[发明专利]基于概率神经网络的装备模拟电路故障诊断方法

权利要求书

1.基于概率神经网络的装备模拟电路故障诊断方法，其特征在于，包括以下步骤，

S1：构建用于模拟电路故障诊断的概率神经网络模型；

S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；

S3：计算步骤S2中筛选出来的有用分量的分形盒维数BCM值，构建相应的故障特征向量；

S4：利用步骤S3中基于训练样本的故障特征向量对步骤S1中的概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；

S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断；

其中，步骤S4中所述的三类参数包括平滑参数σ，第一类阈值参数ψ₁、第二类阈值参数ψ₂；

所述第一类阈值参数ψ₁、第二类阈值参数ψ₂的含义为：

令电路输出特征为T_j，正常状态X₀，超差状态为X_i，则状态X_i的输出特征灵敏度可表示为若被检测电路含有m个输出特征和n类元件参数超差情况，则构成电路灵敏度矩阵矩阵中每一个元素代表状态X_i下特征T_j的灵敏程度；

当[S_ij]中第q列满足时，则舍弃该列，电路灵敏度矩阵变更为m×p(p＜n)维，其故障样本类也同样进行剔除，剩余S′＝{X₁，X₂，…，X_q-1，X_q+1，…，X_n}；

在灵敏度矩阵S′中搜寻是否有满足若有，则舍弃k或l，将二者纳为一类故障；

步骤S4中对三类参数进行优化的具体操作包括以下步骤，

S401：为参数σ、ψ₁、ψ₂赋初值；

S402：根据ψ₁、ψ₂确定故障状态类M_k(k＝1)，相应的样本数量由原来的N变为其子集N_k；

S403：将第i(i＝1，2，…，N_k)个训练样本输入概率神经网络模型中，遍历i记录概率神经网络模型输的后验概率；

S404：按照计算个体适应度值，适应度值越大则个体越优；式中，其中，其中S_j(i)及G(i)分别代表输出值及目标值；P_j(i)表示i号样本属于j类状态的后验概率；Z表示期望最小最优概率，即每个样本经概率神经网络模型后输出的最大概率的下限值；V表征的是后验概率的离散程度，数值越大表示故障可区分程度越优；E表征的是测试样本诊断结果的正确程度，数值越小则个体越优；

S405：开始BSO算法迭代；对于个体类，从4种方式中选择一种方式产生新个体σ′、ψ₁′、ψ₂′；

S406：重复步骤S402～步骤S404，计算适应度值并令k＝k+1，与原来的适应度值比较，若新个体更好则替换原个体；

S407：继续迭代直到达到终止条件得到最优参数σ、ψ₁、ψ₂；

S408：利用ψ₁、ψ₂对故障状态进行筛选，输出当前Z值下的故障状态集；

S409：根据需要调整Z值并重复步骤S401～步骤S408，直到故障状态集达到预定要求，保存训练结果，所述故障状态集为故障状态类的集合。