基于WPT和FOAGRNN的模拟电路故障诊断

发布时间：2024-04-13 03:36

　　为提高对模拟电路故障模式的准确分类和减少网络模型的训练时间,提出基于小波包变换(WPT)和果蝇算法(FOA)优化广义回归神经网络(GRNN)的模拟电路故障诊断方法。首先采用小波包变换提取电路优质故障特征,以减少网络训练时间,然后建立GRNN网络模型,选择FOA算法优化GRNN网络参数,构建最优模型对电路故障特征进行训练测试,最后采用仿真测试其性能。实验结果表明, FOA算法有效提高诊断模型训练效率,相比于其它电路故障诊断模型,FOAGRNN模型具有更高的诊断率和优越性。

【文章页数】：5 页

【部分图文】：

图1GRNN结构图

GRNN最早是由Specht提出的,是一种基于非线性回归理论的前馈式神经网络模型。GRNN由四层构成,分别为输入层、隐含层、求和层和输出层[4],结构如图1。对应网络输入X=[x1,x2,…,xn]T,输出为Y=[y0,y1,…,yn]。

图2FOAGRNN流程图

步骤6:使用保留的最佳味道浓度bestSmell与网络的期望RMSE-goal比较。如果bestSmell小于goal,则结束,否则执行步骤2。4带通滤波器实例应用与结果分析

图3带通滤波器

使用带通滤波器作为研究,电路如图3。元件C1、C2、R2、R3、R12、R13和R14对应的标称值分别为5nF、5nF、1k、2k、5.18k、4k和4k。设置9种工作模式,其中包括8种故障模式,分别为Normal、C1-50%、C1+100%、C2-50%、C2+100%、R2....

图4果蝇群体飞行路线

建立FOAGRNN模型故障特征数据进行识别分类,设定期望RMSE是1.00e-08,模型单次预测得到的果蝇飞行路线如图4。由图可知果蝇群体(有10个果蝇)飞行四次后就可找到食物,即寻到最优的SPREAD值。FOAGRNN模型的RMSE变化曲线如图5。

本文编号：3952423