[发明专利]一种基于改进的RBF神经网络的模拟电路故障诊断方法

摘要

本发明公开了一种基于改进的RBF神经网络的模拟电路故障诊断方法，包括以下步骤：给待测电路施加激励，并用改进的小波包变换处理响应信号，提取故障特征信号；对所提取的候选特征信号进行归一化处理，得到故障特征向量；作为样本输入到神经网络中进行分类，得到故障诊断的结果。本发明采用基于小波包变换的故障特征向量的提取，提高了故障的分辨率；通过归一化等预处理，有效地消除了原变量因量纲不同和数值差异太大而带来的影响；通过用遗传优化算法来替代RBF算法中的LMS法来训练神经网络的参数，能够改善RBF算法的性能，利用K均值聚类学习算法设置遗传算法的寻优起始点，有效地减少了算法的迭代次数，减少了误差，提高了诊断的速度和故障的识别率。

主权项

一种基于改进的RBF神经网络的模拟电路故障诊断方法，即给待测电路施加激励，在电路的测试节点测量激励响应信号；将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号，然后进行归一化处理以提取故障特征信息，再将故障特征信息作为样本输入经过遗传算法优化后的神经网络进行故障分类，考虑到遗传算法性能易受初始点影响，利用K均值聚类学习算法设置寻优起始点；具体包括以下步骤：步骤一：给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；步骤二：对所提取的候选特征向量进行归一化处理，得到故障特征向量；步骤三：将故障特征向量作为训练样本输入经过遗传算法优化后的RBF神经网络中，训练RBF神经网络，使其误差平方和小于期望误差，将RBF神经网络的隐含层节点数考虑为可变的，优化选择隐含层节点数，考虑到遗传算法性能易受初始点影响，利用K均值聚类学习算法设置寻优起始点；步骤四：利用优化训练后RBF神经网络，结合训练样本，建立模拟电路故障字典，用于存储训练后的神经网络的网络权值，阈值及误差；步骤五：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的RBF神经网络中，RBF神经网络的输出即为故障类型；步骤六：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。