[发明专利]基于混杂神经网络的直流主设备故障诊断方法

权利要求书

1.一种基于混杂神经网络的直流主设备故障诊断方法，其特征在于，其包括以下步骤：

步骤1、获取进行设备故障诊断所需的关联数据，所述关联数据包括源数据和实时数据，其中所述源数据为离线实验数据、带电实验数据、在线监测数据、各种巡检数据组成的历史数据；

步骤2、应用神经网络对所述关联数据进行信息融合；

步骤3、结合粒子群优化算法、Hopfield网络及BP网络，设计混杂神经网络，对步骤2中进行信息融合后的关联数据进行预测，以获取直流主设备的预测状态；

步骤4、将所述预测状态与直流主设备的原始状态对应起来，以不同的形式展现，所述原始状态为源数据所体现的历史状态；

其中步骤3包括：

步骤31、初始Hopfield网络训练，将训练目标数据输入Hopfield网络，获得一个稳定的Hopfield网络，所述训练目标数据为实时数据；

步骤32、将训练好的稳定的Hopfield网络的初始权值矩阵取出，作为粒子算法的局部优化粒子参数，用粒子群优化算法对初始权值矩阵进行优化，获取优化权值矩阵；

步骤33、将优化权值矩阵送回Hopfield网络，重新训练，预处理故障样本数据，使之收敛一定的范围内，将训练所得结果作为BP网络的输入层数据，其中，所述故障样本数据为源数据；

步骤34、BP网络对经过预处理的故障样本数据进行训练，最终获得一网络结构，保存该网络结构；

步骤35、将实时数据输入所述网络结构中，得出预测状态。

2.根据权利要求1所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述获取进行设备故障诊断所需的关联数据的方法是：

获取历史数据和新采集的实时数据，并对二者进行预处理；所述预处理包括对以下问题的一种或多种进行处理：

不同源数据的重复冗余问题、相同源数据中存在的重复性数据冗余问题、不同源数据的冲突问题、不同源数据的错漏问题、不同源数据含有的数据异常问题，所述数据异常问题包括尖刺、飞点或突变的一种或多种。

3.根据权利要求1所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述步骤2进行信息融合的方法是：根据源数据的特点选择合适的神经网络模型建立神经网络，然后根据已有的多源信息和系统融合知识采用相应的学习方法，对所建立的神经网络进行离线学习确定连接权重与结构，最后把得到的神经网络用于关联数据的融合中。

4.根据权利要求3所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，对于复杂问题时，采用层次神经网络，将所述层次神经网络定义为总网，所述总网分为多层子网，子网之间以串并联的形式相联，总网和子网学习分批实施。

5.根据权利要求4所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述子网之间采用相同或不同类型的神经网络。

6.根据权利要求1所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述步骤32中用粒子群优化算法对初始权值矩阵进行优化的方法是：

以粒子群中的粒子的位置表示Hopfield网络的权值矩阵，每个粒子的维数表示Hopfield神经网络起连接作用的权的数量，选取合适的适应度函数，将获得的适应度值作为判断粒子是否具有更好性能的依据，每个粒子在权值空间内移动并搜索适应度值更小的位置，同时改变粒子的速度，更新粒子的位置，获得更新后的网络权值矩阵。

7.根据权利要求6所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，所述适应度函数fit(x)选取为：

fit(x)＝f(WU)-U

其中f(WU)为激励函数，W为网络权值矩阵，U表示网络的稳定状态。

8.根据权利要求7所述的基于混杂神经网络的直流主设备故障诊断方法，其特征在于，改变粒子的速度和更新粒子的位置的方程为：

其中，是粒子i在第k次迭代中第d维的速度，是粒子i在第k次迭代中第d维的位置，c₁,c₂是加速系数，rand₁^k、rand₂^K是0～1之间的随机数，是粒子i在 第k次迭代中第d维的个体极值点的位置，是整个粒子群在第d维的全局极值点的位置，i、d和k均为正整数。