专利名称：一种基于som和d-s理论的电表电路故障信息融合和诊断方法
技术领域：
本发明提供一种电能表电路故障信息融合和故障电路诊断方法，尤其涉及一种基于自组织特征映射网络(即基于S0M)的电能表电路故障信息融合和基于D-S理论(D-S理论是由Dempster于1967年首先提出，由他的学生shafer于1976年进一步发展起来的一种不精确推理理论，也称为证据理论或D-S证据理论)的电能表电路故障诊断的方法。它属于电路故障信息融合和诊断领域。
背景技术：
近十年来，作为系统故障仿真技术在电路设计领域中的典型应用——基于故障仿真的电路性能、可靠性与测试性综合分析技术取得了较快发展，在该项技术研究中，利用EDA工具对电路进行故障状态仿真，获得目标电路的故障定量分析结果，利用所得的电路各 节点故障数据，通过给定的分析算法，预计电路测试性参数，给出故障检测率/隔离率的预计值。该技术能够实现性能分析、可靠性分析与测试性分析过程的自动化和智能化，是电子产品综合设计与分析技术的重要技术发展。然而该技术目前仍存在不足，该技术研究和应用目前还主要集中在电路板级，而对于电路系统级的研究与应用，由于元器件故障模式太多、仿真时间过长和模型规模过大等原因还无法将故障的影响分类归纳，无法传递到上层电路。另一方面，电路故障诊断领域中故障预测技术的发展还不成熟。要求获得实时监测设备的运行特征参数、环境参数等状态信息，从而对所提取设备当前运行情况的数据进行参数分析与故障预测，而对电子系统这些参数很难获得。与此同时，信息融合技术成为当前研究的热点，为模式识别和故障预测开辟了新的途径。信息融合是指对来自单个或多个传感器(或信源)的信息和数据进行自动检测、关联、相关、估计和组合等多层次、多方面的处理，以获得精确的目标位置估计和完整的目标身份估计，以及对战场情况、威胁及其重要程度进行适度的估计。它利用信息的冗余性和互补性能够扩大时空搜索范围，提高目标可探测性，改进探测性能；提高时间或空间的分辨率，增加目标特征矢量的维数，降低信息的不确定性，改善信息的置信度；增强系统的容错能力和自适应能力；随之而来的是降低推理的模糊程度，提高了决策能力，从而使整个系统的性能大大提闻。本专利中特征层融合通过SOM对输入数据进行分类，并计算出分类结果的信任程度，然而，当证据数量增多或者分类结果有冲突的时候，仅仅依靠SOM就不能得出令人信服的诊断结果。因此在决策层进行D-S证据融合，使得对故障诊断的结果的信任程度进一步增加，减小了因为误差带来的整体不确定性，大大提高了故障诊断的准确性，是信息融合领域非常重要的手段。

发明内容
I、目的本发明的目的是提供一种基于自组织特征映射网络的故障信息融合和基于D-S证据理论的电能表电路故障诊断的方法。2、技术方案本发明是通过以下技术方案实现的本发明提供一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，该方法具体步骤如下步骤一根据对电能表故障电路的电路分析，并按照GJB299C规定的故障模式，对故障电路建立一个故障模式集合；步骤二 根据步骤一的故障模式集合选取与集合中故障模式相对应的待观测的故障信号点(某故障点的电压，电流等)，作为电路功能和状态的测试点；步骤三对在步骤二中选取的故障信号点处获取的故障信号进行预处理； 由于本发明采用的特征包括时间特征、频率特征和统计特征，所以在进行信号预处理过程中也采用递进的处理方式，如下所述(I)先对获取的故障信号插值，统一信号粒度从而获得故障信号的变化过程曲线，即时间特征；(2)在(I)的基础上，对时间特征进行归一化，进行离散傅里叶变换，获得信号频谱及相关特征；(3)在(I)的基础上，计算信号的统计特性，包括二阶距，四阶距，最大值等，建立特征向量矩阵；根据电路信号的特点，本发明采用时间，频率和统计特征三个维度的信息进行信号融合，其示意图如图2所示；步骤四使用SOM进行故障信息融合，输出故障结论；选择70%的数据进行训练，选择30%的数据进行测试；为了保持三组特征数据统一，SOM具有相同的基本设置；S0M设有I个输入层；网络层中只包含I个输出层，无隐含层，设置9个神经元，使用连接距离函数计算输入向量到神经元的距离，传输函数设为竞争型compet，拓扑结构为六边形网络层拓扑函数hextop ;输入权值向量(inputWeights)的初始化函数为中点初值初始化,学习函数为自组织映射权值学习函数(Iearnsom);迭代次数为80 ；步骤五使用D-S证据理论对故障结论进行融合，做出故障决策；在某种故障模式下，故障信息经过特征层SOM的信息融合，所得结果中已经包含了正确的结论，但是SOM识别结果浮动的范围较大，还需要通过决策层信息融合来缩小其范围，得到更精确的故障诊断结论；根据故障仿真的结果，建立信息融合故障诊断的识别框架；其中，在步骤一中所述的对故障电路按照GJB299C建立故障模式集合，其建立的方法如下根据GJB299C所包含的故障模式，对待测电路的各个故障点的故障模式进行编号并列表，具体形式可以如表格I所示；表格I故障模式集合
序号故障模式[Fl故障模式
"111 Cl-参数漂移+5% M8Rl-参数漂移-5%
权利要求
1.一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，其特征在于该方法具体步骤如下 步骤一根据对电能表故障电路的电路分析，并按照GJB299C规定的故障模式，对故障电路建立一个故障模式集合； 步骤二 根据步骤一的故障模式集合选取与集合中故障模式相对应的待观测的故障信号点，作为电路功能和状态的测试点； 步骤三对在步骤二中选取的故障信号点处获取的故障信号进行预处理； 由于采用的特征包括时间特征、频率特征和统计特征，所以在进行信号预处理过程中采用递进的处理方式，如下所述 (1)先对获取的故障信号插值，统一信号粒度从而获得故障信号的变化过程曲线，即时间特征； (2)在(I)的基础上，对时间特征进行归一化，进行离散傅里叶变换，获得信号频谱及相关特征； (3)在(I)的基础上，计算信号的统计特性，包括二阶距，四阶距及最大值，建立特征向量矩阵； 根据电路信号的特点，采用时间、频率和统计特征三个维度的信息进行信号融合； 步骤四使用SOM进行故障信息融合，输出故障结论；选择70%的数据进行训练，选择30%的数据进行测试；为了保持三组特征数据统一，SOM具有相同的基本设置；SOM设有I个输入层；网络层中只包含I个输出层，无隐含层，设置9个神经元，使用连接距离函数计算输入向量到神经元的距离，传输函数设为竞争型compet，拓扑结构为六边形网络层拓扑函数hextop ;输入权值向量即inputWeights的初始化函数为中点初值初始化,学习函数为自组织映射权值学习函数即Iearnsom ;迭代次数为80 ； 步骤五使用D-S证据理论对故障结论进行融合，做出故障决策；在一定故障模式下，故障信息经过特征层SOM的信息融合，所得结果中已经包含了正确的结论，但是SOM识别结果浮动的范围较大，还需要通过决策层信息融合来缩小其范围，得到更精确的故障诊断结论；根据故障仿真的结果，建立信息融合故障诊断的识别框架。
2.根据权利要求I所述的一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，其特征在于在步骤一中所述的对故障电路按照GJB299C建立故障模式集合，其建立的方法如下根据GJB299C所包含的故障模式，对待测电路的各个故障点的故障模式进行编号并列表，具体形式如表格I所示。
表格I故障模式集合 序号故障模式序号I故障模式"111 Cl-参数漂移+5%M8 Rl-参数漂移-5% ~M2 Ql-开路c极M9 Rl-开路Ql-开路b极MlO Cl-参数漂移-5%
3.根据权利要求I所述的一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，其特征在于在步骤三中所述的对获取的故障信号进行预处理，是采用归一化和插值的方式对信号进行预处理；归一化是将幅值范围较大的数据通过一定的变化规则映射到另一区间上，通常模型的输入数据具有不同的量纲，代表不同的意义，通过归一化以达到减少数据量，计算复杂度和统一量纲的目的；对[a，b]区间上一系列数据点( ,%) (X1, Y1)(x2, J2)……(xn，yn)，主要的归一化映射规则如下所示
4.根据权利要求I所述的一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，其特征在于在步骤三中所述的信号的统计特征，计算方法如下 假设预处理之后所得到的故障信号为Xl，x2，......，xn，采样时间间隔为At，采用的统计特性有二次距，四次矩，最大绝对值以及最大幅值点，公式如下 二阶距
5.根据权利要求1所述的一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，其特征在于在步骤四中所述的使用自组织映射网络进行故障信息融合，使用的自组织映射网络的学习算法如下 (1)初始化；对输出层各权向量赋予小的随机数并进行归一化处理，得到处理后的随机数集FTi，j = 1，2，…，m,建立初始优胜邻域Nj. (0)，学习率赋初始值； (2)输入学习样本；从训练集中选取一个输入模式并进行归一化处理，得到归一化处理后的输入向量JTp，P G {1,2,…，p}； (3)寻找获胜节点；计算丨「和Jfp的点积，j= 1，2， ，m，从中选出点积最大的获胜节点f ;如果输入模式未经归一化处理，应按照
6.根据权利要求I所述的一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，其特征在于在步骤五中所述的使用D-S证据理论对故障结论进行融合的步骤如下 (1)以特征层信息融合的输出P(Fi)为基础，根据下述公式(16)计算故障基本概率数mT、mF和mS，作为决策层信息融合的证据组mass (F)，其中不确定性概率m( 0 )为SOM的误差En ； (2)采用D-S证据联合规则进行决策层信息融合以后，得到故障的综合证据组； (3)计算故障的信度区间；如果故障识别框架内的故障假设集都是单元素集合，那么信任函数 Bel (F) =mass (F),似然函数 Pls (F) = Bel (F) +m( 0 )； (4)根据决策规则，得出故障诊断结论； 根据SOM的网络结构，提出如下基本概率分配函数
全文摘要
一种基于SOM和D-S证据理论的电表电路故障信息融合和诊断方法，该方法步骤如下一根据对电能表故障电路的电路分析，并按照GJB299C规定的故障模式，对故障电路建立故障模式集合；二根据步骤一的故障模式集合选取与集合中故障模式相对应的待观测的故障信号点，作为电路功能和状态的测试点；三对在步骤二中选取的故障信号点处获取的故障信号进行预处理；四使用SOM进行故障信息融合，输出故障结论；选择70%的数据进行训练，选择30%的数据进行测试；五使用D-S证据理论对故障结论进行融合，做出故障决策；该方法对故障诊断的结果的信任程度进一步增加，减小了因为误差带来的整体不确定性，大大提高了故障诊断的准确性，是信息融合领域非常重要的手段。
文档编号G01R35/04GK102721941SQ201210210828
公开日2012年10月10日 申请日期2012年6月20日 优先权日2012年6月20日
发明者孙宇锋, 牟浩文, 胡薇薇, 赵广燕, 齐瑾 申请人:北京航空航天大学