基于優化神經網絡的三相全控整流電路故障診斷
加入技術交流群
3 三相橋式全控整流電路的故障診斷
圖5所示為三相橋式全控整流電路原理圖。考慮到實際系統運行時出現故障的情況，同時為簡化分析過程，假定整流電路晶閘管故障分為單管故障或兩支管子同時故障共22種，要使神經網絡能區分所有的故障，必須對這些故障類型進行編碼，用六位編碼表示，也就是神經網絡的輸出。每位編碼對應一個晶閘管，所有晶閘管均正常時對應編碼為000000。本文引用地址：http://www.104case.com/article/179030.htm
以A相電壓正向過零處為基準，對控制角從0～120°每隔7．5°依次對22種故障狀態下的輸出電壓ud進行一個周期(20 ms)的數據采集，采集到的數據個數為50個，以此組成訓練樣本，共有22×17=374個樣本。用同樣的方法對控制角從6．5～113．5°每隔10．7°對ud進行采樣，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，大大減少了神經網絡的計算量，改善了網絡的復雜程度。
本文運用Matlab工具箱，采用自適應遞階遺傳算法對神經網絡進行了優化。得到了神經網絡的最簡結構(隱含層神經元個數m=14)和最優的權值、閾值。優化后的神經網絡訓練誤差曲線如圖6所示。
采用測試樣本數據對所訓練好的BP神經網絡進行仿真驗證，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神經網絡，故障診斷正確率達到97．67％，并且故障診斷有誤都發生在負載和輸入電壓同時變化時。
4 結論
本文將一種自適應遞階遺傳算法應用于神經網絡的優化，解決了以往神經網絡結構、權值、閾值同時優化效率不高的難題。通過仿真實驗，證明了算法的準確性和實用性，并將優化的神經網絡用于三相橋式全控整流電路的故障診斷，得到了令人滿意的結果。
DIY機械鍵盤相關社區:機械鍵盤DIY
評論