一种微波组件故障诊断方法、装置及设备与流程

文档序号:21185050发布日期:2020-06-20 18:03阅读:来源:国知局

技术特征:

1.一种微波组件故障诊断方法,其特征在于,包括:

获取微波组件的故障特征量,所述故障特征量包括故障现象特征量和故障原因特征量;

根据所述故障特征量建立反向传播bp神经网络模型;

对所述bp神经网络模型进行训练;

利用训练后的所述bp神经网络模型对待诊断故障信息进行诊断。

2.根据权利要求1所述的微波组件故障诊断方法,其特征在于,所述获取微波组件的故障特征量的步骤包括:

由微波组件故障检测的原始信号中提取故障特征量;

将所述故障特征量转换为向量形式。

3.根据权利要求2所述的微波组件故障诊断方法,其特征在于,将所述故障特征量转换为向量形式的步骤包括:

根据公式:f(xi)=st(xi)/sr(xi),计算所述故障特征量的待诊断状态的当前值与正常状态的预设值的比值;

其中,xi为所述故障特征量,st(xi)为xi的待诊断状态的当前值,sr为xi的正常状态的预设值;

根据所述比值确定所述故障特征量的向量值。

4.根据权利要求1所述的微波组件故障诊断方法,其特征在于,根据所述故障特征量建立反向传播bp神经网络模型的步骤包括:

根据所述故障特征量确定bp神经网络模型的输入层节点数和输出层节点数;

根据所述输入层节点数和输出层节点数确定bp神经网络模型的隐含层节点数。

5.根据权利要求4所述的微波组件故障诊断方法,其特征在于,所述输入层节点数为所述故障现象特征量的维数,所述输出层节点数为所述故障原因特征量的维数。

6.根据权利要求4所述的微波组件故障诊断方法,其特征在于,根据所述输入层节点数和输出层节点数确定bp神经网络模型的隐含层节点数的步骤包括:

通过公式计算所述隐含层节点数的取值范围:

其中,k为隐含层节点数,n为输入层节点数,l为输出层节点数,α为1~10的常数。

7.根据权利要求1所述的微波组件故障诊断方法,其特征在于,根据所述故障特征量建立反向传播bp神经网络模型的步骤还包括:

确定激励函数。

8.根据权利要求1所述的微波组件故障诊断方法,其特征在于,对所述bp神经网络模型进行训练的步骤包括:

设定所述bp神经网络模型的初始权重和初始阈值;

利用所述初始权重、初始阈值以及所述故障特征量进行正向传播运算,分别得到隐含层的输出结果和输出层的输出结果;

根据所述输出结果计算误差;

根据所述误差进行逆向反馈运算,得到更新后的权重和阈值。

9.根据权利要求8所述的微波组件故障诊断方法,其特征在于,利用所述初始权重、初始阈值以及所述故障特征量进行正向传播运算,分别得到隐含层的输出结果和输出层的输出结果的步骤包括:

通过公式:计算得到隐含层的输出结果;

其中,bj表示隐含层第j个神经元的输出,wij为输入层至隐含层的权重,ai为输入层的输入,θj为输入层到隐含层的阈值,n为当前神经元前一层的神经元数量;

通过公式:根据所述隐含层的输出结果计算输出层的输出结果;

其中,ct表示输出层第t个神经元的输出,vjt表示隐含层至输出层的权重,rt为隐含层到输出层的阈值。

10.根据权利要求8所述的微波组件故障诊断方法,其特征在于,根据所述输出结果计算误差的步骤包括:

通过公式:计算得到所述误差;

其中,e为误差,dt为期望输出,ct为输出层第t个神经元的输出,n为当前神经元前一层的神经元数量。

11.根据权利要求8所述的微波组件故障诊断方法,其特征在于,根据所述误差进行逆向反馈运算,得到更新后的权重和阈值的步骤包括:

通过公式计算得到更新后的权重;

其中,wij为输入层至隐含层的权重,wij′为更新后的输入层至隐含层的权重,η为所述bp神经网络模型的学习效率,bj为隐含层第j个神经元的输出,ai为输入层的输入;vjt为隐含层至输出层的权重,vjt′为更新后的隐含层至输出层的权重,et=dt-ct,dt为期望输出,ct为输出层第t个神经元的输出;

通过公式计算得到更新后的阈值;

其中,θj为输入层到隐含层的阈值,θj′为更新后的输入层到隐含层的阈值;rt为隐含层到输出层的阈值,rt′为更新后的隐含层到输出层的阈值。

12.根据权利要求1所述的微波组件故障诊断方法,其特征在于,对所述bp神经网络模型进行训练的步骤还包括:

判断所述bp神经网络模型的迭代次数是否达到预设次数;

若达到预设次数,则结束所述bp神经网络模型训练,否则,重复bp神经网络模型训练过程。

13.根据权利要求1所述的微波组件故障诊断方法,其特征在于,利用训练后的所述bp神经网络模型对待诊断故障信息进行诊断的步骤包括:

将所述待诊断故障信息输入训练后的所述bp神经网络模型;

利用训练后的所述bp神经网络模型,对所述待诊断故障信息进行故障诊断。

14.一种微波组件故障诊断装置,其特征在于,包括:

第一获取模块,用于获取微波组件的故障特征量,所述故障特征量包括故障现象特征量和故障原因特征量;

模型建立模块,用于根据所述故障特征量建立反向传播bp神经网络模型;

模型训练模块,用于对所述bp神经网络模型进行训练;

故障诊断模块,用于利用训练后的所述bp神经网络模型对待诊断故障信息进行诊断。

15.一种微波组件故障诊断设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1~13中任一项所述的微波组件故障诊断方法的步骤。


技术总结
本发明公开了一种微波组件故障诊断方法、装置及设备,所述微波组件故障诊断方法包括:获取微波组件的故障特征量,所述故障特征量包括故障现象特征量和故障原因特征量;根据所述故障特征量建立反向传播BP神经网络模型;对所述BP神经网络模型进行训练;利用训练后的所述BP神经网络模型对待诊断故障信息进行诊断。本发明的实施例,由历史故障案例信息中提取故障特征量,使得整个模型具备很好的鲁棒性和容错性,提高了模型的适应性和稳定性;利用BP神经网络可高度拟合非线性的能力,解决了微波组件故障诊断问题中故障信息与故障原因的耦合关系,从而实现对新产生故障快速定位至其导致原因,实现面向自动测试单元的微波组件故障的智能诊断。

技术研发人员:王爱民;高昆;葛艳
受保护的技术使用者:北京理工大学
技术研发日:2018.12.12
技术公布日:2020.06.19
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1