本發(fā)明涉及電機(jī)驅(qū)動系統(tǒng)逆變器故障診斷技術(shù)領(lǐng)域，具體涉及一種基于小波包變換和狼群一模擬退火算法優(yōu)化徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)的pwm三相逆變器故障檢測方法。

背景技術(shù)：

目前，電機(jī)驅(qū)動系統(tǒng)在工業(yè)、農(nóng)業(yè)、交通、國防、航空航天等領(lǐng)域的應(yīng)用越來越廣泛。電機(jī)驅(qū)動系統(tǒng)通常由電機(jī)、逆變器、傳感器、控制器組成，而三相電機(jī)驅(qū)動系統(tǒng)一般由電壓源型脈寬調(diào)制(簡稱pwm)逆變器供電。pwm逆變器是一種電力半導(dǎo)體電路，因主電路結(jié)構(gòu)較為簡便、控制比較靈活，所以應(yīng)用場合較多，用途較大。pwm逆變器主要用于電動機(jī)變頻調(diào)速以及電能轉(zhuǎn)換，與傳統(tǒng)電動機(jī)驅(qū)動系統(tǒng)性能相比，可靠性更高。然而，電機(jī)變頻調(diào)速系統(tǒng)中pwm逆變器的功率半導(dǎo)體器件即igbt由于自身的脆弱性，一旦出現(xiàn)故障，極易對pwm逆變器及控制系統(tǒng)的運行帶來嚴(yán)重影響并造成損壞。逆變器中igbt通常處于高頻開關(guān)狀態(tài)，損耗比較高，發(fā)熱情況也較為嚴(yán)重，因此故障的出現(xiàn)概率高，最易產(chǎn)生斷路故障。即使產(chǎn)生短路，由于igbt自身保護(hù)電路作用也必使其開路。據(jù)相關(guān)技術(shù)資料分析，電機(jī)變頻調(diào)速系統(tǒng)中，逆變器已成為系統(tǒng)中故障頻繁發(fā)生的薄弱環(huán)節(jié)，逆變器故障率在整個電機(jī)驅(qū)動系統(tǒng)約占到83％，故障主要源于半導(dǎo)體開關(guān)器件損壞。所以，對pwm逆變器中功率管故障進(jìn)行快速、精準(zhǔn)的監(jiān)測和診斷，對于提高電機(jī)驅(qū)動系統(tǒng)的安全、穩(wěn)定及高效運行至關(guān)重要。許多學(xué)者進(jìn)行了大量的研究，羅耀華、從靜提出基于bp神經(jīng)網(wǎng)絡(luò)的三相逆變器故障診斷方法；崔博文提出基于小波神經(jīng)網(wǎng)絡(luò)的逆變器功率開關(guān)故障診斷方法，戴鵬等人提出基于小波包變換和bp神經(jīng)網(wǎng)絡(luò)的逆變器故障診斷方法；朱琴躍等學(xué)者設(shè)計一種基于改進(jìn)蟻群神經(jīng)網(wǎng)絡(luò)的牽引逆變器故障診斷方法，等等。以上神經(jīng)網(wǎng)絡(luò)故障診斷模型所采取的學(xué)習(xí)算法為bp算法、蟻群算法等，這些算法主要存在收斂速度慢、計算時間長、搜索效率低、易陷入局部最優(yōu)等缺陷，從而極大影響逆變器故障診斷速度及準(zhǔn)確率。

技術(shù)實現(xiàn)要素：

為克服上述逆變器神經(jīng)網(wǎng)絡(luò)故障診斷模型學(xué)習(xí)算法存在的問題與不足，本發(fā)明以電機(jī)驅(qū)動系統(tǒng)中三相pwm逆變器為研究對象，設(shè)計一種基于小波包變換和徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)的逆變器igbt開路故障診斷策略，應(yīng)用小波分析的多分辨分析能力對逆變器輸出波形進(jìn)行小波分解，有效提取igbt開路故障的特征向量來作為rbf神經(jīng)網(wǎng)絡(luò)輸入量，再利用狼群一模擬退火算法優(yōu)化并訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)，從而實現(xiàn)igbt開路故障的有效識別與準(zhǔn)確定位。rbf神經(jīng)網(wǎng)絡(luò)用于逆變器故障診斷，必須確定其結(jié)構(gòu)參數(shù)，相關(guān)參數(shù)有m(輸出層神經(jīng)元節(jié)點數(shù))、n(輸入層神經(jīng)元節(jié)點數(shù))、k(隱含層神經(jīng)元節(jié)點數(shù))、ci(徑向基函數(shù)中心值)、δi(徑向基函數(shù)方差)、ωis(隱含層與輸出層之間連接權(quán)值)，其中ci、δi、ωis莫型結(jié)構(gòu)參數(shù)對rbf神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率影響較大，狼群-模擬退火算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的技術(shù)方案為：

步驟1：采集電機(jī)驅(qū)動系統(tǒng)中逆變器故障數(shù)據(jù)，由小波包分解提取逆變器故障特征向量；

步驟2：初始化狼群及其參數(shù)，設(shè)定狼群最大迭代次數(shù)ncmax、最大游走次數(shù)tmax、個體狼數(shù)目m、探狼比例因子μ、距離判斷因子τ、步長因子s、更新比例因子β、狼群算法迭代次數(shù)t1＝1；設(shè)定模擬退火算法的退火初始溫度t0、溫度冷卻系數(shù)(退火速率)φ、退火迭代次數(shù)t2＝1，當(dāng)前溫度下最大退火循環(huán)次數(shù)lmax；確定rbf神經(jīng)網(wǎng)絡(luò)的輸入輸出和隱含層節(jié)點數(shù)，確定訓(xùn)練樣本；設(shè)定在d維空間中第i只人工狼位置為：xi＝(xi1，…，xiu，...，xid)，其中1≤i≤m，1≤u≤d；人工狼初始位置按下列隨機(jī)確定，即：

式中，b為0～1范圍內(nèi)隨機(jī)數(shù)，maxd、mind分別表示第d搜索維空間內(nèi)狼群的最大位置和最小位置值；

步驟3：計算每只人工狼的適應(yīng)度值fitness(即氣味濃度函數(shù))，采用步驟2的個體狼狀態(tài)對rbf神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心ci、方差δi及權(quán)值ωis賦值，將訓(xùn)練樣本輸入rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)期望輸出值與預(yù)測值之間的均方差倒數(shù)作為狼群中人工狼的適應(yīng)度函數(shù)，第i只人工狼適應(yīng)度為：

其中，qju、yju分別表示第j個訓(xùn)練樣本在第u個網(wǎng)絡(luò)輸出節(jié)點處的期望輸出與預(yù)測值，m表示輸出節(jié)點數(shù)，n表示訓(xùn)練樣本數(shù)；

步驟4：按照個體狼的適應(yīng)度大小，依次選取頭狼、探狼、猛狼等三種人工狼，適應(yīng)度最高的人工狼作為頭狼；

步驟5：探狼執(zhí)行游走行為，如果探狼適應(yīng)度高于頭狼，或探狼游走次數(shù)為最大值tmax時，則探狼游走結(jié)束，狼群進(jìn)入猛狼奔襲行為；

式中，g＝1，2，…，p；r1＝1，2，…，n，n為探狼個數(shù)，即為從[m/(μ+1)，m/μ]范圍內(nèi)隨機(jī)選取的整數(shù)，m表示狼群種群規(guī)模，μ表示探狼比例因子；maxd、mind分別表示第d維空間內(nèi)狼群的最大位置和最小位置值；s為步長因子；step1(d)表示探狼在第d維空間朝著p個不同方向上的移動步長；表示第r1探狼在第d維空間中向著g方向前進(jìn)一步后位置；

步驟6：猛狼執(zhí)行奔襲行為，其規(guī)則為：

其中，r2＝1，2，…，m-n-1，表示第r2只猛狼經(jīng)過t次奔襲后的d維空間位置，step2(d)表示猛狼在第d維空間中逼近頭狼的前進(jìn)步長，τ為距離判斷因子，j為個體狼的編碼長度，在猛狼與頭狼間的距離位于判斷距離dis時，該猛狼的奔襲行為便中止；

步驟7：人工狼執(zhí)行圍攻行為，其規(guī)則為：

式中，r3＝1，2，…，m-1，表示在d維空間范圍內(nèi)第r3只人工狼朝頭狼位置方向移動一步后所處的位置，ρ代表[-1，1]的隨機(jī)數(shù)，step3(d)表示除頭狼外個體狼在d維空間圍攻步長；

步驟8：所有人工狼按適應(yīng)度大小排序，適應(yīng)度最高的人工狼設(shè)定為頭狼，淘汰弱小的人工狼，生成下次迭代的頭狼；令t1＝t1+1，判別迭代次數(shù)是否達(dá)到狼群最大迭代次數(shù)ncmax，如達(dá)到，則轉(zhuǎn)入步驟11，否則轉(zhuǎn)至步驟9；

步驟9：對本代中最優(yōu)頭狼個體進(jìn)行模擬退火操作，在得到頭狼位置解xi鄰域內(nèi)隨機(jī)選擇新解xj并計算適應(yīng)度即fitness(xi)和fitness(xj)，計算適應(yīng)度差值δf＝fitness(xj)-fitness(xi)，計算選擇概率p＝exp(-δf/ti)，這里ti為當(dāng)前溫度；如果p＞random[0，1)，則將當(dāng)前頭狼位置由xi替換為xj，并以xj作為下次尋優(yōu)的開始，否則以原頭狼位置xi進(jìn)行下一次迭代尋優(yōu)；

步驟10：令t2＝t2+1，按ti+1＝φ·ti進(jìn)行降溫退火，其中φ∈(0，1)，如果t2＜lmax，返回步驟9，否則轉(zhuǎn)入步驟3執(zhí)行；

步驟11：將搜索最優(yōu)個體賦值給rbf神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心ci、方差δi及權(quán)值ωis，進(jìn)行神經(jīng)網(wǎng)絡(luò)逆變器故障檢測。

本發(fā)明的有益效果如下：

(1)本發(fā)明所述的狼群-模擬退火算法，既保持狼群算法較好的求解精度、收斂速度、全局收斂性，又具備模擬退火算法強(qiáng)大的局部搜索能力；將模擬退火機(jī)制引入狼群算法形成的狼群-模擬退火算法，能在全局搜索時避免狼群算法陷入局部最優(yōu)解狀態(tài)，從而保證算法的尋優(yōu)精度、速度。并能有效避免算法陷入局部極值，利用狼群-模擬退火算法優(yōu)化訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)，能得到結(jié)構(gòu)參數(shù)最優(yōu)的rbf神經(jīng)網(wǎng)絡(luò)模型。

(2)優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)模型用于電機(jī)驅(qū)動系統(tǒng)三相pwm逆變器開路故障診斷，能精準(zhǔn)定位逆變器igbt功率管的故障位置，故障診斷快速、準(zhǔn)確，對于提高電機(jī)驅(qū)動系統(tǒng)的運行可靠性具有一定的應(yīng)用價值。

附圖說明

圖1為逆變器故障診斷模型示意圖。

圖2為小波包分解樹結(jié)構(gòu)示意圖。

圖3為rbf神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。

圖4為狼群-模擬退火算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)流程圖。

圖5為逆變器驅(qū)動的電機(jī)系統(tǒng)示意圖。

具體實施方式

以下結(jié)合附圖和實施例對本發(fā)明做進(jìn)一步分析。

本發(fā)明實施例描述了一種基于小波包變換和狼群-模擬退火算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)的電機(jī)驅(qū)動系統(tǒng)三相pwm逆變器故障診斷模型，其模型結(jié)構(gòu)如圖1所示。主要包括：逆變器igbt故障數(shù)據(jù)采集，逆變器igbt故障信號特征向量提取，rbf神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練與故障檢測。其中，e31～e37分別表示逆變器側(cè)igbt畸變電流信號經(jīng)過小波包分解、能量特征構(gòu)造并進(jìn)行數(shù)據(jù)歸一化處理的故障特征向量。利用rbf神經(jīng)網(wǎng)絡(luò)設(shè)計pwm逆變器故障診斷模型，采取狼群-模擬退火算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)。rbf神經(jīng)網(wǎng)絡(luò)輸入量為e31～e37，輸出為y1～y6，y1～y6的不同輸出狀態(tài)組合按故障類型分為正常、單管開路故障、同一橋臂兩管開路故障、同極性兩管開路故障、交叉兩管開路故障等5大類別，共產(chǎn)生22種故障狀態(tài)。下面從逆變器故障特征提取、rbf神經(jīng)網(wǎng)絡(luò)及其優(yōu)化、三相pwm逆變器故障診斷實例分析等內(nèi)容對本發(fā)明作深入闡釋。

1.逆變器故障特征提取

小波包分析通過分解故障信號至不同頻段，計算不同頻帶段內(nèi)對應(yīng)能量。本實施例采取igbt開路故障時逆變器機(jī)側(cè)的畸變電流信號進(jìn)行小波包分解，小波包分解樹結(jié)構(gòu)示意圖(以3層為例)如圖2所示。

圖中的每一個結(jié)點都代表一定的信號特征，結(jié)點(i，j)表示第i層的第j個結(jié)點，這里i＝0，1，2，3；j＝0，1，2，...，7。對于小波包分解重構(gòu)，從中有效提取各頻帶段內(nèi)的信號特征。如果經(jīng)過小波包分解后第3層第j個頻帶重構(gòu)信號為s(3，j)，那么對應(yīng)信號能量為e(3，j)。

式中，skj(j＝0，1，2，......7；k＝1，2，......n)為重構(gòu)信號s(3，j)的離散點的幅值；n表示信號采樣點數(shù)。定義信號s(3，j)的總能量e等于各頻帶能量之和，即：

由于逆變器故障對各頻段區(qū)中的信號能量影響較大，不利于故障數(shù)據(jù)分析，所以需要對各頻段內(nèi)能量作歸一化處理^[6]，即：

上述能量歸一化后，可以構(gòu)造從小波包分解中提取的逆變器故障特征向量為：

2.rbf神經(jīng)網(wǎng)絡(luò)及其優(yōu)化

rbf神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為包含輸入層、隱含層、輸出層的前饋網(wǎng)絡(luò)，具有較強(qiáng)的非線性映射能力，其特性主要取決于隱含層單元的徑向基函數(shù)。rbf神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型如圖3所示。

本結(jié)構(gòu)中，隱含層單元的徑向基函數(shù)采取高斯分布，x1～xn表示網(wǎng)絡(luò)輸入，y1～yn表示網(wǎng)絡(luò)輸出，其中網(wǎng)絡(luò)第s個輸出為：

式(1)中，ωis為隱含層與輸出層之間的連接權(quán)值，hs表示第i個徑向基函數(shù)，即為：

式(2)中，ci為徑向基函數(shù)的中心值，δi為徑向基函數(shù)的方差(寬度)值，i＝1，2，...，k，k為網(wǎng)絡(luò)隱含層中神經(jīng)元節(jié)點個數(shù)。

以上rbf神經(jīng)網(wǎng)絡(luò)用于逆變器故障診斷，必須首先確定其結(jié)構(gòu)及參數(shù)，相關(guān)參數(shù)有m(輸出層神經(jīng)元節(jié)點數(shù))、n(輸入層神經(jīng)元節(jié)點數(shù))、k(隱含層神經(jīng)元節(jié)點數(shù))、ci(徑向基函數(shù)中心值)、δi(徑向基函數(shù)方差)、ωis(隱含層與輸出層之間連接權(quán)值)，其中ci、δi、ωis模型參數(shù)對神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率影響較大，應(yīng)用狼群-模擬退火算法對rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。狼群算法是通過模仿狼群捕獵行為而提出的一種新型群體智能算法，與蟻群、粒子群、蛙群等其它算法相比，狼群算法具有更好的求解精度、收斂速度以及更強(qiáng)的計算魯棒性、全局收斂性，但極容易陷入局部極值。而模擬退火算法局部搜索能力強(qiáng)，將模擬退火機(jī)制引入狼群算法形成狼群-模擬退火算法，能使算法在全局搜索時避免狼群算法陷入局部最優(yōu)解狀態(tài)，從而保證算法的尋優(yōu)精度、速度。狼群-模擬退火算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)流程如圖4所示，具體步驟為：

步驟1：采集電機(jī)驅(qū)動系統(tǒng)中逆變器故障數(shù)據(jù)，由小波包分解提取逆變器故障特征向量；

步驟2：初始化狼群及其參數(shù)，設(shè)定狼群最大迭代次數(shù)ncmax、最大游走次數(shù)tmax、個體狼數(shù)目m、探狼比例因子μ、距離判斷因子τ、步長因子s、更新比例因子β、狼群算法迭代次數(shù)t1＝1；設(shè)定模擬退火算法的退火初始溫度t0、溫度冷卻系數(shù)(退火速率)φ、退火迭代次數(shù)t2＝1，當(dāng)前溫度下最大退火循環(huán)次數(shù)lmax；確定rbf神經(jīng)網(wǎng)絡(luò)的輸入輸出和隱含層節(jié)點數(shù)，確定訓(xùn)練樣本；設(shè)定在d維空間中第i只人工狼位置為：xi＝(xi1，…，xiu，...，xid)，其中1≤i≤m，1≤u≤d；人工狼初始位置按公式(7)隨機(jī)確定，即：

式中，b為0～1范圍內(nèi)隨機(jī)數(shù)，maxd、mind分別表示第d搜索維空間內(nèi)狼群的最大位置和最小位置值；

步驟3：計算每只人工狼的適應(yīng)度值fitness(即氣味濃度函數(shù))，采用步驟2的個體狼狀態(tài)對rbf神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)中心ci、方差δi及權(quán)值ωis賦值，將訓(xùn)練樣本輸入rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)期望輸出值與預(yù)測值之間的均方差倒數(shù)作為狼群中人工狼的適應(yīng)度函數(shù)，第i只人工狼適應(yīng)度為：

其中，qju、yju分別表示第j個訓(xùn)練樣本在第u個網(wǎng)絡(luò)輸出節(jié)點處的期望輸出與預(yù)測值，m表示輸出節(jié)點數(shù)，n表示訓(xùn)練樣本數(shù)；

步驟4：按照個體狼的適應(yīng)度大小，依次選取頭狼、探狼、猛狼等三種人工狼，適應(yīng)度最高的人工狼作為頭狼；

步驟5：探狼執(zhí)行游走行為，如果探狼適應(yīng)度高于頭狼，或探狼游走次數(shù)為最大值tmax時，則探狼游走結(jié)束，狼群進(jìn)入猛狼奔襲行為；

式中，g＝1，2，…，p；r1＝1，2，…，n，n為探狼個數(shù)，即為從[m/(μ+1)，m/μ]范圍內(nèi)隨機(jī)選取的整數(shù)，m表示狼群種群規(guī)模，μ表示探狼比例因子；maxd、mind分別表示第d維空間內(nèi)狼群的最大位置和最小位置值；s為步長因子；step1(d)表示探狼在第d維空間朝著p個不同方向上的移動步長；表示第r1探狼在第d維空間中向著g方向前進(jìn)一步后位置；

步驟6：猛狼執(zhí)行奔襲行為，其規(guī)則為：

其中，r2＝1，2，…，m-n-1，表示第r2只猛狼經(jīng)過t次奔襲后的d維空間位置，step2(d)表示猛狼在第d維空間中逼近頭狼的前進(jìn)步長，τ為距離判斷因子，j為個體狼的編碼長度，在猛狼與頭狼間的距離位于判斷距離dis時，該猛狼的奔襲行為便中止；

步驟7：人工狼執(zhí)行圍攻行為，其規(guī)則為：

式中，r3＝1，2，…，m-1，表示在d維空間范圍內(nèi)第r3只人工狼朝頭狼位置方向移動一步后所處的位置，ρ代表[-1，1]的隨機(jī)數(shù)，step3(d)表示除頭狼外個體狼在d維空間圍攻步長；

步驟8：所有人工狼按適應(yīng)度大小排序，適應(yīng)度最高的人工狼設(shè)定為頭狼，淘汰弱小的人工狼，生成下次迭代的頭狼；令t1＝t1+1，判別迭代次數(shù)是否達(dá)到狼群最大迭代次數(shù)ncmax，如達(dá)到，則轉(zhuǎn)入步驟11，否則轉(zhuǎn)至步驟9；

步驟9：對本代中最優(yōu)頭狼個體進(jìn)行模擬退火操作，在得到頭狼位置解xi鄰域內(nèi)隨機(jī)選擇新解xj并計算適應(yīng)度即fitness(xi)和fitness(xj)，計算適應(yīng)度差值δf＝fitness(xj)-fitness(xi)，計算選擇概率p＝exp(-δf/ti)，這里ti為當(dāng)前溫度；如果p＞random[0，1)，則將當(dāng)前頭狼位置由xi替換為xj，并以xj作為下次尋優(yōu)的開始，否則以原頭狼位置xi進(jìn)行下一次迭代尋優(yōu)；

步驟10：令t2＝t2+1，按ti+1＝φ·ti進(jìn)行降溫退火，其中φ∈(0，1)，如果t2＜lmax，返回步驟9，否則轉(zhuǎn)入步驟3執(zhí)行；

步驟11：將搜索最優(yōu)個體賦值給rbf神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)中心ci、方差δi及權(quán)值ωis，進(jìn)行神經(jīng)網(wǎng)絡(luò)逆變器故障檢測。

3.三相pwm逆變器故障診斷實例分析

(1)三相逆變器故障編碼

圖5所示為pwm逆變器供電驅(qū)動的電機(jī)變頻調(diào)速系統(tǒng)。在工控場合中，逆變器發(fā)生故障比較常見的是開關(guān)功率器件即絕緣柵雙極晶體管(igbt)出現(xiàn)開路故障，考慮系統(tǒng)在現(xiàn)場運行過程中多個(3個以上)igbt同時發(fā)生故障的概率較低，所以為了簡化分析過程，本發(fā)明實例設(shè)定最多同時只有2只igbt發(fā)生開路故障，于是故障可分為無功率管故障(正常)、單管開路、上下同一橋臂兩管開路、同極性(或同半橋)兩管開路、交叉兩管開路共22種故障情況。具體故障類別如表1所示，其中p1p2p3代表5種故障類別，p4p5代表橋臂，p6代表橋臂上發(fā)生故障的igbt元件。

表1典型功率管開路故障特征編碼

(2)三相逆變器故障樣本提取

當(dāng)功率管發(fā)生開路故障時，逆變器輸出側(cè)電流不再是正弦波，必然產(chǎn)生畸變，通過采樣故障輸出電流波形，利用小波包分解提取各個節(jié)點能量，其能量信號形成逆變器故障特征向量，并將各個節(jié)點對應(yīng)的每個頻帶的能量值作為rbf神經(jīng)網(wǎng)絡(luò)輸入量e^*。由于在功率管發(fā)生故障前后逆變器側(cè)電流中直流分量變化不明顯，因此，本發(fā)明中去除低頻帶特征量選取特征量分別作為網(wǎng)絡(luò)輸入量x1～x7。rbf神經(jīng)網(wǎng)絡(luò)選取樣本情況如表2所示，其中1～22樣本故障分別為表1所述的22種igbt開路故障，將它們作為訓(xùn)練樣本，而23～28樣本作為測試樣本。

表2rbf神經(jīng)網(wǎng)絡(luò)樣本

(3)rbf神經(jīng)網(wǎng)絡(luò)優(yōu)化及診斷結(jié)果

通過反復(fù)試驗，狼群-模擬退火算法相關(guān)初始參數(shù)選取為：狼群規(guī)模m＝30，步長因子s＝4500，探狼比例因子μ＝3.6，最大游走次數(shù)tmax＝15，距離判斷因子τ＝300，更新比例因子β＝5，狼群最大迭代次數(shù)ncmax＝800；模擬退火初始溫度t0＝100，退火速率φ＝0.95，退火迭代次數(shù)t2＝1，最大退火循環(huán)次數(shù)lmax＝150；rbf神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)設(shè)計為7-11-6。應(yīng)用matlab7.0輸入訓(xùn)練樣本，利用狼群-模擬退火算法優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)，直至網(wǎng)絡(luò)誤差滿足要求。然后選取表2中的23～28共6組數(shù)據(jù)作為測試樣本，測試結(jié)果如表3所示。由表3分析得出，rbf網(wǎng)絡(luò)實際輸出值與期望輸出故障特征編碼比較吻合，故障診斷正確率高。

表3rbf神經(jīng)網(wǎng)絡(luò)測試結(jié)果

(4)對比試驗分析

為驗證狼群-模擬退火算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)模型在電機(jī)驅(qū)動系統(tǒng)逆變器故障診斷中的優(yōu)勢，分別將上述經(jīng)過小波包變換后的用于訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)的1～22組逆變器正常及故障數(shù)據(jù)樣本，分別輸入傳統(tǒng)rbf神經(jīng)網(wǎng)絡(luò)以及采取粒子群算法、蟻群算法、狼群算法、狼群-模擬退火算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練結(jié)束后再同樣選取23～28組逆變器故障樣本進(jìn)行測試，性能評價指標(biāo)主要有訓(xùn)練時間、訓(xùn)練誤差、辨識準(zhǔn)確率。表4的評價結(jié)果表明，經(jīng)過狼群-模擬退火算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)模型故障診斷速度快、正確率高、精度高，是一種非常有效的電機(jī)驅(qū)動系統(tǒng)逆變器故障診斷方法。

表4不同模型性能指標(biāo)比較

以上是本發(fā)明的較佳實施例，凡依據(jù)本發(fā)明申請專利技術(shù)方案所進(jìn)行的任何簡單修改和等同變化而產(chǎn)生的功能作用沒有超出本發(fā)明技術(shù)方案范圍，都應(yīng)該處于本發(fā)明的保護(hù)范疇。