喬亞瓊
【摘 要】本次研究將對(duì)神經(jīng)網(wǎng)絡(luò)方法做簡(jiǎn)單介紹,在此基礎(chǔ)上提出小波神經(jīng)網(wǎng)絡(luò)法、優(yōu)化神經(jīng)網(wǎng)絡(luò)法以及支持向量機(jī)法等在模擬電路故障診斷中的應(yīng)用。
【關(guān)鍵詞】模擬電路故障診斷;機(jī)器學(xué)習(xí);神經(jīng)網(wǎng)絡(luò);支持向量機(jī)
0 前言
電路系統(tǒng)運(yùn)行可靠性是當(dāng)前電網(wǎng)建設(shè)關(guān)注的主要問(wèn)題,特別部分設(shè)備與系統(tǒng)運(yùn)行環(huán)境復(fù)雜,面臨輻射、潮濕、壓力、高低溫等情況,系統(tǒng)可靠性難以保證,且易對(duì)操作人員帶來(lái)安全威脅。而解決該問(wèn)題的關(guān)鍵在于電路故障下通過(guò)有效的模擬定位診斷方式,達(dá)到故障識(shí)別、預(yù)測(cè)的目的。因此,本文對(duì)機(jī)器學(xué)習(xí)下模擬電路故障診斷的研究,具有十分重要的意義。
1 神經(jīng)網(wǎng)絡(luò)方法概述
1.1 BP神經(jīng)網(wǎng)絡(luò)
所謂神經(jīng)網(wǎng)絡(luò),主要指由信息分析、數(shù)學(xué)分析與處理等模塊構(gòu)成,以生物學(xué)人腦認(rèn)識(shí)為基礎(chǔ)所形成的計(jì)算系統(tǒng),被廣泛用于運(yùn)動(dòng)過(guò)程控制、知識(shí)處理工程以及信號(hào)處理、模式識(shí)別等方面。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用中,較為常見(jiàn)的以BP神經(jīng)網(wǎng)絡(luò)為主,其本身有較強(qiáng)泛化能力,引入到模擬電路故障診斷中,既能對(duì)以往樣本識(shí)別,同時(shí)可識(shí)別新數(shù)據(jù),強(qiáng)調(diào)進(jìn)行“故障字典”的建立。需注意,這種方式應(yīng)用下由于需進(jìn)行海量數(shù)據(jù)的獲取,在此基礎(chǔ)上構(gòu)建訓(xùn)練樣本集,需要的工作量較大。
1.2 RBF神經(jīng)網(wǎng)絡(luò)
作為前饋網(wǎng)絡(luò)患主要類型,RBF網(wǎng)絡(luò)近年來(lái)也被引入到模擬電路故障診斷中,其優(yōu)勢(shì)在于輸入輸出映射功能較強(qiáng),訓(xùn)練過(guò)程較快。具體運(yùn)用于模擬電路故障診斷中,實(shí)現(xiàn)的流程主要包括:①網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定,將網(wǎng)絡(luò)層數(shù)以及相應(yīng)的神經(jīng)元數(shù)目確定,在此基礎(chǔ)上完成隱層函數(shù)類型的確定;②網(wǎng)絡(luò)相關(guān)參數(shù)的確定,RBF網(wǎng)絡(luò)設(shè)計(jì)中,需保證賦值合理,賦值對(duì)象主要以網(wǎng)絡(luò)權(quán)值、隱層單元函數(shù)參數(shù)為主;③結(jié)合已知樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),做輸出、輸入對(duì)應(yīng)關(guān)系的構(gòu)建;④實(shí)測(cè)過(guò)程,在訓(xùn)練后的網(wǎng)絡(luò)內(nèi)輸入故障數(shù)據(jù),輸出的結(jié)果便可用于故障診斷依據(jù)[1]。
2 小波神經(jīng)網(wǎng)絡(luò)法在模擬電路故障診斷中的應(yīng)用表現(xiàn)
2.1 小波神經(jīng)網(wǎng)絡(luò)法實(shí)現(xiàn)原理
神經(jīng)網(wǎng)絡(luò)法應(yīng)用于模擬電路故障診斷中,一般面臨輸入層單元數(shù)過(guò)多結(jié)構(gòu)復(fù)雜以及訓(xùn)練時(shí)間長(zhǎng)等問(wèn)題,在此背景下引入小波理論。關(guān)于小波理論,其本身為時(shí)頻分析方法,強(qiáng)調(diào)通過(guò)小波變化實(shí)現(xiàn)頻窗的調(diào)節(jié),靈活性較強(qiáng),具體分析小波變換特點(diǎn),表現(xiàn)為:①通過(guò)遞進(jìn)方式逐段進(jìn)行信號(hào)的細(xì)化;②小波變換可理解為信號(hào)濾波過(guò)程,借助濾波器實(shí)現(xiàn)濾波處理的目的;③小波時(shí)頻特性較好,待小波分解信號(hào)后,時(shí)頻域上處理可獲取清晰的特征信號(hào),用于信號(hào)分析查找效果理想。需注意的是,該方法應(yīng)用下應(yīng)結(jié)合模擬電路故障診斷實(shí)際,進(jìn)行小波基選擇與小波分解等。
2.2 小波神經(jīng)網(wǎng)絡(luò)法在模擬電路故障診斷中的應(yīng)用
神經(jīng)網(wǎng)絡(luò)方法的應(yīng)用,強(qiáng)調(diào)做故障類別、故障信息聯(lián)系構(gòu)建的,以映射、函數(shù)方式使該聯(lián)系實(shí)現(xiàn),但如何保證神經(jīng)網(wǎng)絡(luò)性能較高,要求訓(xùn)練網(wǎng)絡(luò)、更新網(wǎng)絡(luò)均有精確完整的信息。而該目標(biāo)的實(shí)現(xiàn)便需通過(guò)小波變化實(shí)現(xiàn),保證信號(hào)的有效獲取,提高故障診斷效率。具體剖析小波神經(jīng)網(wǎng)絡(luò)故障診斷中,強(qiáng)調(diào)進(jìn)行測(cè)試電路的構(gòu)造,分別記錄正常狀態(tài)、故障狀態(tài),對(duì)采樣點(diǎn)電壓值等信號(hào)信息進(jìn)行采集,以小波做消噪分解處理,然后于存儲(chǔ)器內(nèi)存儲(chǔ)故障特征信息,故障字典此時(shí)便會(huì)形成。本次研究中主要選BPNN為例,分析小波神經(jīng)網(wǎng)絡(luò)應(yīng)用的具體流程,流程表現(xiàn)為:①將激勵(lì)信號(hào)施加于被測(cè)電路中,其中激勵(lì)信號(hào)的選擇要求幅度足夠,相比被測(cè)電路帶寬其頻率成分較高;②對(duì)診斷電路狀態(tài)以Pspice仿真,實(shí)現(xiàn)數(shù)據(jù)的獲?。虎垡孕〔ǚ治鲎鲂盘?hào)預(yù)處理,確保獲取的特征信號(hào)將電路所有狀態(tài)特征均融入其中,并借助Matlab,實(shí)現(xiàn)模擬電路故障狀態(tài)、正常狀態(tài)下的小波分解;④BPNN的構(gòu)造與訓(xùn)練,構(gòu)造中需取故障、正常狀態(tài)下特征向量,形成訓(xùn)練樣本集,訓(xùn)練中僅需向BP網(wǎng)絡(luò)中輸入,便能進(jìn)行故障字典的構(gòu)建,最后做故障判斷[2]。
3 優(yōu)化神經(jīng)網(wǎng)絡(luò)法在模擬電路故障診斷中的應(yīng)用表現(xiàn)
3.1 蟻群算法與免疫算法基本介紹
所謂蟻群算法,主要指模擬進(jìn)化算法,用于最優(yōu)路徑的尋找,經(jīng)過(guò)長(zhǎng)期實(shí)踐研究,有蟻群系統(tǒng)提出,其特征表現(xiàn)在自組織算法、全局搜索并行算法等,在最短路徑尋找上效果明顯。而免疫算法,包括多種類型,如免疫相應(yīng)過(guò)程IA、自我調(diào)節(jié)機(jī)制IA、克隆選擇原理IA以及疫苗接種IA等,本文在研究中主要考慮結(jié)合疫苗接種、自我調(diào)節(jié)方法,確保高適應(yīng)度個(gè)體保留的同時(shí),個(gè)體多樣性得以保證。由于單純應(yīng)用螞蟻算法下,停滯現(xiàn)象較為明顯,所以將免疫機(jī)制引入,融合下形成免疫螞蟻算法,優(yōu)化RBF網(wǎng)絡(luò)中心參量,對(duì)電路故障診斷效果明顯。
3.2 免疫蟻群RBF網(wǎng)絡(luò)下的模擬電路故障診斷
免疫蟻群RBF網(wǎng)絡(luò)用于模擬電路故障診斷中,實(shí)現(xiàn)流程表現(xiàn)為:①測(cè)試準(zhǔn)備,對(duì)于典型故障,需做Monte Carlo分析、最壞情況分析以及瞬態(tài)分析方法實(shí)現(xiàn)電壓信號(hào)的獲取,以小波分析法進(jìn)行特征信號(hào)的提取,該過(guò)程要求將激勵(lì)信號(hào)施加于被測(cè)電路,獲取輸出電壓信號(hào)V,以.mat格式文件做信號(hào)存儲(chǔ),然后數(shù)字化處理電壓信號(hào)V,歸化處理表征故障特征向量,使訓(xùn)練樣本生成;②訓(xùn)練網(wǎng)絡(luò),于ACS-IP RBF網(wǎng)絡(luò)內(nèi)輸入訓(xùn)練樣本;③診斷,處理輸入信息,獲取的輸出信息可用于故障診斷與定位。
4 支持向量機(jī)模擬電路故障診斷方法
支持向量機(jī)亦被稱之為SVM,直接引入電路故障診斷中,存在樣本數(shù)量多、機(jī)器內(nèi)存消耗大以及運(yùn)算時(shí)間長(zhǎng)等特點(diǎn)。對(duì)此情況,本次研究提出優(yōu)化SVM方法,其實(shí)現(xiàn)步驟體現(xiàn)為測(cè)試電路、特征信號(hào)提取測(cè)量、數(shù)據(jù)預(yù)處理、歸一化轉(zhuǎn)換為網(wǎng)絡(luò)輸入模式、將優(yōu)化RBF核SVM輸入、將網(wǎng)絡(luò)輸出作為診斷結(jié)果。部分實(shí)踐研究中對(duì)于支持向量機(jī)的應(yīng)用做出較多分析,發(fā)現(xiàn)其在故障診斷中優(yōu)勢(shì)主要表現(xiàn)為泛化能力強(qiáng)、準(zhǔn)確率高、速度快等[3]。
具體應(yīng)用優(yōu)化SVM方法進(jìn)行模擬電路故障診斷,實(shí)現(xiàn)的流程為:①測(cè)前準(zhǔn)備,選取典型測(cè)試電路,并根據(jù)電路特點(diǎn)與相關(guān)元件性質(zhì),分析其中故障發(fā)生率較高的元器件,記錄故障狀態(tài)信息數(shù)據(jù),形成電路故障集,將激勵(lì)信號(hào)施加其中;②測(cè)試節(jié)點(diǎn)選取,要求對(duì)模糊集中最多節(jié)點(diǎn)作為測(cè)試節(jié)點(diǎn);③PSPICE仿真,歸一化處理測(cè)試點(diǎn)電壓值,假定以Vmax表示數(shù)據(jù)最大值,調(diào)整數(shù)據(jù)介于[0,1]之間,這樣獲取的數(shù)據(jù)包括測(cè)試樣本、訓(xùn)練樣本均于存儲(chǔ)器存儲(chǔ),生成故障狀態(tài)表;④構(gòu)建多故障分類器SVM,然后將訓(xùn)練樣本輸入,最終輸出的結(jié)果可用于故障診斷依據(jù)。
5 結(jié)論
模擬電路故障診斷是當(dāng)前電網(wǎng)建設(shè)中關(guān)注的主要內(nèi)容。實(shí)際診斷中,可考慮引入神經(jīng)網(wǎng)絡(luò)算法,在其基礎(chǔ)上做相關(guān)的優(yōu)化,引入優(yōu)化RBF、支持向量機(jī)算法等,對(duì)提高診斷效果均能發(fā)揮重要作用。
【參考文獻(xiàn)】
[1]閆永征.基于流形學(xué)習(xí)的數(shù)據(jù)降維技術(shù)及工程應(yīng)用研究[D].北方工業(yè)大學(xué),2017.
[2]陳晨.基于支持向量機(jī)的模擬電路故障診斷研究[D].渤海大學(xué),2016.endprint