一种基于深度置信网络的电路间歇故障诊断方法
专利类型：发明专利
语 言：中文
申 请 号：CN201810343086.6
申 请 日：20180417
申 请 人：重庆大学
申请人地址：400044 重庆市沙坪坝区沙正街174号
公 开 日：20180911
公 开 号：CN201810343086.6
代 理 人：
代理机构：
摘 要：本发明公开了一种基于深度置信网络的电路间歇故障诊断方法。具体方法步骤如下：(1)利用电路故障诊断平台获得系统在不同运行状态下的时域监测信号，包括正常、间歇故障和永久故障数据；(2)采集的数据集分批次形成样本数据，样本采集点数相同，对样本数据进行[0,1]归一化并分为训练集和测试集；(3)建立一个多隐含层的DBN模型，由受限玻尔茨曼机(RBM)逐层叠加生成模型，根据样本维数确定DBN模型的输入节点数，用训练集无监督训练DBN模型；(4)根据故障类别确定DBN模型输出层节点数，用BP算法对DBN模型的权重进行反向微调；(5)利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断。本发明能够有效地诊断电路系统中的间歇故障。
主 权 项：1.一种基于深度置信网络的电路间歇故障诊断方法，其特征在于，包括以下步骤：步骤一：利用电路故障诊断平台获得系统在不同运行状态下的时域监测信号，主要包括正常运行状态、间歇故障状态和永久故障状态下的数据；步骤二：对采集的数据集进行分批次形成样本数据，每一个样本的采集点数保持相同，对样本数据进行[0,1]归一化，将样本数据划分为训练集和测试集；步骤三：建立一个多隐含层的DBN模型，DBN是由受限玻尔茨曼机(RBM)逐层叠加形成的生成模型，根据故障样本维数确定DBN模型的输入节点数，使用三种状态的训练集对DBN模型进行无监督训练；步骤四：根据故障状态类别确定DBN模型输出层节点数，使用BP算法对DBN模型的权重和阈值进行反向微调，也就是对深度置信网络进行有监督训练来减少训练误差和提高分类模型的准确率；步骤五：利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断。
关 键 词：
法律状态：生效
IPC专利分类号：G06N3/08;G06N3/00;G06N3/063;G06N3/00;G;G06;G06N;G06N3;G06N3/08;G06N3/00;G06N3/063;G06N3/00