，首先要在測前將網(wǎng)絡(luò)訓練好，其次是在實際診斷時，利用已訓練好的網(wǎng)絡(luò)來實現(xiàn)故障類型的識別，具體有 (1)訓練神經(jīng)網(wǎng)絡(luò)來進行模擬電路診斷的測前工作有 ①獲取待測試數(shù)據(jù)集列出電路可能的待測狀態(tài)即正常狀態(tài)和可能的故障狀態(tài)，分別在非故障元件取標稱值及在容差范圍內(nèi)偏移取值時，運用電路仿真軟件(如Pspice)計算待測試量。
②測試數(shù)據(jù)預處理對測試數(shù)據(jù)進行預處理即模糊化與歸一化處理，獲得反映電路狀態(tài)的特征參量，作為各相應(yīng)神經(jīng)網(wǎng)絡(luò)的輸入特征向量。以節(jié)點電壓為例來說明歸一化處理的過程，設(shè)可及點電壓向量U＝[u1，u2，…，um]，則其歸一化后得到U＝[u1，u2，…，um]，其中ui＝ui/M，即實現(xiàn)了歸一化處理。
③構(gòu)造樣本集利用已獲得的各組特征參量與各輸出特征(電路狀態(tài))之間的對應(yīng)關(guān)系，優(yōu)選樣本并構(gòu)建樣本集，選取其中一部分作為訓練樣本，其余作為測試樣本，此兩部分樣本的選擇均應(yīng)具有代表性。參見圖2，假設(shè)有b個元件分別發(fā)生故障，并且已知各可及點在2b種故障狀態(tài)下的電壓值Ui，i＝1，2，…，m。對元件Yk，k＝1，2，…，b，記hk＝[ΔUk1，ΔUk2，…，ΔUkm]T，其中ΔUki表示k元件故障時，第i個可及點的電壓變化量。設(shè)對hk做歸一化后得hk＝[ΔUk1，ΔUk2，…，ΔUkm]T，其中ΔUki＝(1+ΔUki/ΔUkmax)/2。對hk的各元素進行七級模糊化，即7個語言值{負大，負中，負小，零，正小，正中，正大}＝{NB，NM，NS，O，PS，PM，PB}，，模糊量e論域為
，采用如圖1所示的三角形隸屬度函數(shù)，得m×7維模糊矩陣 那么，式(3)就是電路元件的故障特征，即實現(xiàn)了故障特征的提取。
模擬電路中軟故障的元件可有無窮多個故障參數(shù)值，且正常元件的參數(shù)亦在容差范圍內(nèi)偏離標稱值，使得電路的故障狀態(tài)難以窮盡。但BP網(wǎng)絡(luò)的外推能力是有限的，實際診斷中若僅選擇電路在標稱狀態(tài)下的故障特征作為網(wǎng)絡(luò)的訓練樣本，往往很難適用于有容差的情況，從而會大大降低分類正確率。同時，電路中某個元件發(fā)生軟故障時的電路測量值與該元件發(fā)生硬故障時的測量值可能差別很大，由硬故障特征訓練出的網(wǎng)絡(luò)也往往很難推廣應(yīng)用于診斷軟故障，且軟故障的故障樣本亦不能選得過多，否則將會帶來神經(jīng)網(wǎng)絡(luò)訓練速度與收斂穩(wěn)定性方面的問題。針對這個問題，并且為了使神經(jīng)網(wǎng)絡(luò)能獲得良好的分類性能以及滿意的訓練速度與收斂穩(wěn)定性，本發(fā)明將以差異度的大小來決定故障特征能否被選為訓練樣本的關(guān)鍵。
設(shè)S＝[s1…sk…sb]T和U＝[u1…uk…ub]T分別為兩個故障特征，它們的接近程度可定義為 ρ越小，表示向量S和U越接近，ρ越大，表示向量S和U差異越大。
對于電路的硬故障，對故障容差電路實際測量所得到的特征向量，將分布于特征空間中以標稱值下特征向量為中心的子空間中，各狀態(tài)標稱值下的特征可認為是該狀態(tài)的樣本中心。因此，對每一狀態(tài)可用其樣本中心作為訓練樣本，利用神經(jīng)網(wǎng)絡(luò)所具有的容錯性，在分類時可將樣本中心訓練樣點周圍一定范圍內(nèi)的樣點歸為同一類構(gòu)成訓練樣本。然后，再在上述訓練樣本集的基礎(chǔ)上對每一狀態(tài)增加適當數(shù)量的容差范圍內(nèi)隨機樣點作為可能的附加訓練樣本，但如果增加的樣本與已有非同類狀態(tài)的特征向量過于接近時，則不宜被選為附加樣本點，以免網(wǎng)絡(luò)難于訓練。對這種情況下的電路狀態(tài)，只能依賴神經(jīng)網(wǎng)絡(luò)的推廣能力來診斷。只有當增加的樣本點與已有訓練樣本集中所有樣本的特征差別都足夠大時，才有必要入選為訓練樣本。
對于電路的軟故障，容差對故障定位的影響亦表現(xiàn)為對特征參量空間特性的干擾，即對神經(jīng)網(wǎng)絡(luò)輸入矢量的擾動，相同的容差和故障元件下，故障程度越嚴重，則特征參量的模越大，相對來說，容差的擾動效應(yīng)卻減小了，可見，故容比大的軟故障則故障易定位，反之則故障難分辨。為此，在正常元件的容差范圍內(nèi)及元件的開路與短路兩類硬故障之間，應(yīng)用Monte Carlo法隨機產(chǎn)生足夠多的樣本點，再在其中選擇小故障樣本構(gòu)成訓練集，其選擇的基本方法是 a.若某軟故障狀態(tài)與正常標稱電路狀態(tài)的特征向量過于接近時，算作無故障狀態(tài)考慮更適宜，其能否被選作為無故障樣本，主要決定于其故障特征與已入選的所有同類與非同類狀態(tài)樣本的特征差別是否都足夠大，若是，則可入選； b.若某軟故障狀態(tài)與正常標稱電路狀態(tài)的特征向量差異較大，且其特征與所有硬故障樣本以及已入選的軟故障樣本的特征差別都足夠大時，則可以作為候選軟故障樣本考慮，一般來說，軟故障的故障參數(shù)變化范圍雖然很大，但這種由參數(shù)故障引起的變化具有一定的規(guī)律性，神經(jīng)網(wǎng)絡(luò)可在一定程度上捕捉這種規(guī)律，因此對此類軟故障訓練樣本的選擇密度不需過大； c.若某軟故障狀態(tài)與正常標稱電路狀態(tài)的特征向量差異較小時，對處于該范圍的電路狀態(tài)，由于神經(jīng)網(wǎng)絡(luò)的外推能力有限，有可能將電路誤診斷為除正常狀態(tài)和上面第b類故障以外的其它故障，因此應(yīng)使網(wǎng)絡(luò)的設(shè)定輸出有一個逐漸變化的過程。這樣，對于增加的候選樣本，當該故障特征與非同類故障特征已入選的同類故障特征差別都足夠大時，可被選為訓練樣本。
④構(gòu)造與訓練神經(jīng)網(wǎng)絡(luò)分類器根據(jù)模擬電路的復雜程度、輸入特征及待測狀態(tài)的多少、訓練樣本情況等因素決定所需神經(jīng)網(wǎng)絡(luò)的初步結(jié)構(gòu)，分別利用訓練樣本對相應(yīng)診斷神經(jīng)網(wǎng)絡(luò)進行訓練，同時采用分組粒子群算法來優(yōu)化其結(jié)構(gòu)。本發(fā)明中采用分組粒子群算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，就是利用分組粒子群算法全局搜索的特點，尋找最為合適的網(wǎng)絡(luò)連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)如隱層數(shù)、隱層神經(jīng)元數(shù)等。
在2006年，A.Chatterjee和Siarry在原有的PSO算法的基礎(chǔ)上加入了動態(tài)慣性因子，其基本思想是在更新粒子速度時，對原有速度加入一個慣性系數(shù)，使粒子表現(xiàn)出物理運動的“慣性”表現(xiàn)，并且慣性隨著迭代進行能夠改變，即速度的更新公式為 式中，r1，r2是(0，1)之間相互獨立的兩個隨機函數(shù)；c1，c2被稱為學習因子，通常在0～2之間取值，用于調(diào)整粒子更新的步長；pi、pg分別為個體極值與全局極值；xi為粒子在空間的位置；itermax、iter分別為總迭代次數(shù)與當前迭代次數(shù)；ω即為慣性權(quán)因子，ω的調(diào)整受三個參數(shù)的影響，即慣性指數(shù)n，初始慣性因子ωinit，終止慣性因子ωfinal。
動態(tài)慣性因子的PSO算法能夠使慣性因子從一個初始值逐漸過渡到終止值，形成一個遍歷的效果，如果“好”的慣性因子恰好落入這個初始值和終止值之間，則算法有比較好的性能，否則對算法的性能提高不多，因此，雖然比靜態(tài)慣性因子有改進，但仍需要根據(jù)個人經(jīng)驗來判斷初始值和終止值以達到好的性能。而分組粒子群算法是將粒子群分成幾個小組來分別進化，而且?guī)讉€小組的參數(shù)是各自隨機產(chǎn)生的。在一定的間隔時刻對各個小組的粒子進行變異操作和重新分組，這有助于在不同環(huán)境下進化出的粒子能夠相互取長補短，另外各個小組的參數(shù)在粒子重新分組的時候也進行粒子群算法的參數(shù)優(yōu)化，期望能使小組粒子群的參數(shù)也能夠向著優(yōu)化的參數(shù)靠近。其算法主要包括以下步驟 (1)隨機產(chǎn)生一個大種群N。
(2)將大種群N分成m個小組{n1，n2，…，nm}，其中每個小組有k個粒子。
(3)為每個小組隨機生成各自的進化參數(shù)，如慣性因子ωi，自身學習率Faili和社會學習率FailGi。
(4)對每個小組分別進行迭代進化，每隔k代進行一次變異操作、一次重組操作和一次參數(shù)優(yōu)化操作。變異操作是在各自得小組內(nèi)進行的，粒子參數(shù)(速度或位置)變異后的值P′worst相應(yīng)于粒子的全局極值Pbest以及粒子參數(shù)變異前的值Pworstt的變異規(guī)則為 P′worst＝Pworst+u(Pbest-Pworst) (6) 重組是將所有小組重新合并成一個大種群，對大種群按適應(yīng)度進行排序，然后以k為步長抽取粒子重新分到各個小組進化，即nj＝{Pi*m+j}i＝{0，1，…，k-1}(7) 重組的同時對各組參數(shù)進行粒子群優(yōu)化，m個小組的參數(shù)可以看成是m個粒子，對這m個參數(shù)粒子實行粒子優(yōu)化操作。為了取得最快的收斂速度，此時取當前交叉時刻小組粒子最優(yōu)適應(yīng)值與上一交叉時刻小組粒子最優(yōu)適應(yīng)值之差作為參數(shù)適應(yīng)值，即 Pitpi＝Fi-Fi-1 (8) 其中，F(xiàn)i-1為上一次交叉時刻參數(shù)粒子最優(yōu)值，F(xiàn)i為當前交叉時刻參數(shù)粒子最優(yōu)值。小組粒子在兩個交叉時刻的最優(yōu)值之差的最大化代表了粒子適應(yīng)值的最快下降方向，因此參數(shù)會向著使算法有最快收斂速度的方向逼近。
本發(fā)明中利用分組粒子群算法來優(yōu)化BP網(wǎng)絡(luò)主要步驟有第一步是選擇編碼方式。盡管二進制編碼方式最自然和直接，交叉和變異算子也可以直接使用，但為了提高編碼精度，必須使用較長的編碼，若編碼過長，計算將很大，進化速度緩慢，從而不可避免地存在精度和效率的沖突問題，為在具體的診斷過程中取得滿意的效果，在此采用實數(shù)編碼的方式。即將粒子群中的粒子對應(yīng)于神經(jīng)網(wǎng)絡(luò)隱含層的權(quán)值、輸出層的權(quán)值以及各層神經(jīng)元的偏置。
適應(yīng)度函數(shù)的定義是GPSO-BP算法成功求得全局極值的關(guān)鍵之一。BP網(wǎng)絡(luò)的一個重要特點是網(wǎng)絡(luò)的輸出值與期望的輸出值之間的誤差平方和越小，表示網(wǎng)絡(luò)性能越好，故在此定義適應(yīng)度函數(shù)fit為 式中，其中，M為樣本數(shù)目，E為網(wǎng)絡(luò)的能量函數(shù)，由下式確定 其中，tn、yn分別為神經(jīng)網(wǎng)絡(luò)的第n個目標輸出矢量與第n個實際輸出矢量，N為輸出層的神經(jīng)元數(shù)。
由此可知，式(9)的分母項取為能量函數(shù)，因此可充分突出誤差對整個網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值調(diào)解的影響，同時保障了粒子群朝適應(yīng)度函數(shù)增大的方向進化。
接著是要將粒子群分組，并為每個小組隨機生成各自的進化參數(shù)，即慣性因子、自身學習率和社會學習率等。對各小組分別進行迭代進化與變異操作。而組間是每隔k代進行一次變異操作、一次重組和一次參數(shù)優(yōu)化操作的過程。
⑤測試神經(jīng)網(wǎng)絡(luò)分類器的性能將訓練好的神經(jīng)網(wǎng)絡(luò)分類器在不同待測狀態(tài)下的測試樣本進行識別檢驗，記錄神經(jīng)網(wǎng)絡(luò)對各待測狀態(tài)的識別準確率。
(2)運用訓練好的神經(jīng)網(wǎng)絡(luò)分類器進行模擬電路診斷的過程主要包括 ①測試電路，獲取電路信息，并分別進行其特征提取。
②接通開關(guān)K，將故障特征向量輸入神經(jīng)網(wǎng)絡(luò)分類器的輸入節(jié)點，在神經(jīng)網(wǎng)絡(luò)中進行電路狀態(tài)的分類，從而實現(xiàn)故障類型的識別。
下面結(jié)合實施例來對本發(fā)明進行進一步的說明。參見圖3所示的四運放低通濾波器，設(shè)元件容差為5～10％。對此電路的診斷選擇節(jié)點v2、v3及電路輸出節(jié)點v0的電壓?？紤]故障時元件參數(shù)偏離其正常值的100％，得到這13種故障狀態(tài)(包括一種無故障狀態(tài)NF)。為獲取能充分反應(yīng)故障特征的信息，對電路在節(jié)點v1處施加周期性沖激電源，其幅值為5V，持續(xù)時間為10μs，上升沿和下降沿是0.5μs。
采用Pspice與Matlab7.1軟件相結(jié)合來對進行電路模擬計算，測量計算電路節(jié)點電壓并進行模糊化后得到電路各種狀態(tài)時的故障特征，表1給出了部分模糊特征。
表1部分模糊特征
考慮元件參數(shù)容差的影響，對電路進行5000次Monte-Carlo分析來獲取樣本數(shù)據(jù)，其中的3500次用做訓練樣本，其余的1500次用做故障檢驗樣本。因此，用分組粒子群算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值的所需的參數(shù)將粒子群分成10組，每組有50個粒子，總的迭代次數(shù)itermax＝100，ωmax＝0.9，ωmin＝0.1，自身學習率和社會學習率分別為0.5和0.78，c1＝c2＝2，網(wǎng)絡(luò)的誤差要求為0.01。那么經(jīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)(GPSO-BPNN)的結(jié)構(gòu)為7-13-8-13，經(jīng)傳統(tǒng)粒子群優(yōu)化(PSO-BPNN)與一般未經(jīng)優(yōu)化的BP網(wǎng)絡(luò)(BPNN)的結(jié)構(gòu)分別為7-28-16-13和7-45-38-13。單層橫向競爭網(wǎng)絡(luò)的參數(shù)取c＝2，A＝50，由網(wǎng)絡(luò)的結(jié)構(gòu)也可以知道參數(shù)ε＝0.0769。訓練情況見表2和圖4所示。
表2診斷結(jié)果比較
圖4所示的訓練曲線從上到下依次對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)為GPSO-BPNN、PSO-BPNN和BPNN。從表2和圖4可以看出，采用分組粒子群算法來優(yōu)化的BP網(wǎng)絡(luò)，加快了網(wǎng)絡(luò)的收斂，大大地縮短了網(wǎng)絡(luò)的訓練時間。
另外，應(yīng)用本發(fā)明的方法已成功地研制出了能應(yīng)用于某船舶專用電路故障診斷的裝置，診斷正確率達到99％。其診斷系統(tǒng)的框圖如圖5所示，工作流程為主控PC上位機發(fā)出命令至DSP主板，DSP主板收到命令后驅(qū)動開關(guān)電路板上的各個功能單元，在被測的專用電路板上的測試針腳處完成激勵的產(chǎn)生和測試數(shù)據(jù)的采集。然后主控PC上位機對DSP主板采集到的測試數(shù)據(jù)采用本發(fā)明所提供的方法進行分析判斷，得出結(jié)論。
權(quán)利要求
1.一種基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，其特征在于，包括以下步驟
1)提取電路各種故障狀態(tài)下的可及節(jié)點電壓值，然后對其進行模糊化與歸一化處理，獲得反映電路狀態(tài)的特征參量；
2)將所述的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)輸出為各種故障類型的隸屬度，所述的神經(jīng)網(wǎng)絡(luò)采用分組粒子群算法進行優(yōu)化；
3)所述神經(jīng)網(wǎng)絡(luò)的輸出經(jīng)橫向競爭網(wǎng)絡(luò)后獲得電路故障的診斷結(jié)果；
所述的神經(jīng)網(wǎng)絡(luò)為四層BP網(wǎng)絡(luò)，隱層數(shù)為2，同層節(jié)點之間沒有連接權(quán)相連，對所述的神經(jīng)網(wǎng)絡(luò)采用分組粒子群算法進行優(yōu)化的方法包括以下步驟
a)隨機產(chǎn)生一個大種群N；
b)將大種群N分成m個小組{n1，n2，…，nm}，其中每個小組有k個粒子；
c)為每個小組隨機生成各自的進化參數(shù)，所述的進化參數(shù)包括慣性因子ωi，自身學習率Faili和社會學習率FailGi；
d)對每個小組分別進行迭代進化，每隔k代進行一次變異操作、一次重組操作和一次參數(shù)優(yōu)化操作；變異操作是在各自的小組內(nèi)進行的，粒子參數(shù)變異后的值P′worst相應(yīng)于粒子的全局極值Pbest以及粒子參數(shù)變異前的值Pworst的變異規(guī)則為
P′worst＝Pworst+u(Pbest-Pworst)；
其中u∈(0，1)為學習速率，其根據(jù)Pbest-Pworst的匹配度設(shè)定的，與匹配度成反比。
重組是將所有小組重新合并成一個大種群，對大種群按適應(yīng)度進行排序，然后以k為步長抽取粒子Pi*m+j重新分到各個小組進化，即
nj＝{Pi*m+j}i＝{0，1，…，k-1}；
其中j＝1，2，…，L；L為重新分組后總的組數(shù)；m為原來總的小組數(shù)。
重組的同時對各組參數(shù)進行粒子群優(yōu)化，m個小組的參數(shù)可以看成是m個粒子，對這m個參數(shù)粒子實行粒子優(yōu)化操作；取當前交叉時刻小組粒子最優(yōu)適應(yīng)值與上一交叉時刻小組粒子最優(yōu)適應(yīng)值之差作為參數(shù)適應(yīng)值Fitpi，即
Fitpi＝Fi-Fi-1；
其中，F(xiàn)i-1為上一交叉時刻參數(shù)粒子最優(yōu)值，F(xiàn)i為當前交叉時刻參數(shù)粒子最優(yōu)值；參數(shù)會向著使算法有最快收斂速度的方向逼近。
所述的橫向競爭網(wǎng)絡(luò)中節(jié)點j到節(jié)點i的連接權(quán)系數(shù)為
其中，ε＝1/b，b為網(wǎng)絡(luò)輸出神經(jīng)元數(shù)；網(wǎng)絡(luò)輸出yi(t+1)的求取方法由下式表示
其中，為競爭層神經(jīng)元的激活函數(shù)；A為任一給定常數(shù)；i，k均為輸出層神經(jīng)元節(jié)點的序號且i＝1，2，…，b，k＝1，2，…，b，i≠k；t＝1，2，…，b為迭代變量；y(t)為競爭網(wǎng)絡(luò)的輸入。
2.根據(jù)權(quán)利要求1所述的基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，其特征在于，所述的適應(yīng)度用fit表示，定義如下
式中，其中，M為樣本數(shù)目，E為網(wǎng)絡(luò)的能量函數(shù)，
其中，tn、yn分別為神經(jīng)網(wǎng)絡(luò)的第n個目標輸出矢量與第n個實際輸出矢量，N為輸出層的神經(jīng)元數(shù)。
3.根據(jù)權(quán)利要求2所述的基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，其特征在于，所述的神經(jīng)網(wǎng)絡(luò)采用實數(shù)編碼的方式，即將粒子群中的粒子對應(yīng)于神經(jīng)網(wǎng)絡(luò)隱含層的權(quán)值、輸出層的權(quán)值以及各層神經(jīng)元的偏置。
4.根據(jù)權(quán)利要求1～3任一項所述的基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，其特征在于，采用七級模糊化來對節(jié)點電壓進行模糊化處理作為故障特征，模糊化過程中采用三角形隸屬度函數(shù)。
5.根據(jù)權(quán)利要求4所述的基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，其特征在于，所述的歸一化處理過程為可及點電壓向量U＝[u1，u2，…，um]，則其歸一化后得到的電壓向量為U＝[u1，u2，…，um]，其中ui＝ui/M。
6.根據(jù)權(quán)利要求5所述的基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，其特征在于，神經(jīng)網(wǎng)絡(luò)的輸出端與所述橫向競爭網(wǎng)絡(luò)之間的接上一個開關(guān)，神經(jīng)網(wǎng)絡(luò)訓練時，開關(guān)打開，實際診斷時，開關(guān)閉合，以實現(xiàn)解模糊化并且直接給出故障類型。
全文摘要
本發(fā)明提供了一種基于分組粒子群算法的電子電路故障診斷神經(jīng)網(wǎng)絡(luò)方法，包括以下步驟首先針對元件容差和測量誤差而帶來電子電路故障特征具有模糊性等問題，使用模糊理論來進行特征提取，再經(jīng)歸一化與差異度大小判斷處理后，輸入到神經(jīng)網(wǎng)絡(luò)。對傳統(tǒng)的BP網(wǎng)絡(luò)固有的易陷入局部最優(yōu)等缺點，采用分組粒子群算法來優(yōu)化其結(jié)構(gòu)與權(quán)值的分布，形成優(yōu)化的神經(jīng)網(wǎng)絡(luò)；而在神經(jīng)網(wǎng)絡(luò)的輸出端接上一個開關(guān)K與單層競爭網(wǎng)絡(luò)，網(wǎng)絡(luò)訓練時，開關(guān)打開，實際診斷時，開關(guān)閉合，以實現(xiàn)解模糊化并且直接給出故障類型。本發(fā)明的方法與傳統(tǒng)的基于PSO-BPNN和傳統(tǒng)的基于BPNN的故障診斷方法相比，不僅有效地處理了由于元件容差而帶來的故障診斷的困難，而且還提高了故障診斷的速度與準確率。
文檔編號G06N3/00GK101404071SQ200810143538
公開日2009年4月8日 申請日期2008年11月7日 優(yōu)先權(quán)日2008年11月7日
發(fā)明者何怡剛, 祝文姬 申請人:湖南大學