专利汇可以提供一种基于深度置信网络的电路间歇故障诊断方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于深度置信网络的 电路 间歇故障诊断方法。具体方法步骤如下:(1)利用电路故障诊断平台获得系统在不同运行状态下的时域监测 信号 ,包括正常、间歇故障和永久故障数据;(2)采集的数据集分批次形成样本数据,样本采集点数相同,对样本数据进行[0,1]归一化并分为训练集和测试集;(3)建立一个多隐含层的DBN模型,由受限玻尔茨曼机(RBM)逐层 叠加 生成模型,根据样本维数确定DBN模型的输入 节点 数,用训练集无监督训练DBN模型;(4)根据故障类别确定DBN模型 输出层 节点数,用BP 算法 对DBN模型的权重进行反向微调;(5)利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断。本发明能够有效地诊断电路系统中的间歇故障。,下面是一种基于深度置信网络的电路间歇故障诊断方法专利的具体信息内容。
1.一种基于深度置信网络的电路间歇故障诊断方法,其特征在于,包括以下步骤:
步骤一:利用电路故障诊断平台获得系统在不同运行状态下的时域监测信号,主要包括正常运行状态、间歇故障状态和永久故障状态下的数据;
步骤二:对采集的数据集进行分批次形成样本数据,每一个样本的采集点数保持相同,对样本数据进行[0,1]归一化,将样本数据划分为训练集和测试集;
步骤三:建立一个多隐含层的DBN模型,DBN是由受限玻尔茨曼机(RBM)逐层叠加形成的生成模型,根据故障样本维数确定DBN模型的输入节点数,使用三种状态的训练集对DBN模型进行无监督训练;
步骤四:根据故障状态类别确定DBN模型输出层节点数,使用BP算法对DBN模型的权重和阈值进行反向微调,也就是对深度置信网络进行有监督训练来减少训练误差和提高分类模型的准确率;
步骤五:利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断。
2.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法,其特征在于:所述步骤一的具体过程为:
通过向电路故障诊断平台故障注入点注入故障的方式来模拟间歇故障以及永久故障,故障注入的形式很多,电压电流型模拟量注入、阻抗性故障注入和开关量故障注入等。其中电压电流型模拟量注入主要是对电压电流信号进行白噪声、正弦波、方波以及随机信号等电磁干扰信号的叠加;阻抗型故障注入主要指的是由于加入的电容电感而引起相位发生变化;开关量故障注入主要指通过继电器等器件控制电路信号的通断来实现。在故障注入的基础上,通过随机改变故障时间实现电路中间歇故障的模拟,以获得正常状态、间歇故障状态以及永久故障状态下的大量数据。
3.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法,其特征在于:所述步骤二包括以下步骤:
(1)DBN网络是一个集特征提取和分类为一体的综合模型,其核心就是通过数据驱动的方式,从原始数据中自动学习一些特征。因此将采集到的3种类型的数据集A、B、C,各取60%作为训练集,剩下的40%作为测试集,每一个样本有500个数据点,因此DBN网络模型的输入层节点数是500。
(2)由于DBN模型的输入范围为[0,1],因此对所有样本数据集进行线性归一化变换,使其范围限制在[0,1]内。由于诊断类别有3种,因此输出层节点数为3,分别表正常、间歇故障和永久故障三种类别。
4.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法,其特征在于:所述步骤三包括以下步骤:
(1)RBM模型是基于能量的神经网络,由一个可视层V与一个隐含层H组成。根据输入数据的维数确定第一个RBM可视层的节点数,也就是输入层节点数为500;
(2)输入数据到第一个RBM可视层单元V1,根据RBM训练算法得到隐含层单元状态h1和其重构单元状态V重构1,并记录下相关的学习参数θ1={a,b,w};
(3)将学习过的第一个RBM隐含层单元状态h1输入到第二个RBM的可视层单元V2,根据RBM训练算法得到隐含层单元状态h2和其重构单元状态V重构2,并记录下相关的学习参数θ2={a,b,w};
(4)上述RBM训练算法用的是CD1算法,算法的输入是训练数据的输入向量x,输出是梯度估计Δw,Δa,Δb。经过多次迭代优化了DBN的连接权重和阈值,提高了RMB的特征提取能力。
(5)重复步骤2)和3),直到4层的限制玻尔兹曼机都学习完成。
(6)在完成步骤5)的基础上,对所有学习后的RBM进行展开,建立一个深度自编码网络。
5.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法,其特征在于:所述步骤四包括以下步骤:
(1)当训练完成后,通过在DBN的最顶层添加标签数据,对深度置信网络进行有监督训练,即使用反向传播算法(BP)对DBN的相关参数进行微调。
(2)分别将三类带标签数据,输入到DBN的最顶层中,通过BP算法微调深度置信网络的权重和阈值。通过对DBN进行有监督的训练将进一步减少训练误差和提高DBN分类模型的准确率。
6.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法,其特征在于:所述步骤五包括以下步骤:
由于深度置信网络是一种将特征提取和分类器组合在一起的网络结构,所以基于深度置信网络的间歇故障诊断方法在自动提取高层次特征的基础上,将特征提取和分类过程组合在一起,具有一定的普适性。
在步骤四的基础上,将三种状态的测试集数据输入到训练好的DBN分类模型中,经过4层RBM隐层映射后,输出层节点数为诊断状态的数量,输入向量在输出层成功激活相应类别节点(正常状态1号节点,间歇故障2号节点,永久故障3号节点)。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于深度信念网络和扫描叠加的微震源自动定位方法 | 2020-05-08 | 82 |
基于差分温度补偿的分布式光纤拉曼双端温度解调方法 | 2020-05-11 | 494 |
基于分布式光纤拉曼传感系统的双路高精度温度解调方法 | 2020-05-11 | 146 |
一种基于深度学习的智能家居入侵检测方法 | 2020-05-13 | 584 |
一种基于单相机比色测温系统的优化测温方法 | 2020-05-13 | 71 |
氧化锌压敏电阻微观特性模拟优化计算模型 | 2020-05-12 | 512 |
一种复合材料薄膜三维多相同步生长的模拟方法及系统 | 2020-05-16 | 762 |
一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | 2020-05-11 | 358 |
一种物联网边缘节点安全的神经网络监测模型 | 2020-05-11 | 970 |
基于深度信念网络的多姿态人脸识别的方法和装置 | 2020-05-15 | 555 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。