CN102262198A - 基于回声状态网络同步优化的模拟电路故障诊断方法 - Google Patents

Abstract

基于回声状态网络同步优化的模拟电路故障诊断方法，涉及一种模拟电路故障诊断方法。它解决了采用传统神经网络进行模拟电路故障诊断的诊断精度较低的问题。其方法：采用单位脉冲信号激励模拟电路工作，获得电路待诊断响应信号，采集模拟电路的单位脉冲响应输出信号；采用小波变换法对模拟电路的单位脉冲响应输出信号进行处理，获得故障特征并作为数据样本输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，建立模拟电路故障诊断模型；采用小波变换法对电路待诊断响应信号进行处理，获得故障数据，将所述故障数据输入至模拟电路故障诊断模型中，获得并输出故障诊断结果。本发明适用于模拟电路故障诊断。

Description

基于回声状态网络同步优化的模拟电路故障诊断方法

技术领域

本发明涉及一种模拟电路故障诊断方法。

背景技术

在电子设备中，模拟电路是最易发生故障的薄弱环节，对模拟电路进行故障诊断可提高电子设备的维修性。由于模拟电路缺乏良好的故障模型，电路响应与元件参数间存在着复杂的非线性关系以及测点数目的限制等，模拟电路故障诊断研究尚未成熟。在这种情况下，基于人工智能的方法被引入模拟电路故障诊断中，这类方法将模拟电路故障诊断看作模式识别问题。由于具有良好的非线性映射能力、自学习适应能力等，神经网络在模拟电路智能诊断方法中最为常用。但是，传统的神经网络如采用BP反向传播算法训练的多层感知器，存在着易陷入局部最小、训练算法复杂等问题。

在智能诊断方法中，首先需要从被诊断电路中获取能够表征电路特性的信息，即获得电路在各种工作状态下所表现出来的特征。一般地，选择取值变化对电路输出影响较大的器件作为故障注入单元，为充分研究电路在不同容差条件下所表现出的特性，设置电路中电阻和电容工作在允许容差的范围之内，一般为±5％或±10％。当电路中的元器件均工作在允许容差内时，电路属于无故障状态；当作为故障注入单元的器件中的任何一个高出或低于其正常取值的一定范围时，而其他器件在允许容差内工作，则认为电路发生故障。为了获得电路在各种状态下的工作信息，一般向电路输入端输入单位脉冲信号，并采集电路的单位脉冲响应信号。

为全面反映电路的工作状态，输出信号的采样间隔一般设置较小，采样点数较多，导致特征维数高，为后续的故障分类器训练带来困难，直接影响诊断效果。因此，一般需要对诊断数据进行特征提取，改善诊断效果。目前，主要采用小波变换等信号处理方法来进行模拟电路故障数据特征提取。但是，当特征数量较大时，往往需要采用特征选择的方法来进行进一步的维数约减，以减少特征数量。特征选择与故障分类器的设计有关，若不考虑故障分类器的参数设置，单独进行特征选择，将导致诊断适应性较差，精度较低。

发明内容

本发明是为了解决采用传统神经网络进行模拟电路故障诊断的诊断精度较低的问题，从而提供一种基于回声状态网络同步优化的模拟电路故障诊断方法。

基于回声状态网络同步优化的模拟电路故障诊断方法，它由以下步骤实现：

步骤一、采用单位脉冲信号激励模拟电路工作，获得电路待诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；

步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；

步骤三、将步骤二获得的故障特征作为数据样本，并输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，并根据同步优化选择结果建立模拟电路故障诊断模型；

步骤四、采用小波变换法对步骤一获得的电路待诊断响应信号进行处理，获得故障数据，并将所述故障数据输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。

步骤三中建立模拟电路故障诊断模型是采用回声状态网络静态分类的方法实现的。

步骤三中所述采用微分进化算法进行参数与特征的同步优化选择的具体方法是：

步骤A、设定参数及特征空间范围，初始化回声状态网络的主要参数，所述参数包括：储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；初始化特征，构建初始种群；

步骤B、对当前种群中的每个个体，进行回声状态网络训练，采用数据样本计算分类错误率，并将所述错误率作为适应度评价函数值，获得每个个体的适应度评价函数值；

步骤C、对当前种群中的每个个体，进行变异和交叉操作，得到临时种群，计算所述临时种群适应度评价函数值；

步骤D、对临时种群中的每个个体进行选择，得到新种群；

重复步骤C至步骤D，直到进化代数达到预设的最大进化代数或当种群中最佳个体的适应度值小于预设的阈值时，将最后一次迭代的最佳个体作为同步优化结果。

步骤A中所述构建初始种群的方法是：采用下列公式：

$x_j=x_j^L+\mathrm{rand}\·(x_j^U-x_j^L),$ j＝1，2，…D

随机产生；式中rand为[0，1]之间的随机数，

和

分别代表第j维变量的下界和上界；D为故障特征的维数。

步骤B中，所述对当前种群中的每个个体，进行回声状态网络训练的方法为：

步骤B1、设置参数，所述参数包括储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；

步骤B2、初始化输入连接权矩阵Wⁱⁿ及内部连接权矩阵W；

步骤B3、将个体所选择的训练样本的特征输入至已初始化的回声状态网络中，并收集状态变量；

步骤B4、将步骤B3收集的状态变量输入至储备池处理单元的激活函数中进行处理，获得最终的状态变量；

步骤B5、采用伪逆算法求解输出权矩阵W^out，得到训练完毕的网络结构，训练完成。

步骤C中，所述对当前种群中的每个个体，进行变异操作的过程中，将变异操作后得到的中间个体记为V_i，G+1，即：

V_i，G+1＝X_r1，G+F·(X_r2，G-X_r3，G)

其中r₁，r₂，r₃∈{1，2，…，NP}且r₁≠r₂≠r₃≠i，

NP为种群规模；F∈[0，1]为变异因子；三个个体均从种群中随机选取。

步骤C中，所述对当前种群中的每个个体，进行交叉操作中，将变异得到的中间个体

V_i，G+1＝(v_1i，G+1，v_2i，G+1，…，V_Di，G+1)

和目标个体

X_i，G＝(x_1i，G，x_2i，G，…，x_Di，G)，

将所述中间个体和目标个体按照公式：

进行处进，获得目标个体的候选个体

U_i，G+1＝(u_1i，G+1，u_2i，G+1，…，u_Di，G+1)；

式中i＝1，…，NP，j＝1，…，D；CR∈[0，1]为交叉因子；randb(j)∈[0，1]是均匀分布的随机数。

步骤D中，对候选个体U_i，G+1进行适应度评价，然后根据公式：

确定是否在下一代中用候选个体替换当前目标个体；f为适应度评价函数。

步骤D中，对临时种群中的每个个体进行选择的方法是：在变异、交叉操作之后，由父代个体与新产生的候选个体进行竞争，根据优胜劣汰的规则获得最终的选择结果。

步骤D中，最佳个体为该代种群中适应度值最小的个体。

有益效果：本发明采用微分进化算法，同步优化回声状态网络的参数设置和故障特征选择，改善回声状态网络静态分类应用于模拟电路故障诊断中的适应性，相比于采用传统神经网络进行模拟电路故障诊断方法，本发明的诊断精度较高。

附图说明

图1是本方法的流程示意图。

具体实施方式

具体实施方式一、结合图1说明本具体实施方式，基于回声状态网络同步优化的模拟电路故障诊断方法，它由以下步骤实现：

步骤一、采用单位脉冲信号激励模拟电路工作，获得电路的诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；

步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；

步骤三、将步骤二获得的故障特征作为数据样本，并输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，并根据同步优化选择结果建立模拟电路故障诊断模型；

步骤四、采用小波变换法对步骤一获得的电路待诊断响应信号进行处理，获得故障数据，并将所述故障数据输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。

步骤三中建立模拟电路故障诊断模型是采用回声状态网络静态分类的方法实现的。

步骤三中所述采用微分进化算法进行参数与特征的同步优化选择的具体方法是：

步骤A、设定参数及特征空间范围，初始化回声状态网络的主要参数：所述参数包括：储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；初始化特征，构建初始种群；

步骤B、对当前种群中的每个个体，进行回声状态网络训练，采用数据样本计算分类错误率，并将所述错误率作为适应度评价函数值，获得每个个体的适应度评价函数值；

步骤C、对当前种群中的每个个体，进行变异和交叉操作，得到临时种群，计算所述临时种群适应度评价函数值；

步骤D、对临时种群中的每个个体进行选择，得到新种群；并重复步骤C至步骤D，直到进化代数达到预设的最大进化代数或当种群中最佳个体的适应度值小于预设的阈值时，将最后一次迭代的最佳个体作为同步优化结果。

步骤A中所述构建初始种群的方法是：采用下列公式：

$x_j=x_j^L+\mathrm{rand}\·(x_j^U-x_j^L),$ j＝1，2，…D

随机产生；式中rand为[0，1]之间的随机数，

和

分别代表第j维变量的下界和上界；D为维数。

步骤B中所述对当前种群中的每个个体，进行回声状态网络训练的方法为：

步骤B1、设置参数，所述参数包括储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；

步骤B2、初始化输入连接权矩阵Wⁱⁿ及内部连接权矩阵W；

步骤B3、将个体所选择的训练样本的特征输入至已初始化的回声状态网络中，并利用公式(3)收集状态变量；

步骤B4、将步骤B3收集的状态变量输入至储备池处理单元激活函数中进行处理，获得最终的状态变量；

步骤B5、采用伪逆算法求解输出权矩阵W^out，得到训练完毕的网络结构。

步骤C中所述对当前种群中的每个个体，进行变异操作中，将变异操作后得到的中间个体记为V_i，G+1，即：

V_i，G+1＝X_r1，G+F·(X_r2，G-X_r3，G)

其中r₁，r₂，r₃∈{1，2，…，NP}r₁≠r₂≠r₃≠i，

NP为种群规模；F∈[0，1]为变异因子；三个个体均从种群中随机选取。

步骤C中所述对当前种群中的每个个体，进行交叉操作中，将变异得到的中间个体

V_i，G+1＝(v_1i，G+1，v_2i，G+1，…，v_Di，G+1)

和目标个体

X_i，G＝(x_1i，G，x_2i，G，…，x_Di，G)

将所述中间个体和目标个体按照公式：

进行处进，获得目标个体的候选个体

U_i，G+1＝(u_1i，G+1，u_2i，G+1，…，u_Di，G+1)；

式中i＝1，…，NP，j＝1，…，D；CR∈[0，1]为交叉因子；randb(j)∈[0，1]是均匀分布的随机数。

步骤D中，对候选个体U_i，G+1进行适应度评价，然后根据公式：

确定是否在下一代中用候选个体替换当前目标个体；f为适应度评价函数。

步骤D中，对临时种群中的每个个体进行选择的方法是：在变异、交叉操作之后，由父代个体与新产生的候选个体进行竞争，根据优胜劣汰的规则获得最终的选择结果。

步骤D中，最佳个体为该代种群中适应度值最小的个体。

本实施方式所述的步骤二中采用的小波变换处理过程是将采集到的输出信号采用Haar小波基进行小波变换，得到信号的低频概貌成分和高频细节成分，再对低频概貌成分做进一步分解，得到下一层的低频概貌成分和高频细节成分，依此类推，得到5层小波分解后的低频概貌成分和高频细节成分，分别抽取第1层至第5层的前16、8、4、2、1个低频概貌成分共31维组成故障特征。

本实施方式所述的步骤三中采用的微分进化算法是模仿生物进化过程中“优胜劣汰、适者生存”原理的一种进化算法，具有算法简单、全局优化能力强、鲁棒性好等特点，能够处理具有非线性、不可微、多局部极值等特点的优化问题。采用微分进化算法针对回声状态网络进行参数设置的优化。其中：

步骤A中，参数及特征空间取值范围根据具体问题需求设定。微分进化算法的个体编码方式采用实数编码方式，算法种群规模为NP，则第G代的个体可表示为

X_i，G＝(x₁，x₂，…，x_D)，i＝1，2，…，NP

此处个体维数D＝5。

初始种群用如下的随机方法产生：

$x_j=x_j^L+\mathrm{rand}\·(x_j^U-x_j^L),$ j＝1，2，…D，

其中rand为[0，1]之间的随机数。

和

分别代表第j维变量的下界和上界。每个个体中包含参数信息和特征信息。其中，x₁，x₂，x₃，x₄为回声状态网络参数信息，x₅为故障特征信息。特征信息的变化范围限定为[1，2^m)，m为特征选择前的原始故障特征的维数。在本实施方式中，m＝31。对于特征信息的实数编码，首先进行取整处理，然后进行二进制变换，二进制数值的每一位对应一维特征，如果该位为1，则选择该位对应的特征；如果该位为0，则不选择该位对应的特征。

回声状态网络储备池处理单元采用的激活函数为双曲正切函数，输出单元采用的激活函数为恒等函数，没有采用输入层到输出层的连接、输出层到储备池的连接、输出层到输出层的连接。

将故障特征样本数据分为训练样本和测试样本，采用测试样本数据计算分类错误率作为适应度评价函数值。

本发明中，回声状态网络是对传统递归神经网络训练算法的改进。其特点是采用由大量稀疏连接的神经元组成的储备池作为隐层，用以对输入进行高维、非线性的表示，并且只需训练储备池至输出层的权值，使网络的训练过程得以简化，解决了传统递归神经网络存在的训练算法复杂、网络结构难以确定等问题。

回声状态网络的典型结构由输入层、储备池和输出层组成。对于由K个输入单元、N个储备池处理单元、和L个输出单元组成的回声状态网络，其基本方程如下：

x(n+1)＝f(Wⁱⁿu(n+1)+Wx(n)+W^backy(n))              (1)

y(n+1)＝f^out(W^out(u(n+1)，x(n+1)，y(n)))          (2)

其中，x(n)＝(x₁(n)，...，x_N(n))^T，表示回声状态网络的状态变量。

y(n)＝(y₁(n)，...，y_L(n))^T表示回声状态网络的输出变量。

u(n)＝(u₁(n)，...，u_K(n))^T表示回声状态网络的输入变量。

f＝(f₁，...，f_N)为储备池处理单元的激活函数向量。

$f^{\mathrm{out}}=(f_1^{\mathrm{out}},...,f_L^{\mathrm{out}})$ 为储备池输出单元的激活函数向量。

输入单元通过

$W^{\mathrm{in}}=\left(w_{\mathrm{ij}}^{\mathrm{in}}\right)\∈R^{N\×K}$

与储备池处理单元连接，W＝(w_ij)∈R^N×N为储备池处理单元间的连接权值，

$W^{\mathrm{back}}=\left(w_{\mathrm{ij}}^{\mathrm{back}}\right)\∈R^{N\×L}$

为输出层到储备池的连接权值，储备池通过

$W^{\mathrm{out}}=\left(w_{\mathrm{ij}}^{\mathrm{out}}\right)\∈R^{L\×(K+N+L)}$

与输出单元连接。其中，Wⁱⁿ、W和W^back无需训练，经初始给定后保持不变。

回声状态网络训练的基本思想是：输入输出训练样本数据通过随机生成的权值矩阵Wⁱⁿ和W^back激励储备池处理单元，储备池处理单元间的稀疏连接权值矩阵W也是随机生成的，采用线性回归使训练均方误差最小化的方法即得到W^out。

回声状态网络一般用于解决时序问题。面向静态模式分类的回声状态网络方法去除了传统回声状态网络中状态变量间的依赖关系，以使其更适于解决静态模式分类问题。其基本方法可用式(3)表示，始终保持输入样本不变，直至储备池状态变量趋于稳定，即前后两次迭代结果的变化不明显。在这里，n仅用于区分不同的样本，并非表示时间。

x(n+1)⁽ⁱ⁾＝Wⁱⁿu(n+1)+Wx(n+1)^(i-1)                (3)

回声状态网络的主要参数包括：储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度。回声状态网络的主要参数的设置是回声状态网络训练过程中的关键步骤，对回声状态网络的性能影响较大。因此，针对具体的应用问题，需要进行参数的优化设置。

Claims (10)

1.基于回声状态网络同步优化的模拟电路故障诊断方法，其特征是：它由以下步骤实现：

步骤一、采用单位脉冲信号激励模拟电路工作，获得电路待诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；

步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；

步骤三、将步骤二获得的故障特征作为数据样本，并输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，并根据同步优化选择结果建立模拟电路故障诊断模型；

步骤四、采用小波变换法对步骤一获得的电路待诊断响应信号进行处理，获得故障数据，并将所述故障数据输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。

2.根据权利要求1所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤三中建立模拟电路故障诊断模型是采用回声状态网络静态分类的方法实现的。

3.根据权利要求1所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤三中所述采用微分进化算法进行参数与特征的同步优化选择的具体方法是：

步骤A、设定参数及特征空间范围，初始化回声状态网络的主要参数，所述参数包括：储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；初始化特征，构建初始种群；

步骤B、对当前种群中的每个个体，进行回声状态网络训练，采用数据样本计算分类错误率，并将所述错误率作为适应度评价函数值，获得每个个体的适应度评价函数值；

步骤C、对当前种群中的每个个体，进行变异和交叉操作，得到临时种群，计算所述临时种群适应度评价函数值；

步骤D、对临时种群中的每个个体进行选择，得到新种群；

重复步骤C至步骤D，直到进化代数达到预设的最大进化代数或当种群中最佳个体的适应度值小于预设的阈值时，将最后一次迭代的最佳个体作为同步优化结果。

4.根据权利要求3所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤A中所述构建初始种群的方法是：采用下列公式：

$x_j=x_j^L+\mathrm{rand}\·(x_j^U-x_j^L),$ j＝1，2，…D

随机产生；式中rand为[0，1]之间的随机数，和

分别代表第j维变量的下界和上界；D为故障特征的维数。

5.根据权利要求3所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤B中，所述对当前种群中的每个个体，进行回声状态网络训练的方法为：

步骤B1、设置参数，所述参数包括储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；

步骤B2、初始化输入连接权矩阵Wⁱⁿ及内部连接权矩阵W；

步骤B3、将个体所选择的训练样本的特征输入至已初始化的回声状态网络中，并收集状态变量；

步骤B4、将步骤B3收集的状态变量输入至储备池处理单元的激活函数中进行处理，获得最终的状态变量；

步骤B5、采用伪逆算法求解输出权矩阵W^out，得到训练完毕的网络结构，训练完成。

6.根据权利要求3所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤C中，所述对当前种群中的每个个体，进行变异操作的过程中，将变异操作后得到的中间个体记为V_i，G+1，即：

V_i，G+1＝X_r1，G+F·(X_r2，G-X_r3，G)

其中，r₁，r₂，r₃∈{1，2，…，NP}r₁≠r₂≠r₃≠i，

NP为种群规模；F∈[0，1]为变异因子；三个个体均从种群中随机选取。

7.根据权利要求6所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤C中，所述对当前种群中的每个个体，进行交叉操作中，将变异得到的中间个体

V_i，G+1＝(v_1i，G+1，v_2i，G+1，…，v_Di，G+1)

和目标个体

X_i，G＝(x_1i，G，x_2i，G，…，x_Di，G)，

将所述中间个体和目标个体按照公式：

进行处进，获得目标个体的候选个体

U_i，G+1＝(u_1i，G+1，u_2i，G+1，…，u_Di，G+1)；

式中i＝1，…，NP，j＝1，…，D；CR∈[0，1]为交叉因子；randb(j)∈[0，1]是均匀分布的随机数。

8.根据权利要求3所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤D中，对候选个体U_i，G+1进行适应度评价，然后根据公式：

确定是否在下一代中用候选个体替换当前目标个体；f为适应度评价函数。

9.根据权利要求3所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤D中，对临时种群中的每个个体进行选择的方法是：在变异、交叉操作之后，由父代个体与新产生的候选个体进行竞争，根据优胜劣汰的规则获得最终的选择结果。

10.根据权利要求3所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤D中，最佳个体为该代种群中适应度值最小的个体。

Images