[发明专利]一种基于神经网络的电路故障诊断方法

说明书

技术领域

本发明涉及一种电路故障诊断方法，特别涉及一种基于神经网络的电路故障诊断方法。

背景技术

参数识别法是电子电路故障诊断一种重要方法，一般地是通过求解电路特征方程从而求得元件参数。但由于电路的规模越来越庞大，且其电路特征方程一般为大规模非线性方程，往往求解费时并存在误差较大的缺点。神经网络的出现为电路故障诊断提高了一种新的重要方法，但现有的神经网络用于求解电路特征方程还存在较大的缺点。如绝对值函数的近似处理会产生的较大的误差，为提高解的精度需无限增大罚参数等。

发明内容

为了解决现有电路故障诊断存在的上述技术问题，本发明提供一种基于神经网络的电路故障诊断方法，。

本发明解决上述的技术问题的技术方案包括以下步骤：

1)对待测电路施加电流或电压激励，测量可测接点电压；

2)将测量的可测接点电压值与与正常情况下的可测接点电压值进行比较获得电压增量，根据电路基尔霍夫定理获得电路元器件参数与激励、响应的电路故障特征方程；

3)将元件参数增量作为优化变量，根据电路故障特征方程建立约束非线性非连续最优化问题；

4)将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题，并建立神经网络的计算能量函数，构造无约束非线性非可微最优化问题的神经网络计算模型，利用所建立的神经网络计算模型求解元件参数，根据元件参数容差范围确定故障。

本发明的技术效果在于：本发明采用的是精确罚函数法，将电路故障诊断过程中的约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题并建立神经网络的计算能量函数，构造无约束非线性非可微最优化问题的神经网络计算模型，避免了在将约束非线性非连续最优化问题转化为无约束非线性非可微最优化问题中产生的误差问题，提高了故障诊断精度。并避免了对绝对值函数的近似处理产生的误差问题，同时在一定程度上摆脱了为提高解的精度无限增大罚参数的困境。

下面结合附图及实施例对本发明作详细的说明。

附图说明

图1为本发明的计算神经网络模拟框图；

图2为本发明应用示例1的待诊断的电子电路；

图3为本发明应用示例1的神经网络动态演化曲线；

具体实施方式

本发明的电路故障诊断方法如下：

首先对待测电路施加电流或电压激励，测量可测接点电压，与正常情况下进行比较获得电压增量，根据电路基尔霍夫定理获得电路元器件参数与激励、响应的关系方程(即电路故障特征方程)C_i(x)＝0(i＝1，2，…，l)，然后将元件参数增量X＝[x₁，…，x_n]^T作为优化变量，采用约束非线性非连续最优化方法进行求解获得元件参数增量，与正常参数比较得出故障元件。所建立的约束非线性非连续最优化问题如下：

minXΣj=1m|fj(x)|---(1)]]>

S.t.C_i(x)＝0(i＝1，2，…，l)(2)

式中f_j(x)＝f_j(x₁，…，x_n)，(j＝1，…，m)；C_i(x)＝C_i(x₁，…，x_n)，(i＝1，…，l)是非线性连续可微函数，X＝[x₁，…，x_n]^T为优化变量，m为函数f_j(x)的数量，l约束函数C_i(x)的数量。