loading的正常变化范围， ti j为待诊断元件参数的极限偏差，α 为修正系数。 μ ji为传感器 j 测被诊断元件i属于故障的隶属度， x j为传感器 j 测定的实际数值。
由于实验条件的限制，实验时利用PSPICE仿真代替传感器测试出电路正常工作时，各待测元件的标准电压值和所选的支路电流值。原始数据如表4.1所示。当电路某元件出现故障后，一般说来所选的支路电流会发生变化(升高或降低)，因此诊断时再测试出各支路的新的电流值，按前述的隶属度函数公式计算出待诊表断元件属于故障的隶属度值，另
31
3.2 故障隶属度
外，同样可测出各元件关键点电压值，然后计算出电压参量对各元件故障的隶属度值。在本例子中，为处理问题的方便结合实际测试数值，针对电压和电流构造隶属函数时均取α =1，eij=0，tij= x 0ij。表 4.1 中 I 1、I2分别为测试出的工作电流，U1、U 2分别为元件 1、2 的工作电压。它是在人为设置 A1 和 A2 故障(即分别使其不供电)的情况下，通过改变输入信号 Ui1， Ui2得到的多组实验数据。可计算出故障隶属度，如表 3.2 所示。这样的隶属度只是显示了元件故障时电压值和电流值偏离标准值的程度，将电压隶属度值和电流隶属度值分别进行归一化处理后，可作为神经网络的训练样本。
3.神经网络训练样本
32
在本实例中采用电压和电流作为诊断信息，有2个被诊断元件。故训练用的BP神经网络输入层有4个节点，输出层有2个节点，隐含层神经元数目取为9，其隐含层神经元数目选取是根据多次实验结果比较得出的结论。另外，BP网络融合时，选学习速率为：0.01，期望误差为：0.0001。神经网络非常适合于模拟非线性映射，并且不需要建立数学模型，但是利用神经网络实现对多个故障模式的诊断需要大量的学习样本，本例子中训练样本的具体数据如表3.3所示。表中输入部分左边两列为电压值的归一化隶属度值，右边两列为
表3.3 BP神经网络训练样本
电流值的归一化隶属度值。其输出部分中，0代表元件正常，1代表元件故障。4.故障判定规则对神经网络融合后输出的各元件属于故障的隶属度值，在故障
33
元件决策时，其基本原则如下：
(1) 判定的故障元件应具有最大的隶属度值。
(2) 判定的故障元件的隶属度值要大于某一阈值。对此处给出的被诊断电路，从实验中发现当此值取0.8时，其融合结果能准确判断故障元件。
(3) 判定的故障元件和其它元件的隶属度值之差要大于某个门限。对此诊断实例取其值为0.6。
5.神经网络信息融合诊断结果讨论
表3.4 单独故障识别和神经网络融合故障识别结果比较
表3.4为隶属度值分配表及单一信息和两个信息神经网络融合故障识别结果。对表中每一种故障元件来说，其中第一行，第二行为从电压和电流所测值得的各元件属于故障的隶属度值，第三行为融合后的隶属度值。
从表中可以明显看出，在本实验电路被诊断的两种故障元件中，从两种诊断信息中所提取的故障隶属度值有的很相近，如果只用电压或电流的隶属度值来识别故障元件，会出现无法确定哪个元件故障的状况。如元件1故障
34