专利名称：基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
技术领域：
本发明涉及一种基于BP-AdaBoost神经网络的电子式电能表故障诊断方法，它是ー种用AdaBoost算法改进的复合BP神经网络，并应用于电子式电能表的故障监测、诊断中的方法，属于故障自动检测与诊断技术领域。
(ニ)
背景技术：
近年来，随着电カ电子技术、集成电路技术等的不断发展进歩，电子式电能表的可靠性和维修性要求愈来愈高。然而传统的人工故障查找方法由于缺乏详细的故障状态信息，并依赖于维修人员的经验，要准确且快速地诊断故障是比较困难的，因而导致维修周期延长，影响了电子式电能表在生产和生活中的使用。目前，与传统的人工故障查找方法相对的故障自动检测与诊断技术已成为提高设备可靠性和维修性的有效手段之一。所谓故障诊断就是动态监视电子装置的工作状态，检查是否发生故障，若发现故障，自动诊断故障的部 位和性质，并通过外部设备向用户提供故障的部位和性质等信息，或进行故障的隔离，启动备用系统等重构工作。自动故障检测与诊断方法为预知维修创造了条件，越来越多高性能的电カ电子产品将故障自动检测与诊断技术应用其中。目前，现有的故障检测与诊断方法可以分为三类，即基于动态数学模型的方法、基于信号处理的方法和基于知识的方法。基于系统动态数学模型的方法是通过将被诊断对象的可测信息和由模型表达的系统先验信息进行比较以产生残差，并对残差进行分析和处理而实现故障诊断的技木；基于信号处理的方法是从系统的输入输出信号中提取故障信息的方法；基于知识的方法无需系统的定量数学模型，充分利用了专家诊断知识和诊断对象的信息，特别适合于非线性系统和复杂系统的大型系统。其中，基于知识的方法内容最为丰富，也最有生命力，可以细分为基于症状的方法和基于定性模型的方法，主要有专家系统、模糊推理、模式识别、神经网络、多元统计方法、案例推理、基于定性模型的方法、灰色系统理论方法、Petri网方法、粗糙集理论方法、数据融合故障诊断方法、基于Agent故障诊断方法和故障树方法等。在上述众多方法中，选择合适的方法是故障自动检测与诊断成功的关键。
发明内容
I、目的本发明的目的是提供基于BP-AdaBoost神经网络的电子式电能表故障诊断方法，通过AdaBoost算法的引入提高BP神经网络对故障的分类精度，提高训练效率，缩短网络运行时间，最终应用于电子式电能表的故障自动检测。2、技术方案本发明是通过以下技术方案实现的本发明是一种基于BP-AdaBoost神经网络的电子式电能表故障诊断方法，该方法具体步骤如下，流程图如图I “本发明所述方法的流程图”所示步骤一输入样本数据。样本数据是由电子式电能表的典型电路，即单相桥式电路的断路故障数据组成，从故障数据组成的样本空间中选择m组样本数据，并确定神经网络结构为由η个三层BP神经网络组成的复合神经网络。步骤ニ 网络初始化。初始化样本数据的分布权值Dt⑴，令/)i(7) =1。其中，
i=l, 2，…，m, Dt (i)表示第i个BP神经网络的权值，t为迭代次数，t=l, 2，…T，T为最大迭代次数。步骤三训练BP神经网络弱分类器。将单ー BP神经网络作为弱分类器进行训练，共训练η个弱分类器。弱分类器训练过程的具体步骤如下(I)至(13)所述，图2 “单ー BP神经网络弱分类器训练流程图”为步骤三的具体描述。(I)単一 BP神经网络參数设置。对三层BP神经网络进行參数设置，參数包括隐层神经元数X、最大学习次数N，输入(输出)神经元数NI，以及学习速率α、β。(2)网络连接权值、阈值设定。用较小的随机数初始化阈值{ Θ j}、{rj，权值Iwi、|Vjk}。具体參数含义如下所示。{0J}为隐层神经元阈值集合，其中j=l，2，"、X;{rj为输出层神经元阈值集合，其中k=l，2，…，N1 ；{WiJ}为输入层第i个神经元到隐层第j个神经元的连接权值，其中i=l，2，…，N1,j=l，2，…，X;{vJk}为隐层第j个神经元到输出层第k个神经元的连接权值，其中j=l，2，…，X，k=l, 2,…，N115(3)取ー组样本数据，作为BP神经网络输入层神经元的输入数据{IJ，其中士=1，2，...小。(4)求隐层神经元向量,具体公式如下所示。
权利要求
1.一种基于BP-AdaBoost神经网络的电子式电能表故障诊断方法，其特征在于该方法具体步骤如下 步骤ー输入样本数据；样本数据是由电子式电能表的典型电路，即单相桥式电路的断路故障数据组成，从故障数据组成的样本空间中选择m组样本数据，并确定神经网络结构为由η个三层BP神经网络组成的复合神经网络； 步骤ニ 网络初始化；初始化样本数据的分布权值Dt (i)，令D1 (0 = 1;其中，i=l，2，…，m，Dt⑴表示第i个BP神经网络的权值，t为迭代次数，t=l, 2，…T，T为最大迭代次数；步骤三训练BP神经网络弱分类器；将单ー BP神经网络作为弱分类器进行训练，共训练η个弱分类器；弱分类器训练过程的具体步骤如下所述 (1)単一BP神经网络參数设置；对三层BP神经网络进行參数设置，參数包括隐层神经元数X、最大学习次数N，输入(输出)神经元数NI，以及学习速率α、β ; (2)网络连接权值、阈值设定；用较小的随机数初始化阈值{Θ j、{rk}，权值{ }、{vJk};具体參数含义如下所示 { Θ j}为隐层神经元阈值集合，其中j=l，2，…，X ; {rk}为输出层神经元阈值集合，其中k=l，2，…，N1 ； IwijI为输入层第i个神经元到隐层第j个神经元的连接权值，其中i=l，2，…，N1,j=l，2，…，X; {vJk}为隐层第j个神经元到输出层第k个神经元的连接权值，其中」=1，2，···，Χ，k=l, 2，...，N1 ； (3)取ー组样本数据，作为BP神经网络输入层神经元的输入数据{IJ，其中i=l，2^··,N1 ； (4)求隐层神经元向量,具体公式如下所示
全文摘要
一种基于BP-AdaBoost神经网络的电子式电能表故障诊断方法，该方法的步骤有一输入样本数据；二网络初始化，即初始化样本数据的分布权值；三训练BP神经网络弱分类器；四计算分类误差；五计算权值；六权值调整，即根据步骤五的计算结果调整下一轮训练样本的权重值；七循环判断；八合成强分类函数；九分类结果统计与误差率统计。本发明针对电子式电能表的故障自动诊断，能在保证单一BP分类器精度的情况下，通过增加分类器数量，显著提高对故障的分类精度；并且在软硬件的实现上，借助并行计算原理，大大提高训练效率，缩短网络运行时间。它在故障自动检测与诊断技术领域里具有较好的实用价值和广阔的应用前景。
文档编号G01R35/04GK102707256SQ20121020918
公开日2012年10月3日 申请日期2012年6月20日 优先权日2012年6月20日
发明者孙宇锋, 祁邦彦, 胡薇薇, 赵广燕, 陈忱 申请人:北京航空航天大学