專(zhuān)利名稱(chēng)：基于BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的電子式電能表故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的電子式電能表故障診斷方法，它是ー種用AdaBoost算法改進(jìn)的復(fù)合BP神經(jīng)網(wǎng)絡(luò)，并應(yīng)用于電子式電能表的故障監(jiān)測(cè)、診斷中的方法，屬于故障自動(dòng)檢測(cè)與診斷技術(shù)領(lǐng)域。
(ニ)
背景技術(shù)：
近年來(lái)，隨著電カ電子技術(shù)、集成電路技術(shù)等的不斷發(fā)展進(jìn)歩，電子式電能表的可靠性和維修性要求愈來(lái)愈高。然而傳統(tǒng)的人工故障查找方法由于缺乏詳細(xì)的故障狀態(tài)信息，并依賴(lài)于維修人員的經(jīng)驗(yàn)，要準(zhǔn)確且快速地診斷故障是比較困難的，因而導(dǎo)致維修周期延長(zhǎng)，影響了電子式電能表在生產(chǎn)和生活中的使用。目前，與傳統(tǒng)的人工故障查找方法相對(duì)的故障自動(dòng)檢測(cè)與診斷技術(shù)已成為提高設(shè)備可靠性和維修性的有效手段之一。所謂故障診斷就是動(dòng)態(tài)監(jiān)視電子裝置的工作狀態(tài)，檢查是否發(fā)生故障，若發(fā)現(xiàn)故障，自動(dòng)診斷故障的部 位和性質(zhì)，并通過(guò)外部設(shè)備向用戶(hù)提供故障的部位和性質(zhì)等信息，或進(jìn)行故障的隔離，啟動(dòng)備用系統(tǒng)等重構(gòu)工作。自動(dòng)故障檢測(cè)與診斷方法為預(yù)知維修創(chuàng)造了條件，越來(lái)越多高性能的電カ電子產(chǎn)品將故障自動(dòng)檢測(cè)與診斷技術(shù)應(yīng)用其中。目前，現(xiàn)有的故障檢測(cè)與診斷方法可以分為三類(lèi)，即基于動(dòng)態(tài)數(shù)學(xué)模型的方法、基于信號(hào)處理的方法和基于知識(shí)的方法。基于系統(tǒng)動(dòng)態(tài)數(shù)學(xué)模型的方法是通過(guò)將被診斷對(duì)象的可測(cè)信息和由模型表達(dá)的系統(tǒng)先驗(yàn)信息進(jìn)行比較以產(chǎn)生殘差，并對(duì)殘差進(jìn)行分析和處理而實(shí)現(xiàn)故障診斷的技木；基于信號(hào)處理的方法是從系統(tǒng)的輸入輸出信號(hào)中提取故障信息的方法；基于知識(shí)的方法無(wú)需系統(tǒng)的定量數(shù)學(xué)模型，充分利用了專(zhuān)家診斷知識(shí)和診斷對(duì)象的信息，特別適合于非線(xiàn)性系統(tǒng)和復(fù)雜系統(tǒng)的大型系統(tǒng)。其中，基于知識(shí)的方法內(nèi)容最為豐富，也最有生命力，可以細(xì)分為基于癥狀的方法和基于定性模型的方法，主要有專(zhuān)家系統(tǒng)、模糊推理、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、多元統(tǒng)計(jì)方法、案例推理、基于定性模型的方法、灰色系統(tǒng)理論方法、Petri網(wǎng)方法、粗糙集理論方法、數(shù)據(jù)融合故障診斷方法、基于A(yíng)gent故障診斷方法和故障樹(shù)方法等。在上述眾多方法中，選擇合適的方法是故障自動(dòng)檢測(cè)與診斷成功的關(guān)鍵。

發(fā)明內(nèi)容
I、目的本發(fā)明的目的是提供基于BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的電子式電能表故障診斷方法，通過(guò)AdaBoost算法的引入提高BP神經(jīng)網(wǎng)絡(luò)對(duì)故障的分類(lèi)精度，提高訓(xùn)練效率，縮短網(wǎng)絡(luò)運(yùn)行時(shí)間，最終應(yīng)用于電子式電能表的故障自動(dòng)檢測(cè)。2、技術(shù)方案本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的本發(fā)明是一種基于BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的電子式電能表故障診斷方法，該方法具體步驟如下，流程圖如圖I “本發(fā)明所述方法的流程圖”所示步驟一輸入樣本數(shù)據(jù)。樣本數(shù)據(jù)是由電子式電能表的典型電路，即單相橋式電路的斷路故障數(shù)據(jù)組成，從故障數(shù)據(jù)組成的樣本空間中選擇m組樣本數(shù)據(jù)，并確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為由η個(gè)三層BP神經(jīng)網(wǎng)絡(luò)組成的復(fù)合神經(jīng)網(wǎng)絡(luò)。步驟ニ 網(wǎng)絡(luò)初始化。初始化樣本數(shù)據(jù)的分布權(quán)值Dt⑴，令/)i(7) =1。其中，
i=l, 2，…，m, Dt (i)表示第i個(gè)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，t為迭代次數(shù)，t=l, 2，…T，T為最大迭代次數(shù)。步驟三訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器。將單ー BP神經(jīng)網(wǎng)絡(luò)作為弱分類(lèi)器進(jìn)行訓(xùn)練，共訓(xùn)練η個(gè)弱分類(lèi)器。弱分類(lèi)器訓(xùn)練過(guò)程的具體步驟如下(I)至(13)所述，圖2 “單ー BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器訓(xùn)練流程圖”為步驟三的具體描述。(I)単一 BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置。對(duì)三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)設(shè)置，參數(shù)包括隱層神經(jīng)元數(shù)X、最大學(xué)習(xí)次數(shù)N，輸入(輸出)神經(jīng)元數(shù)NI，以及學(xué)習(xí)速率α、β。(2)網(wǎng)絡(luò)連接權(quán)值、閾值設(shè)定。用較小的隨機(jī)數(shù)初始化閾值{ Θ j}、{rj，權(quán)值Iwi、|Vjk}。具體參數(shù)含義如下所示。{0J}為隱層神經(jīng)元閾值集合，其中j=l，2，"、X;{rj為輸出層神經(jīng)元閾值集合，其中k=l，2，…，N1 ；{WiJ}為輸入層第i個(gè)神經(jīng)元到隱層第j個(gè)神經(jīng)元的連接權(quán)值，其中i=l，2，…，N1,j=l，2，…，X;{vJk}為隱層第j個(gè)神經(jīng)元到輸出層第k個(gè)神經(jīng)元的連接權(quán)值，其中j=l，2，…，X，k=l, 2,…，N115(3)取ー組樣本數(shù)據(jù)，作為BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元的輸入數(shù)據(jù){IJ，其中士=1，2，...小。(4)求隱層神經(jīng)元向量,具體公式如下所示。
權(quán)利要求
1.一種基于BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的電子式電能表故障診斷方法，其特征在于該方法具體步驟如下 步驟ー輸入樣本數(shù)據(jù)；樣本數(shù)據(jù)是由電子式電能表的典型電路，即單相橋式電路的斷路故障數(shù)據(jù)組成，從故障數(shù)據(jù)組成的樣本空間中選擇m組樣本數(shù)據(jù)，并確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為由η個(gè)三層BP神經(jīng)網(wǎng)絡(luò)組成的復(fù)合神經(jīng)網(wǎng)絡(luò)； 步驟ニ 網(wǎng)絡(luò)初始化；初始化樣本數(shù)據(jù)的分布權(quán)值Dt (i)，令D1 (0 = 1;其中，i=l，2，…，m，Dt⑴表示第i個(gè)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，t為迭代次數(shù)，t=l, 2，…T，T為最大迭代次數(shù)；步驟三訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器；將單ー BP神經(jīng)網(wǎng)絡(luò)作為弱分類(lèi)器進(jìn)行訓(xùn)練，共訓(xùn)練η個(gè)弱分類(lèi)器；弱分類(lèi)器訓(xùn)練過(guò)程的具體步驟如下所述 (1)単一BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置；對(duì)三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)設(shè)置，參數(shù)包括隱層神經(jīng)元數(shù)X、最大學(xué)習(xí)次數(shù)N，輸入(輸出)神經(jīng)元數(shù)NI，以及學(xué)習(xí)速率α、β ; (2)網(wǎng)絡(luò)連接權(quán)值、閾值設(shè)定；用較小的隨機(jī)數(shù)初始化閾值{Θ j、{rk}，權(quán)值{ }、{vJk};具體參數(shù)含義如下所示 { Θ j}為隱層神經(jīng)元閾值集合，其中j=l，2，…，X ; {rk}為輸出層神經(jīng)元閾值集合，其中k=l，2，…，N1 ； IwijI為輸入層第i個(gè)神經(jīng)元到隱層第j個(gè)神經(jīng)元的連接權(quán)值，其中i=l，2，…，N1,j=l，2，…，X; {vJk}為隱層第j個(gè)神經(jīng)元到輸出層第k個(gè)神經(jīng)元的連接權(quán)值，其中」=1，2，···，Χ，k=l, 2，...，N1 ； (3)取ー組樣本數(shù)據(jù)，作為BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元的輸入數(shù)據(jù){IJ，其中i=l，2^··,N1 ； (4)求隱層神經(jīng)元向量,具體公式如下所示
全文摘要
一種基于BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的電子式電能表故障診斷方法，該方法的步驟有一輸入樣本數(shù)據(jù)；二網(wǎng)絡(luò)初始化，即初始化樣本數(shù)據(jù)的分布權(quán)值；三訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器；四計(jì)算分類(lèi)誤差；五計(jì)算權(quán)值；六權(quán)值調(diào)整，即根據(jù)步驟五的計(jì)算結(jié)果調(diào)整下一輪訓(xùn)練樣本的權(quán)重值；七循環(huán)判斷；八合成強(qiáng)分類(lèi)函數(shù)；九分類(lèi)結(jié)果統(tǒng)計(jì)與誤差率統(tǒng)計(jì)。本發(fā)明針對(duì)電子式電能表的故障自動(dòng)診斷，能在保證單一BP分類(lèi)器精度的情況下，通過(guò)增加分類(lèi)器數(shù)量，顯著提高對(duì)故障的分類(lèi)精度；并且在軟硬件的實(shí)現(xiàn)上，借助并行計(jì)算原理，大大提高訓(xùn)練效率，縮短網(wǎng)絡(luò)運(yùn)行時(shí)間。它在故障自動(dòng)檢測(cè)與診斷技術(shù)領(lǐng)域里具有較好的實(shí)用價(jià)值和廣闊的應(yīng)用前景。
文檔編號(hào)G01R35/04GK102707256SQ20121020918
公開(kāi)日2012年10月3日 申請(qǐng)日期2012年6月20日 優(yōu)先權(quán)日2012年6月20日
發(fā)明者孫宇鋒, 祁邦彥, 胡薇薇, 趙廣燕, 陳忱 申請(qǐng)人:北京航空航天大學(xué)