小波神经网络分为松散型与紧致型,它既具有小波变换特有的时频局部特性和变焦特性,又具有神经网络的自学习、自适应、鲁棒性、容错性和推广能力,因而在故障诊断领域具有广阔的应用前景。传统紧致型小波神经网络一般被应用于基于工作点电压的模拟电路故障诊断,由于采用局部搜索策略进行参数调整,故存在易陷入局部极值、网络训练误差较大问题。传统松散型小波神经网络一般被应用于基于波形信号的模拟电路故障诊断,由于模拟电路信号的连续性、容差及电路结构和参数等因素的影响,样本在提取电路的节点电压波形特征信息时,各故障模式的可行域之间会有混叠,因而特征样本会存在不平衡性、冗余等问题。针对上述问题,本文分别将混沌粒子群算法和关联规则引入来优化小波神经网络方法,以提高基于小波神经网络的模拟电路故障诊断效率。主要工作包含:
介绍模拟电路故障诊断的工程背景及所涉及的基本理论与方法,重点分析小波神经网络在模拟电路故障诊断中的应用及存在的问题。
阐述小波分析与神经网络的两种结合方式,分别介绍这两种小波神经网络的理论背景、基本原理和算法描述。
针对紧致型小波神经网络中梯度下降法引出的局部极值问题,使用混沌粒子群算法优化网络权值等参数,使网络训练容易跳出极小值以加快收敛。针对松散型小波神经网络处理样本时存在的弱泛化问题,运用关联规则进行样本预处理,优化输入样本的平衡性及冗余性,以提高诊断精度。基于标准数据的比较实验表明:改进后的两种小波神经网络在性能指标上能得到提高。
最后,介绍改进小波神经网络模块在模拟电路故障诊断软件系统中的应用。基准电路诊断实验结果表明:采用混沌粒子群算法进行优化的紧致型小波神经网络相比优化前具有全局收敛性及训练误差小等优势;引入关联规则后,由于优化了输入样本,松散型小波神经网络在进行基于电压波形的故障诊断时诊断精度和效率得到提高。
