專利名稱：：一種采用免疫螞蟻算法優(yōu)化的模擬電路故障診斷方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種模擬電路故障診斷方法,特別涉及一種基于免疫螞蟻算法優(yōu)化的模擬電路故障診斷方法。
背景技術(shù)：
：模擬電路故障診斷大都采用模式分類識(shí)別進(jìn)行診斷，即根據(jù)測(cè)量數(shù)據(jù)判斷電路狀態(tài)屬于哪個(gè)故障類。傳統(tǒng)的利用神經(jīng)網(wǎng)絡(luò)診斷模擬電路的方法一般是在一定的激勵(lì)條件下，將各種常見的故障狀態(tài)及正常狀態(tài)所對(duì)應(yīng)的理論值用PSPICE求出，并以此作為神經(jīng)網(wǎng)絡(luò)的樣本，輸入給神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)學(xué)習(xí)后，輸出即為所對(duì)應(yīng)的故障。但神經(jīng)網(wǎng)絡(luò)的參數(shù)對(duì)故障診斷的結(jié)果影響較大，尤其是采用RBF網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，網(wǎng)絡(luò)的隱單元數(shù)目q，各單元中心點(diǎn)值c以及對(duì)應(yīng)寬度都直接影響到故障診斷的正確率。RBF網(wǎng)絡(luò)(徑向基函數(shù)神經(jīng)網(wǎng)絡(luò))是一種前饋型的神經(jīng)網(wǎng)絡(luò)，具有局部逼近的特點(diǎn)，在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于BP網(wǎng)絡(luò)，在故障診斷方面有著良好的應(yīng)用前景。RBF網(wǎng)絡(luò)的訓(xùn)練算法對(duì)網(wǎng)絡(luò)性能有重大的影響，網(wǎng)絡(luò)設(shè)計(jì)的核心問題和難點(diǎn)就在于對(duì)隱層函數(shù)中心點(diǎn)集的選擇，這也直接影響到將RBF網(wǎng)絡(luò)用于模擬電路故障診斷系統(tǒng)的成敗。目前，RBF神經(jīng)網(wǎng)路的數(shù)據(jù)的選擇方法有以下幾種第一種方法是根據(jù)經(jīng)驗(yàn)從樣本中選擇，這要求對(duì)系統(tǒng)的各種運(yùn)行情況都全面掌握，在實(shí)際工程應(yīng)用中一般難以實(shí)現(xiàn)；第二種方法是Moody于1989年提出的聚類的方法，即將數(shù)據(jù)樣本聚成N類，用類中心作為數(shù)據(jù)中心，其重大缺陷是最優(yōu)解嚴(yán)重依賴于初值，一旦初值選擇不當(dāng)，算法在演化中止時(shí)將陷入局部最優(yōu)；第三種方法是有監(jiān)督的選擇中心，即廣義徑向基網(wǎng)絡(luò)的概念，但是該方法采用梯度下降法，其訓(xùn)練過(guò)程較長(zhǎng)，且易陷入局部極小。由上述可知，三種方法均有尚待完善之處。
發(fā)明內(nèi)容為解決現(xiàn)用RBF網(wǎng)絡(luò)用于模擬電路故障診斷所存在的技術(shù)問題，本發(fā)明提出一種基于免疫螞蟻算法優(yōu)化的模擬電路故障診斷方法。1)、對(duì)待測(cè)電路進(jìn)行靈敏度分析，確定電路的測(cè)試節(jié)點(diǎn)；2)、針對(duì)典型故障情況，對(duì)電路進(jìn)行仿真得到可及點(diǎn)電壓值，一部分作為基函數(shù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，一部分作為檢驗(yàn)樣本，并存入存儲(chǔ)器；3)、依據(jù)建模樣本決定網(wǎng)絡(luò)輸入與輸出層節(jié)點(diǎn)個(gè)數(shù)，利用螞蟻算法優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱層參數(shù)，在螞蟻算法的信息素更新中，引入免疫機(jī)制的進(jìn)化算法；4)、應(yīng)用最小二乘法確定RBF網(wǎng)絡(luò)輸出層權(quán)值；5)、用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，并將訓(xùn)練后的網(wǎng)絡(luò)參數(shù)以及誤差存入存儲(chǔ)器中；6)、測(cè)量待測(cè)電路的實(shí)際電壓信號(hào)，將其輸入訓(xùn)練好的RBF網(wǎng)絡(luò)，RBF網(wǎng)絡(luò)的穩(wěn)態(tài)輸出即為故障的類型，完成模式識(shí)別，實(shí)現(xiàn)故障診斷。本發(fā)明的技術(shù)效果在于本發(fā)明在螞蟻算法中加入免疫算子，可使螞蟻算法在加速收斂和防治停滯之間取得平衡，并用其優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱層參數(shù)，最小二乘法確定輸出層權(quán)值，可提高徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的泛化能力，提高故障診斷的精度和速度。圖1為本發(fā)明的流程圖。圖2為本發(fā)明中免疫優(yōu)化的流程圖。具體技術(shù)方案下面結(jié)合附圖1對(duì)本發(fā)明進(jìn)一步的說(shuō)明。本發(fā)明利用免疫螞蟻算法優(yōu)化RBF網(wǎng)絡(luò)的模擬電路故障診斷方法的流程圖如圖1所示，其具體過(guò)程如下(1)測(cè)前準(zhǔn)備部分。首先，構(gòu)造一個(gè)有代表性的測(cè)試電路。選擇故障集對(duì)已建立的模擬電路，考慮電路中的元件硬故障(即元件短路或開路)，而不考慮電路中的引線故障。實(shí)際的方案是根據(jù)被測(cè)電路的特點(diǎn)和以往的經(jīng)驗(yàn)以及元件故障率來(lái)選擇若干單故障和多個(gè)故障作為故障集。此處考慮故障集中故障的個(gè)數(shù)為m。添加激勵(lì)信號(hào)通常選用與實(shí)際工作相似的輸入信號(hào)作為激勵(lì)信號(hào)。為了充分隔離故障集中的所有(至少大部分)故障，實(shí)際工作中可采用多種輸入信號(hào)的組合信號(hào)作為電路激勵(lì)。采用下述判據(jù)來(lái)檢驗(yàn)由測(cè)試點(diǎn)優(yōu)選法選出測(cè)試節(jié)點(diǎn)n個(gè)。則測(cè)試向量為一個(gè)n維的向量，用于診斷的RBF網(wǎng)絡(luò)輸入層也有n個(gè)單元。<formula>formulaseeoriginaldocumentpage6</formula>其中，K(朋r)是節(jié)點(diǎn)k的正常電壓，K(《)為電路中存在故障F時(shí)節(jié)點(diǎn)k的電壓。(2)選擇電路中的測(cè)試節(jié)點(diǎn)。選擇測(cè)試節(jié)點(diǎn)的基本準(zhǔn)則是在故障集中故障均可以隔離的前提下，使測(cè)試點(diǎn)的數(shù)目最少，盡可能的選擇維數(shù)最低的測(cè)試向量(即特征)來(lái)區(qū)分故障集中的所有故障。本發(fā)明中的實(shí)際做法是采用靈敏度分析將電路中的所有節(jié)點(diǎn)選為可及節(jié)點(diǎn)，計(jì)算在各種故障狀態(tài)下每個(gè)節(jié)點(diǎn)的測(cè)試值，以電壓值表示，并劃分模糊域，得到若干模糊集。接下來(lái)選擇一個(gè)對(duì)應(yīng)模糊集最多的測(cè)試節(jié)點(diǎn)4，其模糊集為S,。令^1，S,'=SlQ取剩下待取節(jié)點(diǎn)中模糊集個(gè)數(shù)最多的節(jié)點(diǎn)作為測(cè)試節(jié)點(diǎn)《,，求相應(yīng)的S,+,'。比較5,+1*中的集合數(shù)與故障表中包含的故障數(shù)目大小，如果大于等于故障數(shù)目，則說(shuō)明目前測(cè)試點(diǎn)集可以隔離所有故障。所取測(cè)試點(diǎn)集為X=M,4,...,4+1}。如果小于故障數(shù)目，則增加測(cè)試節(jié)點(diǎn)。(3)對(duì)電路進(jìn)行HSPICE仿真得到可及點(diǎn)電壓值，一部分作為RBF網(wǎng)絡(luò)的訓(xùn)練樣本，一部分作為檢驗(yàn)樣本，并存入存儲(chǔ)器，組成故障狀態(tài)表。將得到的訓(xùn)練樣本和檢驗(yàn)樣本進(jìn)行歸一化處理，作為診斷時(shí)使用的統(tǒng)一特征向量，以此作為訓(xùn)練樣本或者樣本中心(有容差時(shí))，輸入給RBF網(wǎng)絡(luò)。本發(fā)明將數(shù)據(jù)中最大值F^做為基準(zhǔn)，將每個(gè)數(shù)據(jù)以^/F，代替。這樣，將所有數(shù)據(jù)調(diào)整到區(qū)間[O，l]之內(nèi)。從而，RBF網(wǎng)絡(luò)經(jīng)過(guò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)，進(jìn)行模式識(shí)別，確定故障類型，完成故障診斷。(4)確定RBF網(wǎng)絡(luò)結(jié)構(gòu)依據(jù)訓(xùn)練樣本決定網(wǎng)絡(luò)輸入與輸出層節(jié)點(diǎn)個(gè)數(shù)，即，輸入層單元數(shù)為n個(gè)，輸出層單元數(shù)為m個(gè)(與故障數(shù)相同)，隱含層單元數(shù)由經(jīng)驗(yàn)決定，在試驗(yàn)中可進(jìn)行調(diào)整。下面利用本發(fā)明方法優(yōu)化隱層參數(shù)，求得輸出層連接權(quán)首先把抗Z"體濃度定義為<formula>formulaseeoriginaldocumentpage7</formula>式中，；i(o為t時(shí)刻與j點(diǎn)相連的點(diǎn)中，信息素大于某設(shè)定常量c的點(diǎn)的數(shù)量。N為待搜索尋優(yōu)的點(diǎn)的數(shù)目。螞蟻算法的免疫優(yōu)化的訓(xùn)練，具體步驟參見附圖2。與上述對(duì)應(yīng)，RBF網(wǎng)絡(luò)輸入向量為n維，個(gè)數(shù)為c，則待優(yōu)化的中心參數(shù)包括n*c個(gè)隱層的高斯函數(shù)數(shù)據(jù)中心，以及c個(gè)數(shù)據(jù)中心所對(duì)應(yīng)的寬度。設(shè)N^化+c，N個(gè)參數(shù)分別取r個(gè)可能的隨機(jī)值，組成集合I。接下來(lái)將用免疫一螞蟻算法對(duì)I中的參數(shù)進(jìn)行優(yōu)化。主要步驟有A.初始化過(guò)程設(shè)置最大迭代次數(shù)NC;初始化I中參數(shù)，令元素k初始時(shí)的信息素及其增量為r("(O)=0,A，(0)=0。B.啟動(dòng)全部螞蟻，隨機(jī)分配到I中的各個(gè)離散點(diǎn)。開始蟻群搜索。C.當(dāng)所有螞蟻完成一次搜索后，置NC-NC+1。依據(jù)當(dāng)前螞蟻k選擇的元素作為RBFNN參數(shù)構(gòu)建網(wǎng)絡(luò)，將訓(xùn)練樣本順序輸入。計(jì)算網(wǎng)絡(luò)的平均誤差平方和#=+S2>—力2式中，n為樣本個(gè)數(shù)，o為輸出矢量維數(shù)，y與y'為實(shí)際輸出與期望輸出。D.I中元素的信息素依下式更新0其它E.當(dāng)?shù)螖?shù)^NCmax時(shí)，算法結(jié)束，輸出最優(yōu)解。否則轉(zhuǎn)至步驟B繼續(xù)搜索尋優(yōu).當(dāng)隱含層參數(shù)確定之后，再根據(jù)樣本，利用最小二乘原則，求出輸出層的權(quán)值向量。(5)RBF網(wǎng)絡(luò)的訓(xùn)練及測(cè)試訓(xùn)練網(wǎng)絡(luò)用訓(xùn)練樣本輸入RBF網(wǎng)絡(luò)，并將訓(xùn)練后的網(wǎng)絡(luò)參數(shù)以及誤差存入存儲(chǔ)器中。檢驗(yàn)網(wǎng)絡(luò)用檢驗(yàn)樣本輸入訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行檢測(cè)，將得到的結(jié)果也存入存儲(chǔ)器以記錄。(6)用電路實(shí)際故障狀態(tài)進(jìn)行診斷測(cè)試對(duì)被測(cè)電路進(jìn)行故障狀態(tài)下的實(shí)際測(cè)試，得到電壓信號(hào)作為實(shí)際診斷數(shù)據(jù)，輸入訓(xùn)練好的網(wǎng)絡(luò)，比較得到的輸出與各故障集空間子中心的距離SSD(ot[v,'-v,(d。V為第i個(gè)點(diǎn)上的測(cè)量值，v,(《)為故障巧第i個(gè)點(diǎn)的子中心值。如果找到SSZ)(巧)為所有距離中最小的，則說(shuō)明電路正發(fā)生故障《。故障診斷過(guò)程完成。本發(fā)明應(yīng)用示例根據(jù)上述診斷步驟，對(duì)某電路進(jìn)行診斷。1.具體步驟如下構(gòu)造一測(cè)試用電路；考慮其中電阻元件發(fā)生單軟故障的情況，本例中取實(shí)際值偏離標(biāo)稱值100%的情況；由優(yōu)選法，選擇兩個(gè)節(jié)點(diǎn)作為測(cè)試端；在電路正常狀態(tài)下，采用pspice仿真軟件進(jìn)行直流仿真，得到測(cè)試端電壓；將所有數(shù)據(jù)除以其中最大的值，即進(jìn)行數(shù)據(jù)的歸一化，作為故障診斷的統(tǒng)一特征向量，分別做為故障診斷的訓(xùn)練樣本，測(cè)試樣本。2.具體數(shù)據(jù)所獲得的訓(xùn)練樣本、測(cè)試樣本以及診斷結(jié)果分別于表l、2、3所示。用神經(jīng)網(wǎng)絡(luò)對(duì)模擬電路進(jìn)行故障診斷，得到的作為評(píng)價(jià)診斷性能的重要指標(biāo)即對(duì)訓(xùn)練數(shù)據(jù)的回判率和對(duì)測(cè)試集的判斷率。用基本RBF網(wǎng)絡(luò)進(jìn)行診斷的此兩項(xiàng)數(shù)據(jù)分別為91.08%和86.35%。而用本方案提出的，經(jīng)過(guò)免疫-螞蟻算法(ACS-IP)優(yōu)化了參數(shù)的的RBF網(wǎng)絡(luò)對(duì)同一模擬電路進(jìn)行故障診斷得到的此兩項(xiàng)數(shù)據(jù)分別為100%和92.77%，診斷性能明顯優(yōu)于基本RBF網(wǎng)絡(luò)的診斷性能。由測(cè)試結(jié)果可知，在同樣的訓(xùn)練誤差下，經(jīng)ACS—IP算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的故障診斷能力優(yōu)于RBF網(wǎng)絡(luò)。表h訓(xùn)練樣本故障號(hào)6&F5廠7<table>tableseeoriginaldocumentpage10</column></row><table>表2測(cè)試樣本<table>tableseeoriginaldocumentpage10</column></row><table><table>tableseeoriginaldocumentpage11</column></row><table>權(quán)利要求1.一種基于免疫螞蟻算法優(yōu)化的模擬電路故障診斷方法，包括以下步驟1)建立測(cè)試電路，依經(jīng)驗(yàn)設(shè)置故障集，以及施加于電路的激勵(lì)信號(hào)2)、對(duì)待測(cè)電路進(jìn)行靈敏度分析，確定電路的測(cè)試節(jié)點(diǎn)；3)、針對(duì)典型故障情況，對(duì)電路進(jìn)行HSPICE仿真得到可及點(diǎn)電壓值，一部分作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，一部分作為檢驗(yàn)樣本，進(jìn)行歸一化后存入存儲(chǔ)器；4)、依據(jù)訓(xùn)練樣本決定網(wǎng)絡(luò)輸入與輸出層節(jié)點(diǎn)個(gè)數(shù)，利用螞蟻算法優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱層參數(shù)，在螞蟻算法的信息素更新中，引入免疫機(jī)制的進(jìn)化算法；應(yīng)用最小二乘法確定徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)輸出層權(quán)值；5)、用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，并將訓(xùn)練后的網(wǎng)絡(luò)參數(shù)以及誤差存入存儲(chǔ)器中；用測(cè)試樣本輸入網(wǎng)絡(luò)進(jìn)行檢驗(yàn)6)、測(cè)量待測(cè)電路的實(shí)際電壓信號(hào)，將其輸入訓(xùn)練好的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的穩(wěn)態(tài)輸出即為故障的類型，完成模式識(shí)別，實(shí)現(xiàn)故障診斷。2.根據(jù)權(quán)利要求1所述的基于免疫螞蟻算法優(yōu)化的模擬電路故障診斷方法，所述步驟4)中利用螞蟻算法優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱層參數(shù)的步驟如下A.初始化過(guò)程設(shè)置最大迭代次數(shù)NC;初始化I中參數(shù)，令元素k初始時(shí)的信息素及其增量為r("(O)=0,A，(O)=0;B.啟動(dòng)全部螞蟻，隨機(jī)分配到I中的各個(gè)離散點(diǎn)。開始蟻群搜索；C.當(dāng)所有螞蟻完成一次搜索后，置NC-NC+1。依據(jù)當(dāng)前螞蟻k選擇的元素作為RBFNN參數(shù)構(gòu)建網(wǎng)絡(luò)，將訓(xùn)練樣本順序輸入。計(jì)算網(wǎng)絡(luò)的平均誤差平方和<formula>formulaseeoriginaldocumentpage3</formula>式中，n為樣本個(gè)數(shù)，o為輸出矢量維數(shù)，y與y'為實(shí)際輸出與期望輸出；D.I中元素的信息素依下式更新<formula>formulaseeoriginaldocumentpage3</formula>E.當(dāng)?shù)螖?shù)^NCmax時(shí)，算法結(jié)束，輸出最優(yōu)解。否則轉(zhuǎn)至步驟B繼續(xù)搜索尋優(yōu)。全文摘要本發(fā)明公開了一種基于免疫螞蟻算法優(yōu)化的模擬電路故障診斷方法。包括以下步驟針對(duì)典型故障情況，對(duì)電路進(jìn)行仿真得到可及點(diǎn)電壓值，作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；依據(jù)訓(xùn)練樣本決定網(wǎng)絡(luò)輸入與輸出層節(jié)點(diǎn)個(gè)數(shù)，利用螞蟻算法優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱層參數(shù)，在螞蟻算法的信息素更新中，引入免疫機(jī)制的進(jìn)化算法；應(yīng)用最小二乘法確定徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)輸出層權(quán)值；用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，并將訓(xùn)練后的網(wǎng)絡(luò)參數(shù)以及誤差存入存儲(chǔ)器中；測(cè)量待測(cè)電路的實(shí)際電壓信號(hào)，將其輸入訓(xùn)練好的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的穩(wěn)態(tài)輸出即為故障的類型，完成模式識(shí)別，實(shí)現(xiàn)故障診斷。本發(fā)明的模擬電路故障診斷方法速度快，準(zhǔn)確率高，泛化能力強(qiáng)。文檔編號(hào)G06N3/00GK101231673SQ20081003058公開日2008年7月30日申請(qǐng)日期2008年2月2日優(yōu)先權(quán)日2008年2月2日發(fā)明者何怡剛,劉美容,唐志軍,彭玉樓,晴李,燕李,祝文姬,肖迎群,陳偉峰申請(qǐng)人:湖南大學(xué)