基于量子神經網絡的電力電子電路故障診斷

李世濤+王迎暉+林月

量子神經網絡就是將量子力學的思想引入到神經網絡的研究之中，與傳統的神經網絡相比，量子神經網絡的并行處理能力更強，數據集的處理更加高效快速，本文主要就基于量子神經網絡的電力電子電路故障診斷方法進行簡單的分析介紹。

【關鍵詞】量子力學 神經網絡 電力電子電路故障診斷 雙橋12相脈波整流電路

現階段，大多數電力電子電路故障診斷都利用人工神經網絡來實現，這種故障診斷方法具有許多的優勢，近年來應用越發的深入，但隨之而來也凸顯了許多不足之處，比如數據量較大時，處理速度比較慢，記憶容量比較有限，接收新的信息時候可能會發生突變性失憶等等，因此，行業內相關學者在經濟的探索新的神經網絡理論及結構。量子神經網絡是20世紀末期出現的一種新的神經網絡，相比于傳統的神經網絡，數據處理能力明顯增強，穩定性及可靠性也很高，將其應用于電力電子電路故障診斷之中優勢明顯，下文主要就量子神經網絡進行簡單的介紹，重點分析基于量子神經網絡電力電子電路故障診斷的方法。

1 量子神經網絡概述

量子神經網絡是經典神經網絡與量子計算結合起來的產物，一般來說，主要有兩種結合形式。

（1）將量子計算理論引入到神經網絡結構及訓練的過程中。

（2）設計神經網絡的訓練算法及拓撲結構設計過程中借用量子理論中的一些原理及概念。

本文主要介紹一種在四層前向BP網絡基礎上與量子計算理論結合形成的四層量子BP神經網絡。該神經網絡中，采用許多個傳統的激勵函數疊加形成了隱層量子神經元激勵函數，該激勵函數可以將決策的不確定性數據進行合理的分配，不確定性數據分配到不同的故障模式之后故障診斷的不確定度自然會有所降低，也就是說準確率有所升高。使用這種故障診斷方法能夠將抽樣數據中存在的模糊性自動診斷出來，如果特征矢量處于交叉類邊界之中，神經網絡能夠將該特征矢量分配到所有相關的類中，如果分類時特征矢量不存在模糊性，同樣分到對應的類中。這種故障診斷方法之下，特征矢量與故障類之間的對應關系能夠精確的反映出來，診斷效率明顯提高。量子神經網絡主要分為輸入層、輸出層、第一隱層、第二隱層四層結構，輸入層設為X= （X1，X1，……XN），輸出層設為Y= （Y1，Y1，……YN），Sigmoid 函數為層間的傳遞函數，三層的權值分別為w1k，b，w2m，k，w3s，m，神經元個數分別為K、M、S，量子間隔大小與待診斷故障元件的數目相同。基于量子神經網絡的學習算法之中神經元之間的權值更新與常規的BP算法中的一致，權值變化及誤差反向傳播都采用的是梯度下降法，實際的應用過程中為了防止陷入局部極小值，往往需要將自適應學習速率法及附加動量引入其中，確保網絡能夠滑過局部極小值迅速收斂。

2 基于量子神經網絡的電力電子電路故障診斷方法

本文主要以雙橋12相脈波整流電路為研究對象，驗證基于量子神經網絡的故障診斷方法的效果。圖1所示為雙橋12相脈波整流電路圖。實際的故障診斷過程中首先使用電路仿真軟件模擬該電路可能會出現的各種故障，得到對應的故障信號，將這些信號作為輸入樣本數據，對應的故障類型則作為網絡輸出數據，使用量子神經網絡將故障信號及故障類型之間的映射關系分析、存儲起來，最后測試訓練后的神經網絡并觀察試驗的結果。

2.1 量子神經網絡的輸入樣本設計

在雙橋12相脈波整流電路中，設置其控制觸發角為0°，實驗時只考慮電路中晶閘管開路的現象，然后使用ORCAD軟件模擬該電路的各種故障。當電路中發生某一種故障之后，選擇一個周期的電路的負載電壓作為樣本，取樣的時間為0.1ms，一個周期的時長為20ms，因此，每組有200個樣本數據，將這些數據歸一化處理之后可以得到量子神經網絡的輸入樣本。

雙橋12相脈波整流電路晶閘管開路故障主要是電路中一個或者兩個橋臂不導通，極少會出現三個或是四個橋臂同時不導通的現象。設該電路中有兩個晶閘管同時出現故障，左右兩部分電路沒有同時故障，則該電路可能會存在包括無故障在內的7大類31小類故障。比如，接到同一項電壓的V1V3或V7V9或V5V11同時發生故障，兩只交叉的晶閘管V1V11或V1V7或V5V3或V5V7或V9V3或V9V11同時發生故障、同一半橋的兩種晶閘管V2V6或V2V10或V6V10或V8V12或V8V4或V12V4同時發生故障等等，將所有的31小類故障分析出來之后編號，每個故障對應一個Y1Y2Y3Y4Y5Y6的六位編碼，其中Y1Y2Y3表示大類，Y4Y5Y6表示小類，比如001001表示第一大類第一小類，與每組特征信號對應的故障編碼為網絡目標輸出樣本。

2.2 實驗結果

本次實驗中共有200個輸入節點，6個輸出節點，反復實驗之后，第一隱層取80層，第二隱層取100層，各層的激活函數為σ（t）=1/（1+e-t），初始權值隨機給出。

網絡訓練的誤差結果如圖2所示，圖中橫軸為訓練步數，縱軸為量子神經網絡訓練誤差，量子神經網絡與經典BP 神經網絡的網絡結構及訓練參數一致，二者的訓練步數不同，其中量子神經網絡10125步，而經典BP 神經網絡為26745步。將標準樣本以外的3100組數據加入到隨機噪聲之中作為網絡測試樣本，測試基于量子數神經網絡的故障診斷方法的準確性，當實際輸出滿足一下條件時，認為該輸出正確，即，其中為該神經網絡的目標輸出。網絡診斷了檢測完成之后還需要測試網絡的誤診率，測試結果顯示，診斷數為3100，當隨機噪聲為5%，量子網絡診斷準確率為100%，BP網絡準確率為99.20%；當隨機噪聲為10%時，量子網絡診斷準確率為99.97%，BP網絡準確率為78.50%；當隨機噪聲為15%時，量子網絡準確率為99.84%，BP網絡診斷準確率為64.35%；當隨機噪聲為20%時，量子網絡準確率為99.45%，BP網絡準確率為48.75%。診斷數為3100，當隨機噪聲為5%，量子網絡的診斷錯誤率為0%，BP網絡為0.50%；當隨機噪聲為10%時，量子網絡診斷錯誤率為0.54%，BP網絡為12.24%；當隨機噪聲為15%時，量子網絡錯誤率為1.42%，BP網絡為20.05%；當隨機噪聲為20%時，量子網絡錯誤率為3.58%，BP網絡為32.74%。由實驗數據可以明顯看出與經典的BP神經網絡相比，量子神經網絡的診斷率明顯較高，誤診率相對較低，且當電路存在隨機噪聲時，量子神經網絡依然能夠比較穩定的檢測出電路故障，抗噪能力及網絡穩定性均較好。

3 結束語

本文就量子神經網絡進行了簡單的介紹，重點結合雙橋12相脈波整流電路就基于量子神經網絡的電路故障診斷方法進行了分析探討，實驗表明，基于量子神經網絡的電力電子電路故障診斷方法準確度較高，與經典的BP神經網絡相比具有誤診率低、抗噪能力強、網絡穩定性較好等等優點，可以應用于電子電路的故障診斷。因篇幅所限，本文介紹的內容相對而言比較簡單，希望能夠為相關研究人員的電力電子電路故障診斷的工作提供參考。

參考文獻

[1]王力，王旭，徐哲.電力電子電路故障預測關鍵技術論述[J].通訊世界，2016（02）.

[2]汪蔚，王榮杰，胡清.神經網絡電力電子裝置故障診斷技術[J].微計算機信息，2012（16）.

[3]李云紅，譚陽紅.基于量子神經網絡的模擬電路的軟故障診斷[J].微計算機信息，2013（10）.

作者單位

1.大連工業大學藝術與信息工程學院機電與信息工程系 遼寧省大連市 116600

2.昆山登云科技職業學院機電工程系 江蘇省昆山市 215300