改进粒子群神经网络在发射机控制器故障诊断中的应用

党宏社， 刘芳芳， 张 超

(陕西科技大学 电气与信息工程学院， 陕西 西安 710021)

改进粒子群神经网络在发射机控制器故障诊断中的应用

党宏社， 刘芳芳， 张 超

(陕西科技大学 电气与信息工程学院， 陕西 西安 710021)

针对发射机控制器故障诊断效率低且定位不准确的问题，采用改进粒子群优化的神经网络及专家系统相结合的故障诊断方法对发射机控制器进行故障诊断.对三块控制板电路正常及故障时所对应的采集数据分别构造网络进行训练，为了提高神经网络训练速度和精度，利用改进的粒子群对其进行优化.仿真结果表明，该故障诊断方法可以较好的对发射机控制器进行故障诊断，为发射机控制器故障诊断提供便利.

神经网络； 改进粒子群； 故障诊断； 专家系统

0 引言

广播是重要的通讯工具，尤其在遇到网络、电力中断等灾害时，广播的重要性尤为突出.广播发

射机是一种电台用于将节目信号进行放大、调制并通过无线电波发射出去的设备，发射机控制器作为发射机的重要监控装置，对发射机的正常运行起着关键性的作用.随着电子技术的快速发展，电子设备的复杂度越来越高，当设备出现故障时难以及时的对故障进行诊断，无法及时排除故障，容易造成巨大的经济损失[1-5].因此，研究电子设备的故障诊断技术显得尤为重要，近年来关于故障诊断技术的研究得到了极速的发展，已经涉及到人们生活的方方面面[6-9].

发射机控制器由三块控制板组成，目前对于控制器的故障诊断主要是以人工为主，效率低且故障定位不准，本文针对人工诊断效率低且定位不准的问题，将基于改进粒子群神经网络算法应用到发射机控制器故障诊断中，神经网络具有较强的自学习、自适应特性，经过对网络的训练，以及改进粒子群算法对神经网络的权值和阈值的优化，可以提高网络的训练速度及精度，且结合专家系统的优势可以实现对发射机控制器故障及时准确的诊断[10].控制器出现故障时，专家根据经验选择故障范围，利用训练好的对应的神经网络进行诊断，且输出诊断结果.然后利用专家系统强大的推理能力采用分区推理策略进行推理，输出故障诊断结果.仿真实验表明，该方法可以简单有效的实现发射机控制器的故障诊断.

1 故障诊断系统组成

故障诊断系统组成如图1所示.系统中人机交互界面提供良好的界面，由于神经网络具有自适应自学习的能力，借助其优势，将知识的获取及更新由神经网络来实现，将神经网络优化后的权值和阈值作为专家系统的知识库进行存储，推理机则根据知识库中的知识依据推理策略进行推理并将结果送入人机交互界面显示，综合数据库对诊断的结果数据以及历史数据进行存储.

图1 改进神经网络故障诊断专家系统

整体诊断思路为：根据故障现象，由专家经验判断大致故障范围，在主控板还是子控板，再根据测量的数据输入到对应的训练好神经网络进行诊断，且将诊断结果输出到人机界面.

2 改进粒子群算法

2.1 基本粒子群算法

BP神经网络在训练时候收敛速度慢，易陷入局部最优，不能达到很好的训练效果[11]，为了克服这些不足，利用粒子群的收敛快，优化能力强的特点对BP神经网络进行优化.粒子群算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度，通过追随当前搜索到的最优值来寻找全局最优，整个搜索过程中涉及到两个极值，个体极值pbest和全局极值gbest[12].粒子在找到这两个极值后，根据式(1)和式(2)来更新他们所在的速度和位置[13].

(1)

(2)

式(1)、(2)中:Xi和Vi分别代表为第i个粒子的位置和速度；i=1，2，…，M，M是该群体中粒子的总数；w为惯性权重；k为当前迭代次数；r1、r2是介于(0、1)之间的随机数；c1和c2是学习因子，为非负常数；在每一维，粒子都有一个最大限制速度Vmax，如果某一维的速度超过设定的Vmax，那么这一维的速度就被限定为Vmax，为防止粒子盲目搜索，一般建议将其位置和速度限制在一定的区间[-Xmax，Xmax]、[-Vmax，Vmax][14].

2.2 改进粒子群算法

如果粒子在寻找位置中找到的不是最优，容易陷入局部最优，无法对其他区域进行搜索，会降低对 BP网络的优化效果，因此，为了防止这种现象的发生，可以有两方面的改进.

(1)引入遗传变异因子.

借鉴遗传算法的种群变异，防止粒子群在没有完全进行搜索前达到极值，可以使粒子每次更新后重新初始化，扩宽了粒子的搜索范围，尽可能达到全局最优[15].假定选择其中一个粒子的基因为Gij进行变异，方法如式(3)所示.

(3)

式(3)中:f(g)=rand(1-g/gmax)，g，gmax分别是当前和最大迭代次数；Amax，Amin分别是Gij的上界和下界；r是[0，1]间随机数.

(2)引入收敛因子.

Suganthan的实验表明：c1和c2为常数时可以得到较好的解，但不一定必须等于2.Clerc引入收敛因子(constriction factor)K来保证收敛性.

(4)

通常取φ为4.1,则K=0.729.实验表明，与使用惯性权重的PSO算法相比，使用收敛因子的 PSO有更快的收敛速度.

改进粒子群优化神经网络实现步骤如图2所示.

图2 改进粒子群优化步骤流程图

实现步骤中为了得到最小均方差和，选择适应度函数为[16]：

(5)

式(5)中:N为训练样本数；Oi为第i个样本的网络实际输出值；di为第i个样本的期望输出值.

根据式(5)计算种群中粒子在BP神经网络训练样本下的适应度，网络激励函数为sigmoid.

3 控制器故障诊断模型的实现

发射机控制器包含三块电路板，分别是主控板，电源控制板，功放控制板，这里以电源控制板中继电器驱动电路为例进行诊断，分别采集电路中各器件在正常及其故障时的有效点电压或电流，并且将采集到的数据进行归一化处理，然后作为神经网络的输入特征向量进行训练.训练完成以后则可以选取数据进行测试，进而实现对故障的诊断.改进粒子群神经网络应用于发射机控制器故障诊断中的过程如图3所示.

图3 故障诊断过程图

3.1 模型训练

首先，进行故障特征参数提取.继电器驱动电路如图4所示.

图4 继电器驱动电路图

本文利用multisim来对电源控制板中继电器驱动电路进行故障诊断仿真分析，在电路中设置有效检测点，根据各器件不同状态所响应的电压和电流数值的变化来提取特征数据，进而将提取的特征向量在神经网络中进行训练.采集到的部分数据如表1所示.

表1 各器件测试点电压及电流

其次，确定神经网络结构.所建立的故障诊断模型结构共有3层，分别为输入层、隐含层和输出层.

(1)确定输入层.将表1的数据通过归一化处理后，组成输入特征向量T.

(2)确定隐含层.对于隐含层数目的确定，目前还没有确切的标准来确定隐含层节点数，隐含层节点数选取的过多过少都会使网络训练不能达到最优，针对这个问题，目前有两个公式可以参考[17]：

②n1=log2n，其中n1为隐含层单元数，n为输入单元数.

本文所设计的BP神经网络模型有9个输入节点和8个输出节点，经过多次试验，隐含层节点确定为13.

(3)对检测的设备及器件输出状态进行编码，定义期望输出如表2所示.

表2 故障诊断模型输出层定义

最后，仿真分析.在Matlab中编程实现改进粒子群的神经网络训练，共采集到发射机控制器的三块电路板各自对应的数据50组，将采集到的41组作为训练数据，而剩下的9组则作为测试网络数据使用.训练中，粒子群的粒子数为20，最大允许迭

代次数2 000，加速常数c1=c2=1.494 45，最小误差设定为10-3.经过训练，由图5可以看出，改进的粒子群既有较快的收敛速度且没有快速陷入局部最优，扩大了搜索范围，提高了神经网络的训练性能.

图5 改进粒子群训练图

3.2 控制器故障推理

神经网络训练完成后即可用于发射机控制器的故障推理，当神经网络训练误差达到要求时可以转到专家系统的推理机中进行推理，按照分区推理策略顺序进行推理，推理主要依据知识库中由改进粒子群优化的神经网络构成的知识进行推理，专家系统可以很好的对结果进行解释，用于训练和诊断推理的数据不能重复.

4 仿真结果分析

利用9个样本对经过训练的神经网络进行测试检验,其输出结果如表3所示.

表3 改进粒子群神经网络的故障诊断结果

由表3的结果可以看出，改进粒子群优化的神经网络可以较准确的对发射机控制器电路板进行故障诊断.

5 结论

针对人工故障诊断效率低，准确度不高的问题，本文首先对控制板包含的器件特征参数进行分析，提取故障特征，将提取的特征向量作为神经网络的输入量，并且利用改进的粒子群对神经网络进行优化，使其在网络训练时不易陷入局部最小值，且提高了训练速度，将经过训练的网络，取测试样本对其测试，输出故障诊断结果，结果表明，正确率达到96%，解决了人工故障诊断带来的问题，有实际应用价值.

[1] 张 琪,侯加林,闫银发,等.基于虚拟仪器的电路板故障检测与诊断系统的研究[J].电子测量与仪器学报,2011,25(2):135-140.

[2] 徐建源,张 彬,林 莘,等.能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用[J].高电压技术,2012,38(6):1 299-1 306.

[3] 阳同光,蒋新华,付 强.混合蛙跳脊波神经网络观测器电机故障诊断研究[J].仪器仪表学报,2013,34(1):193-199.

[4] 高甜容,于 东,岳东峰.基于自适应误差修正模型的概率神经网络及其在故障诊断中的应用[J].计算机集成制造系统,2013,19(11):2 824-2 833.

[5] 宋志杰,王 健.模糊聚类和LM算法改进BP神经网络的变压器故障诊断[J].高压电器,2013,49(5):54-59.

[6] 郭文强,夏令君,齐 璐,等.基于DSP的纸机滚动轴承故障诊断[J].陕西科技大学学报(自然科学版),2016,34(1):148-153.

[7] 禹建丽,卞 帅.基于BP神经网络的变压器故障诊断模型[J].系统仿真学报,2014,26(6):1 343-1 349.

[8] 陈丹江,叶银忠.基于多神经网络的三电平逆变器器件开路故障诊断方法[J].电工技术学报,2013,28(6):120-126.

[9] 石东源,熊国江,陈金富,等.基于径向基函数神经网络和模糊积分融合的电网分区故障诊断[J].中国电机工程学报,2014,34(4):562-569.

[10] 王一卉,姜长泓.模糊神经网络专家系统在动力锂电池组故障诊断中的应用[J].电测与仪表,2015,52(14):118-123.

[11] 程声烽,程小华,杨 露.基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J].电力系统保护与控制,2014,42(19):37-42.

[12] 刘景艳.基于改进粒子群神经网络的提升机故障诊断[J].河南理工大学学报(自然科学版),2014,33(3):313-317.

[13] 雷 斌,陶海龙,徐晓光.基于改进粒子群优化算法的灰色神经网络的铁路货运量预测[J].计算机应用,2012,32(10):2 948-2 951.

[14] 马军杰,尤建新,陈 震.基于改进粒子群优化算法的灰色神经网络模型[J].同济大学学报(自然科学版),2012,40(5):740-743.

[15] 蔡 玥.短时交通流量预测的IPSO-BPNN算法[J].计算机工程与应用,2012,48(27):239-243.

[16] Xiao Y,He Y,Xiao Y,et al.A linear ridgelet network approach for fault diagnosis of analog circuit[J].Sciece China Information Sciences,2010,53(11):2 251-2 264.

[17] 王元章,吴春华,周笛青,等.基于BP神经网络的光伏阵列故障诊断研究[J].电力系统保护与控制,2013,41(16):108-114.

【责任编辑：蒋亚儒】

Application of neural network with improved particle swarm optimization algorithm in the transmitter controller fault diagnosis

DANG Hong-she， LIU Fang-fang， ZHANG Chao

(College of Electrical and Information Engineering,Shaanxi University of Science & Technology, Xi′an 710021, China)

To solve the problems of low efficiency and inaccurate positioning for transmitter controller fault diagnosis,an improved particle swarm optimization neural network and expert system fault diagnosis method are used in the fault diagnosis of transmitter controller.Collected three panel circuit of the normal and fault data structure network training respectively,in order to improve the neural network training speed and precision,using improved particle swarm optimization to it.The simulation results show that the fault diagnosis method can diagnose the transmitter controller fault well,provide convenience for the transmitter controller fault diagnosis.

neural network； improved particle swarm algorithm； fault diagnosis； expert system

2017-01-03 基金项目：陕西省科技厅科技攻关计划项目(2015SF275)

党宏社(1962-)，男，陕西武功人，教授，博士生导师，研究方向：工业智能控制、多源信息融合、数字图像处理

1000-5811(2017)02-0154-04

TP18

A