基于混沌神经网络的电机故障诊断

《基于混沌神经网络的电机故障诊断》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2003年7月控制工程Jul.2003第10卷第4期ControlEngineeringofChinaVol.10,No.4文章编号:167127848(2003)0420302204基于混沌神经网络的电机故障诊断曲正伟,王云静(燕山大学电气工程学院,河北秦皇岛066004)摘要:采用全局耦合混沌神经网络模型,每个神经元的动力学行为由反对称立方映像表示。采用Hebb算法设计网络的连接权值矩阵,将记忆模式的回忆过程转化为耦合系统中参数演变的过程,从而实现了混沌神经网络的联想记忆。根据提出的能量击穿规则,扩大了样本的吸引域。在此基础上,应用该混沌神经网络对异步电

2、机转子断条故障进行诊断。结果表明,该种方法有助于故障模式的记忆和重现。关键词:混沌神经网络;联想记忆;故障诊断中图分类号:TP206文献标识码:A时的状态值,每个神经元的动力学行为完全由反1引言对称立方映像f(x)表示。f(x)把(-1,1)区间联想记忆是人工神经网络的重要应用之映像于自身,反对称立方映像随参数a变化的分[1]一。通过对样本模式的训练,可使其成为网络叉,如图1所示。其中215

3、数,表明每个神经元的混沌度;ε是的、清晰的模式。然而在实际工程中经常会碰到耦合系数,表明神经元的稳定度。当这两个参数被样本模式在状态空间分布得较接近或者发生部分设定为特定值时,对网络各神经元输入随机选取重叠的情况。此外,还经常会碰到样本模式中含[-1,1]间的初始数据,通过网络的映像迭代,在有不完整或发生变异的信息。在这种情况下,应若干时间之后,各神经元进入几个稳定状态之一。用传统的Hopfield神经网络实现联想记忆比较困这几个稳定状态被称为“分类冻结吸引子”。如图难。当样本模式在整个状态空间分布不均匀或发2所示,参数选为a=314,ε=011,N=50,

4、若干生部分重叠时会大大降低Hopfield神经网络的存时间后,所有神经元被分成4类冻结吸引子,属于储容量和容错能力。同一类吸引子的神经元在稳定后呈现相同的轨本文应用全局耦合混沌神经网络模型的动态道。联想记忆功能实现了电机转子断条故障的诊断。2混沌神经网络模型及其联想记忆功能1)混沌神经网络模型本文采用Ishii提出[2]的混沌神经网络,全局耦合的一维映像模型(GCM)定义如下:Nεxi(t+1)=(1-ε)f(xi(t))+∑f(xj(t))Nj=1(1)图1反对称立方映像分叉图3f(x)=ax-ax+x(2)该模型构造联想记忆系统的思想如下:式(1)中,x

5、i(t)表示第i个神经元在离散时间tVS-GCMCIx(0)x(T)O收稿日期:2003-04-14作者简介:曲正伟(19792),男,吉林德惠人,硕士研究生,主要研究方向为混沌神经网络在电力设备故障诊断中的应用。第4期曲正伟等:基于混沌神经网络的电机故障诊断·303·的能量。如果每个神经元的能量都满足Ei<0,则该样本成为网络的不动点吸引子。2)能量击穿规则由于网络中吸引子和伪吸引子同时存在,演化态有可能陷入伪吸引子的吸引域,最终导致联想失败。为解决这个问题可采取如下能量击穿规则:由于伪吸引子的吸引域一般比较浅,通常在距之不超过两个汉明距离的状态空间里就含

6、有能量比伪吸引子更低的状态图2所有神经元时序图点,所以当某演化态演化到某个吸引子后,只需考虑周围距之两个汉明距离是否存在比其能量还低V为编码函数,可将一个二值向量I∈{-1,的状态,如果存在,则逃离该吸引域而转到能量更NN1}变成一个状态向量V(I)∈[-1,1],V函数低的状态上继续演化,直到落入能量最低的吸引定义如下:子,联想结束。+x+randIi=1V(I)i=(3)神经网络状态空间某状态XŠ的能量可写为-x+randIi=-1NNN×××这里x+和x-表示反对称立方映像函数的两个E=∑Ei=-∑∑Wijxixj=-X·W·Xi=1i=1j=i二循环

7、的周期解,rand是一个小的随机数。(10)C为译码函数,可将一个状态向量V(I)∈距离XŠ两个汉明距离的状态XŠ′可表示为NN[-1,1]转变成一个二值向量I∈{-1,1},C∧∧XŠ′=X+ΔX函数定义如下:∧××∧∧1xi≥0式中,ΔX=ΔXmem+ΔXnen,em和en是正交C(x)i=(4)-1其他归一的基矢。于是XŠ′的能量可进一步写为∧S2GCM有两种工作方式,即保持与破坏。如E′=-(XŠ+ΔX′)W(XŠ+ΔX′)(11)果能控制每个混沌神经元的参数值,就可局部性两态的能量差可求得为的在这两个模式间切换。这就是应用S2GCM进行∧∧∧∧∧∧

8、ΔE=E′-E=-[2ΔSWS+ΔSWΔS]=联想记