基于優(yōu)化神經(jīng)網(wǎng)絡(luò )的三相全控整流電路故障診斷

以A相電壓正向過(guò)零處為基準，對控制角從0～120°每隔7．5°依次對22種故障狀態(tài)下的輸出電壓ud進(jìn)行一個(gè)周期(20 ms)的數據采集，采集到的數據個(gè)數為50個(gè)，以此組成訓練樣本，共有22×17=374個(gè)樣本。用同樣的方法對控制角從6．5～113．5°每隔10．7°對ud進(jìn)行采樣，以獲得測試樣本。根據主成分分析特征提取的算法對訓練和測試樣本進(jìn)行故障特征提取，獲取的新樣本從50維降為10維，大大減少了神經(jīng)網(wǎng)絡(luò )的計算量，改善了網(wǎng)絡(luò )的復雜程度。
本文運用Matlab工具箱，采用自適應遞階遺傳算法對神經(jīng)網(wǎng)絡(luò )進(jìn)行了優(yōu)化。得到了神經(jīng)網(wǎng)絡(luò )的最簡(jiǎn)結構(隱含層神經(jīng)元個(gè)數m=14)和最優(yōu)的權值、閾值。優(yōu)化后的神經(jīng)網(wǎng)絡(luò )訓練誤差曲線(xiàn)如圖6所示。

采用測試樣本數據對所訓練好的BP神經(jīng)網(wǎng)絡(luò )進(jìn)行仿真驗證，分別選用負載變化、輸入電壓變化得到的特征向量數據去驗證已建立的BP神經(jīng)網(wǎng)絡(luò )，故障診斷正確率達到97．67％，并且故障診斷有誤都發(fā)生在負載和輸入電壓同時(shí)變化時(shí)。

4 結論
本文將一種自適應遞階遺傳算法應用于神經(jīng)網(wǎng)絡(luò )的優(yōu)化，解決了以往神經(jīng)網(wǎng)絡(luò )結構、權值、閾值同時(shí)優(yōu)化效率不高的難題。通過(guò)仿真實(shí)驗，證明了算法的準確性和實(shí)用性，并將優(yōu)化的神經(jīng)網(wǎng)絡(luò )用于三相橋式全控整流電路的故障診斷，得到了令人滿(mǎn)意的結果。