[发明专利]一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法

说明书

技术领域

本发明涉及一种模拟电路故障诊断方法，特别涉及一种基于免疫蚂蚁算法优化的模拟电路故障诊断方法。

背景技术

模拟电路故障诊断大都采用模式分类识别进行诊断，即根据测量数据判断电路状态属于哪个故障类。传统的利用神经网络诊断模拟电路的方法一般是在一定的激励条件下，将各种常见的故障状态及正常状态所对应的理论值用PSPICE求出，并以此作为神经网络的样本，输入给神经网络，经过学习后，输出即为所对应的故障。但神经网络的参数对故障诊断的结果影响较大，尤其是采用RBF网络进行故障诊断时，网络的隐单元数目q，各单元中心点值c以及对应宽度都直接影响到故障诊断的正确率。

RBF网络(径向基函数神经网络)是一种前馈型的神经网络，具有局部逼近的特点，在逼近能力、分类能力和学习速度等方面均优于BP网络，在故障诊断方面有着良好的应用前景。RBF网络的训练算法对网络性能有重大的影响，网络设计的核心问题和难点就在于对隐层函数中心点集的选择，这也直接影响到将RBF网络用于模拟电路故障诊断系统的成败。目前，RBF神经网路的数据的选择方法有以下几种：第一种方法是根据经验从样本中选择，这要求对系统的各种运行情况都全面掌握，在实际工程应用中一般难以实现；第二种方法是Moody于1989年提出的聚类的方法，即将数据样本聚成N类，用类中心作为数据中心，其重大缺陷是最优解严重依赖于初值，一旦初值选择不当，算法在演化中止时将陷入局部最优；第三种方法是有监督的选择中心，即广义径向基网络的概念，但是该方法采用梯度下降法，其训练过程较长，且易陷入局部极小。由上述可知，三种方法均有尚待完善之处。

发明内容

为解决现用RBF网络用于模拟电路故障诊断所存在的技术问题，本发明提出一种基于免疫蚂蚁算法优化的模拟电路故障诊断方法。

1)、对待测电路进行灵敏度分析，确定电路的测试节点；

2)、针对典型故障情况，对电路进行仿真得到可及点电压值，一部分作为基函数神经网络的训练样本，一部分作为检验样本，并存入存储器；

3)、依据建模样本决定网络输入与输出层节点个数，利用蚂蚁算法优化径向基函数神经网络隐层参数，在蚂蚁算法的信息素更新中，引入免疫机制的进化算法；

4)、应用最小二乘法确定RBF网络输出层权值；

5)、用训练样本训练网络，并将训练后的网络参数以及误差存入存储器中；

6)、测量待测电路的实际电压信号，将其输入训练好的RBF网络，RBF网络的稳态输出即为故障的类型，完成模式识别，实现故障诊断。

本发明的技术效果在于：本发明在蚂蚁算法中加入免疫算子，可使蚂蚁算法在加速收敛和防治停滞之间取得平衡，并用其优化径向基函数神经网络隐层参数，最小二乘法确定输出层权值，可提高径向基函数神经网络的泛化能力，提高故障诊断的精度和速度。

附图说明

图1为本发明的流程图。

图2为本发明中免疫优化的流程图。

具体技术方案

下面结合附图1对本发明进一步的说明。

本发明利用免疫蚂蚁算法优化RBF网络的模拟电路故障诊断方法的流程图如图1所示，其具体过程如下：

(1)测前准备部分。首先，构造一个有代表性的测试电路。

选择故障集：对已建立的模拟电路，考虑电路中的元件硬故障(即元件短路或开路)，而不考虑电路中的引线故障。实际的方案是根据被测电路的特点和以往的经验以及元件故障率来选择若干单故障和多个故障作为故障集。此处考虑故障集中故障的个数为m。

添加激励信号：通常选用与实际工作相似的输入信号作为激励信号。为了充分隔离故障集中的所有(至少大部分)故障，实际工作中可采用多种输入信号的组合信号作为电路激励。采用下述判据来检验由测试点优选法选出测试节点n个。则测试向量为一个n维的向量，用于诊断的RBF网络输入层也有n个单元。