為提高對(duì)模擬電路故障模式的準(zhǔn)確分類和減少網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間,提出基于小波包變換(WPT)和果蠅算法(FOA)優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的模擬電路故障診斷方法。首先采用小波包變換提取電路優(yōu)質(zhì)故障特征,以減少網(wǎng)絡(luò)訓(xùn)練時(shí)間,然后建立GRNN網(wǎng)絡(luò)模型,選擇FOA算法優(yōu)化GRNN網(wǎng)絡(luò)參數(shù),構(gòu)建最優(yōu)模型對(duì)電路故障特征進(jìn)行訓(xùn)練測試,最后采用仿真測試其性能。實(shí)驗(yàn)結(jié)果表明, FOA算法有效提高診斷模型訓(xùn)練效率,相比于其它電路故障診斷模型,FOAGRNN模型具有更高的診斷率和優(yōu)越性。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1GRNN結(jié)構(gòu)圖

GRNN最早是由Specht提出的,是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型。GRNN由四層構(gòu)成,分別為輸入層、隱含層、求和層和輸出層[4],結(jié)構(gòu)如圖1。對(duì)應(yīng)網(wǎng)絡(luò)輸入X=[x1,x2,…,xn]T,輸出為Y=[y0,y1,…,yn]。

圖2FOAGRNN流程圖

步驟6:使用保留的最佳味道濃度bestSmell與網(wǎng)絡(luò)的期望RMSE-goal比較。如果bestSmell小于goal,則結(jié)束,否則執(zhí)行步驟2。4帶通濾波器實(shí)例應(yīng)用與結(jié)果分析

圖3帶通濾波器

使用帶通濾波器作為研究,電路如圖3。元件C1、C2、R2、R3、R12、R13和R14對(duì)應(yīng)的標(biāo)稱值分別為5nF、5nF、1k、2k、5.18k、4k和4k。設(shè)置9種工作模式,其中包括8種故障模式,分別為Normal、C1-50%、C1+100%、C2-50%、C2+100%、R2....

圖4果蠅群體飛行路線

建立FOAGRNN模型故障特征數(shù)據(jù)進(jìn)行識(shí)別分類,設(shè)定期望RMSE是1.00e-08,模型單次預(yù)測得到的果蠅飛行路線如圖4。由圖可知果蠅群體(有10個(gè)果蠅)飛行四次后就可找到食物,即尋到最優(yōu)的SPREAD值。FOAGRNN模型的RMSE變化曲線如圖5。

本文編號(hào)：3952423