基于量子神经网络的电力电子电路故障诊断

李世涛+王迎晖+林月

量子神经网络就是将量子力学的思想引入到神经网络的研究之中，与传统的神经网络相比，量子神经网络的并行处理能力更强，数据集的处理更加高效快速，本文主要就基于量子神经网络的电力电子电路故障诊断方法进行简单的分析介绍。

【关键词】量子力学 神经网络 电力电子电路故障诊断 双桥12相脉波整流电路

现阶段，大多数电力电子电路故障诊断都利用人工神经网络来实现，这种故障诊断方法具有许多的优势，近年来应用越发的深入，但随之而来也凸显了许多不足之处，比如数据量较大时，处理速度比较慢，记忆容量比较有限，接收新的信息时候可能会发生突变性失忆等等，因此，行业内相关学者在经济的探索新的神经网络理论及结构。量子神经网络是20世纪末期出现的一种新的神经网络，相比于传统的神经网络，数据处理能力明显增强，稳定性及可靠性也很高，将其应用于电力电子电路故障诊断之中优势明显，下文主要就量子神经网络进行简单的介绍，重点分析基于量子神经网络电力电子电路故障诊断的方法。

1 量子神经网络概述

量子神经网络是经典神经网络与量子计算结合起来的产物，一般来说，主要有两种结合形式。

（1）將量子计算理论引入到神经网络结构及训练的过程中。

（2）设计神经网络的训练算法及拓扑结构设计过程中借用量子理论中的一些原理及概念。

本文主要介绍一种在四层前向BP网络基础上与量子计算理论结合形成的四层量子BP神经网络。该神经网络中，采用许多个传统的激励函数叠加形成了隐层量子神经元激励函数，该激励函数可以将决策的不确定性数据进行合理的分配，不确定性数据分配到不同的故障模式之后故障诊断的不确定度自然会有所降低，也就是说准确率有所升高。使用这种故障诊断方法能够将抽样数据中存在的模糊性自动诊断出来，如果特征矢量处于交叉类边界之中，神经网络能够将该特征矢量分配到所有相关的类中，如果分类时特征矢量不存在模糊性，同样分到对应的类中。这种故障诊断方法之下，特征矢量与故障类之间的对应关系能够精确的反映出来，诊断效率明显提高。量子神经网络主要分为输入层、输出层、第一隐层、第二隐层四层结构，输入层设为X= （X1，X1，……XN），输出层设为Y= （Y1，Y1，……YN），Sigmoid 函数为层间的传递函数，三层的权值分别为w1k，b，w2m，k，w3s，m，神经元个数分别为K、M、S，量子间隔大小与待诊断故障元件的数目相同。基于量子神经网络的学习算法之中神经元之间的权值更新与常规的BP算法中的一致，权值变化及误差反向传播都采用的是梯度下降法，实际的应用过程中为了防止陷入局部极小值，往往需要将自适应学习速率法及附加动量引入其中，确保网络能够滑过局部极小值迅速收敛。

2 基于量子神经网络的电力电子电路故障诊断方法

本文主要以双桥12相脉波整流电路为研究对象，验证基于量子神经网络的故障诊断方法的效果。图1所示为双桥12相脉波整流电路图。实际的故障诊断过程中首先使用电路仿真软件模拟该电路可能会出现的各种故障，得到对应的故障信号，将这些信号作为输入样本数据，对应的故障类型则作为网络输出数据，使用量子神经网络将故障信号及故障类型之间的映射关系分析、存储起来，最后测试训练后的神经网络并观察试验的结果。

2.1 量子神经网络的输入样本设计

在双桥12相脉波整流电路中，设置其控制触发角为0°，实验时只考虑电路中晶闸管开路的现象，然后使用ORCAD软件模拟该电路的各种故障。当电路中发生某一种故障之后，选择一个周期的电路的负载电压作为样本，取样的时间为0.1ms，一个周期的时长为20ms，因此，每组有200个样本数据，将这些数据归一化处理之后可以得到量子神经网络的输入样本。

双桥12相脉波整流电路晶闸管开路故障主要是电路中一个或者两个桥臂不导通，极少会出现三个或是四个桥臂同时不导通的现象。设该电路中有两个晶闸管同时出现故障，左右两部分电路没有同时故障，则该电路可能会存在包括无故障在内的7大类31小类故障。比如，接到同一项电压的V1V3或V7V9或V5V11同时发生故障，两只交叉的晶闸管V1V11或V1V7或V5V3或V5V7或V9V3或V9V11同时发生故障、同一半桥的两种晶闸管V2V6或V2V10或V6V10或V8V12或V8V4或V12V4同时发生故障等等，将所有的31小类故障分析出来之后编号，每个故障对应一个Y1Y2Y3Y4Y5Y6的六位编码，其中Y1Y2Y3表示大类，Y4Y5Y6表示小类，比如001001表示第一大类第一小类，与每组特征信号对应的故障编码为网络目标输出样本。

2.2 实验结果

本次实验中共有200个输入节点，6个输出节点，反复实验之后，第一隐层取80层，第二隐层取100层，各层的激活函数为σ（t）=1/（1+e-t），初始权值随机给出。

网络训练的误差结果如图2所示，图中横轴为训练步数，纵轴为量子神经网络训练误差，量子神经网络与经典BP 神经网络的网络结构及训练参数一致，二者的训练步数不同，其中量子神经网络10125步，而经典BP 神经网络为26745步。将标准样本以外的3100组数据加入到随机噪声之中作为网络测试样本，测试基于量子数神经网络的故障诊断方法的准确性，当实际输出满足一下条件时，认为该输出正确，即，其中为该神经网络的目标输出。网络诊断了检测完成之后还需要测试网络的误诊率，测试结果显示，诊断数为3100，当随机噪声为5%，量子网络诊断准确率为100%，BP网络准确率为99.20%；当随机噪声为10%时，量子网络诊断准确率为99.97%，BP网络准确率为78.50%；当随机噪声为15%时，量子网络准确率为99.84%，BP网络诊断准确率为64.35%；当随机噪声为20%时，量子网络准确率为99.45%，BP网络准确率为48.75%。诊断数为3100，当随机噪声为5%，量子网络的诊断错误率为0%，BP网络为0.50%；当随机噪声为10%时，量子网络诊断错误率为0.54%，BP网络为12.24%；当随机噪声为15%时，量子网络错误率为1.42%，BP网络为20.05%；当随机噪声为20%时，量子网络错误率为3.58%，BP网络为32.74%。由实验数据可以明显看出与经典的BP神经网络相比，量子神经网络的诊断率明显较高，误诊率相对较低，且当电路存在随机噪声时，量子神经网络依然能够比较稳定的检测出电路故障，抗噪能力及网络稳定性均较好。

3 结束语

本文就量子神经网络进行了简单的介绍，重点结合双桥12相脉波整流电路就基于量子神经网络的电路故障诊断方法进行了分析探讨，实验表明，基于量子神经网络的电力电子电路故障诊断方法准确度较高，与经典的BP神经网络相比具有误诊率低、抗噪能力强、网络稳定性较好等等优点，可以应用于电子电路的故障诊断。因篇幅所限，本文介绍的内容相对而言比较简单，希望能够为相关研究人员的电力电子电路故障诊断的工作提供参考。

参考文献

[1]王力，王旭，徐哲.电力电子电路故障预测关键技术论述[J].通讯世界，2016（02）.

[2]汪蔚，王荣杰，胡清.神经网络电力电子装置故障诊断技术[J].微计算机信息，2012（16）.

[3]李云红，谭阳红.基于量子神经网络的模拟电路的软故障诊断[J].微计算机信息，2013（10）.

作者单位

1.大连工业大学艺术与信息工程学院机电与信息工程系 辽宁省大连市 116600

2.昆山登云科技职业学院机电工程系 江苏省昆山市 215300