量子神经网络的电力电子电路故障诊断分析

2023-01-21

在电子电路故障诊断环节中, 一般是通过人工神经网络诊断的方式。人工神经网络可以模仿人脑的思维方式, 在对神经元模型简化的基础上, 采用人工神经网络来诊断故障, 呈现出多重优势。但是随着电子电路故障的多元化, 人工神经网络在使用中也呈现出弊端。在传统的信息处理中, 如果信息量过大, 处理效率会非常低下, 不能进行大容量作业。人工神经网络的记忆容量小, 在接收新信息环节中会产生突变性失忆。将量子理论和人工神经网络结合使用, 可以发挥非常好的效果[1]。

一、量子神经网络

量子神经网络是在20世纪90年代产生, 其将量子力学和神经网络联系在一起, 有效的避免传统的人工神经网络带来的缺陷。量子神经网络是一类经典神经网络, 通过结合量子计算的一些优势, 结合量子计算的优势, 使量子神经网络的处理能力更强, 并且可以实现大量数据的处理。量子神经网络具有大量的回忆容量和回忆速度, 可以快速学习, 高效的进行信息处理。不存在模式上的干扰, 可以消除突变性的失忆。

本文主要分析四层经典神经网络, 采用量子计算的方式, 对网络的训练方法进行完善, 提升网络的数据处理能力。在四层量子神经网络中, 隐层量子神经元采用多个传统的激励函数, 网络的模糊性可以凸显出来, 从而使故障的诊断更加精确。通过双桥12相脉波整流电路的方式对量子神经网络的故障进行诊断, 可以提升诊断的效率和稳定性[2]。

量子神经网络结合了量子计算和经典神经网络, 在神经网络结构的训练中引进量子理论, 通过量子理论中的相关原理可以设计神经网络的拓扑结构。在研究神经网络的基础上, 结合四层量子神经网络, 在数据的抽样中实现模糊性, 并且可以提升系统的自适应性。如果特征矢量在交叉类边界中, 量子神经网络将这类矢量特征进行分类, 反应矢量和故障之间的联系, 提升故障的诊断率。

(一) 量子神经网络的结构

量子神经网络的结构主要包括输入层、隐层和输出层。三个层面的权值和神经元的个数通过函数表示, 从而可以分析中量子间隔的数目。结合网络结构可以输出函数值, 得到输出样本的总数和输出的期望值。结合网络输出层的节点, 就能得到函数表达式[3]。

(二) 量子神经网络的学习算法

网络的学习算法中, 要对神经元之间的权值进行分析, 结合常规的算法, 借助梯度下降法来求得权值。为了提升训练的速度, 防止极小值不准确, 采用附加动量自适应学习速率法, 从而可以得到局部最小值。结合训练前一次的权值和训练后一次的权值, 从而可以得到动量因子和学习速率。

二、双桥12相脉波整流电路故障诊断

在给出了量子神经网络机构、输出表达式和训练算法推到后, 为了对量子神经网络的故障诊断能力进行分析, 采用双桥串联12相脉波整流电路来分析。先采用电路仿真软件对各类故障进行模拟, 从而得到故障的信号, 将故障的信号作为输入样本, 然后分析电路的故障类型, 将其做出输出数据。采用量子神经网络来学习, 使电力故障信号和故障类型通过函数映射的方式表达出来, 从而在故障诊断中发挥效果。在训练后的神经网络中, 完善相关的测试。

(一) 量子神经网络的输入样本设计

在脉波整流电路中, 要合理的控制电路的触发角, 在充分考虑到电路中的晶闸管的环节中, 可以模拟电路中各类故障, 对故障进行仿真。当故障发生后, 电路的负载电压会发生变化, 所以要实现负载电压的周期性采样, 然后将数据样本汇总。在对样本数据归一化操作后, 就能得到网络输入样本[4]。

(二) 量子神经网络的输出样本设计

在电路中采用晶闸管桥臂开路故障进行分析, 出现的故障主要有桥臂不通, 或者桥臂部匹配。在进行电路诊断中, 如果两个晶闸管都发生故障, 那么可以分成以下几种情况进行讨论。

其一, 电路晶闸管没有出现故障, 可以正常运行。其二, 相同电压下两只晶闸管同时发生故障。其三, 在同一半桥中两只晶闸管同时发生故障。其四, 交叉的两只晶闸管发生故障。其五, 在同一组电压下, 量子晶闸管发生故障。其六, 在同一半桥中, 两只晶闸管发生故障。其七, 交叉的两只晶闸管发生故障。在对上述几类晶闸管故障情况进行分析后, 对所有的故障类型进行编号, 然后做出网络输出样本。

三、实验结果分析

在网络输入和输出的样本分析后, 发现输入节点数为200, 输出节点数位6。在反复的实验后, 发现第一层的数值是80, 第二层的数值是100, 这时网络可以获得较好的输出效果。各层的变量关系都可以用函数关系呈现, 将初始权值随机的采用函数给出。在动量算法中, 误差为1.02, 动量因子的常数为0.95, 初始学习速率为0.4, 量子神经网络的步数为10125步。为了可以切实检测网络的性能, 在训练网络环节中进行测试, 将网络标准输入样本外的数据随机测试, 可以得到正确的输出量。在检测完后, 对误诊率进行计算。在量子神经网络故障诊断中, 诊断的精确率明显高于传统的神经网络诊断的方式, 而且不存在不同比例的随机噪声。量子神经网络性能非常稳定, 其抗噪声能力也能得到保障, 网络的稳定性强。