一种基于iwo-elm的航空功率变换器故障诊断方法
【技术领域】
[0001] 本发明涉及一种基于IW0-ELM的航空功率变换器故障诊断方法，属于电路故障诊 断领域。
【背景技术】
[0002] 随着航空技术的不断发展，目前飞机上配载的电源系统可分为如下三种类型：低 压直流电源、高压直流电源和交流电源。这些电源系统的正常运转，保证了机载设备的正常 工作和飞机的安全飞行。航空电源系统中的关键模块为功率变换器，一旦功率变换器发生 故障，将直接影响航空电源系统的正常运行，进而对飞机的安全运行构成威胁，甚至会带来 巨大的生命财产和安全损失。因此，对航空电源系统中功率变换器进行故障诊断研究，具有 十分重大的意义。
[0003] 目前，对航空电源系统中的功率变换器进行故障诊断的方法大致分为基于信号处 理的方法、基于模型的方法和基于知识的方法。基于信号处理的方法不需要对对象建模，适 用性比较强，形式简单且易于实现，但由于其依赖信号的检测和处理，通常会受信号噪声的 影响，局限于特定信号诊断某些特定故障，未能考虑各种故障间的相互影响，当诊断对象变 得庞大复杂时，通常需要增加检验手段和计算量，因而该方法不适合对航空电源系统中功 率变换器进行故障诊断。基于模型的方法是通过建立对象的模型，将模型预测值与系统观 测值进行比较来判别有无故障，但航空电源系统中功率变换器结构千变万化，通用性较差， 不适合采用建模的方法进行故障诊断。基于知识的方法不依赖对象的数学模型，从而可以 实现对难于建模的对象的故障诊断，在故障诊断领域应用中具有较大优势。因而，本发明考 虑通过构建极限学习机模型这一种基于模式识别的方法对航空功率变换器进行故障诊断。
[0004] 极限学习机是一种适用于单隐含层前馈神经网络的学习算法模型，仅需在网络训 练前设置合适的隐含层节点数，并随机初始化输入权值以及隐含层节点偏置，即可通过解 析运算获得隐含层输出权值。相对于以往的神经网络训练过程，极限学习机模型无需多次 迭代运算，整个模型训练一次即可完成。但是极限学习机采用随机初始化输入权值以及隐 含层节点偏置的方法，所建立的极限学习机模型会存在隐含层节点数过多、过拟合等现象， 从而影响了极限学习机模型的预测速度和精度。杂草算法是一种从自然界杂草进化原理演 化而来的随机搜索算法，通过充分利用种群中的优秀个体指导群体的进化，兼顾了种群的 选择力度和多样性，能够有效克服不成熟收敛，并且具有算法结构简单、参数少和鲁棒性较 好等特点。因而，使用杂草算法优化极限学习机模型，可以改善极限学习机隐含层节点数过 多、过拟合等缺陷。
【发明内容】
[0005] 为了解决上述问题，本发明提出一种基于IW0-ELM的航空功率变换器故障诊断方 法，一方面解决了传统神经网络训练速度缓慢的问题，另一方面解决了极限学习机模型隐 含层节点数等参数的优化问题，提高了航空功率变换器诊断正确率。
[0006] 本发明为实现上述目的，实现技术方案如下：
[0007] 首先采集航空功率变换器在正常模式以及故障模式下的可测节点输出信号，并利 用主成分分析法提取采集信号的关键特征，构建特征样本集，然后将特征样本集分为训练 样本集和测试样本集，分别用于极限学习机的训练和评估。
[0008] 具体的操作步骤如下所示：
[0009] 1)获取航空功率变换器在正常模式以及故障模式下的可测节点输出信号，利用主 成分分析法提取采集信号的关键特征，构建特征样本集，并将特征样本集分为两部分:训练 样本集A={(Xi，yi) |xiERn，yieRm，i = l，· · ·，N}和测试样本集B={(Xi，yi) |xiERn，yieRm， i = l，. . .，M}，其中，R代表实数空间，xi为η维样本特征向量，yi为m维样本标签，即xi= {xu， xi2, · · ·，xin}，yi={yu，yi2, · · ·，yim}，训练样本集和测试样本集的样本个数分另ij为N个和Μ 个。
[0010] 然后，将训练样本集分为训练数据和测试数据两部分：训练数据Al = {(Xl，yi)|Xl eRn，yiERm，i = l，· · ·，Νι}和测试样本集A2={(xi，yi) |xieRn，yiERm，i = l，· · ·，fe}，训练 数据和测试数据的样本个数分别为Ni个和他个，且NiNi+Ns;
[0011] 2)随机给定隐含层节点数L，隐含层节点偏置匕（j = l，. . .，L)，输入权重w，激活函 数g(x)，其中所选择的激活函数必须满足无穷阶次可微的条件。
[0012] 其中，W=[W[ W:…W:]i)<fi，Wj=[WjlWj2 …Wjn]lXn，Wj 表示第 j 个隐含层的 输入权重矩阵表示输入层第i个神经元与隐含层第j个神经元的连接权值，因而构建的 极限学习机模型如图1所示；
[0013] 3)根据单隐含层神经网络学习机制，即存在的办=1，. . .，m)，w，M吏得如下公式 成立：
[0015] 其中，的=[知β」2…iV]lxm#表示第j个隐含层的输出权重矩阵，表示隐含 层第j个神经元与输出层第k个神经元间的连接权值；
[0016] 4)令
[0020] 即可将式(1)简化为：
[0021] Η·β = Υ (5)
[0022]其中!1是见X L维的隐含层输出矩阵，β是L Xm维隐含层输出权重矩阵，￥是见X m维 期望输出矩阵；
[0023] 5)根据Moore-Penrose广义逆矩阵定义，可根据如下公式求解隐含层输出权重矩 阵β:
[0024] β=(Ητ · Η)_1.ΗΤ · Υ (6)
[0025] 6)利用杂草算法优化极限学习机模型中隐含层节点数，输入权重以及隐含层节点 偏置的具体步骤如下：
[0026] 6.1)设置杂草算法所需的最大迭代次数itermax、最小种群数Smin与最大种群数 Smax、最小适应度fmin与最大适应度fmax、标准偏差的初始值〇 initial和终值〇final、非线性模型 指数P，并将极限学习机随机产生的隐含层节点数，输入权重以及隐含层节点偏置作为杂草 算法的初始种群，均匀分布在搜索空间中；
[0027] 6.2)杂草种群的个体繁殖取决于自身的适应度值以及最小适应度值和最大适应 度值，本发明选取图2中极限学习机对测试数据进行测试所得的正确率作为适应度值，此 处，正确率定义为:正确分类的样本数目/测试数据总数目X 100 %，因而繁殖的种子个数Sk 可依据如下公式计算：
[0029]其中，k为当前迭代次数(k=l，. . .，itermax)，Sk为第k次迭代的繁殖种子数，fk为第 k次迭代的适应度值；
[0030] 6.3)将步骤6.2)中产生的种子根据变方差以及正态分布规律随机地分布在搜 索区域中，并靠近上一代个体，其中变方差计算公式如下：
[0032]重复进行步骤6.2)和步骤6.3)，直到达到最大种群数；
[0033] 6.4)将所有个体按照适应度值的大小进行降序排序，剔除适应度值低的个体，并 重复进行步骤6.2)、步骤6.3)以及步骤6.4)，直到达到最大迭代次数；
[0034] 7)杂草算法迭代运行结束后，利用步骤6.4)中最大适应度值对应的隐含层节点 数、输入权重以及隐含层节点偏置构建极限学习机模型，并用测试样本集B={( Xl，yi)|Xle Rn，yieR m