CN104777418A - 一种基于深度波尔兹曼机的模拟电路故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于深度波尔兹曼机的模拟电路故障诊断方法，包括以下步骤：给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号作小波包变换消噪处理后提取候选故障特征信号；对候选特征向量进行标准化处理，得到故障特征向量；将故障特征向量输入到神经网络中进行分类，得到故障诊断结果。本发明中采用基于小波包变换的候选故障特征向量的提取，提高了故障分辨率；通过归一化处理，有效消除了原变量因量纲不同和数值差异太大带来的影响，实现了故障特征提取；通过采用深度波尔兹曼机，对大量无标签样本进行学习，能够得到大量训练样本，并且深度波尔兹曼机是深层模型，能够更好获得样本内在特征，具有良好分类能力。

Description

一种基于深度波尔兹曼机的模拟电路故障诊断方法

技术领域

本发明属于模拟电路故障诊断领域，涉及一种基于深度波尔兹曼机的模拟电路故障诊断方法。

背景技术

在当今信息化时代，计算机、通信、自动化系统等电子系统与工业生产和日常生活息息相关，而电路则电子系统的硬件基础，一旦电路发生故障，电子系统乃至整个系统都将无法正常工作。目前，电子设备与人们的生活已经密切相关，己被广泛应用到各个领域。而其运行环境多种多样，从人类普通的生活环境到人类无法生存的恶劣甚至非常恶劣的环境，如超高温、超低温、高湿度、核辐射、高电磁场等环境。随着电子设备广泛运用，人们对电子设备的可靠性指标要求越来越高，并且对某些特殊领域如航空航天，要求则更高。从而要求人们研究新的技术和方法，进一步提高电子设备的可靠性，这就要求当电路发生故障时，能够及时、准确的辨识故障，以便检修和替换。

目前，模拟电路的故障诊断方面存在着以下的困难：

(1)缺少简单的故障模型；

(2)模拟元件参数容差的影响；

(3)模拟电路中广泛存在非线性问题；

(4)实际的可测节点数有限；

(5)实用电路中的反馈回路导致仿真复杂。

随着人工智能处理技术的不断发展，如何将人工智能方法与模拟电路故障诊断相结合，成为当时热门研究方向。上个世纪九十年代以后，神经网络、专家系统、模糊理论等逐渐被应用于模拟电路故障诊断中。模拟电路故障涌现出了很多的方法，但是已提出的理论和方法仍然存在许多不足，需要进一步完善。

模拟电路故障诊断实际上相当于一个模式识别和分类问题：根据电路的故障特征判断电路状态属于哪个故障类。深度波尔兹曼机作为深度学习中的一种，为模拟电路故障诊断提供了一个新的方向。与常用的BP、RBF神经网络相比，深度波尔兹曼机能够进行无监督学习，在样本的获取上更容易，能够用大量样本进行训练；并且由于是深层模型，能够更好的获取对象的内在特性。因此深度波尔兹曼机在特征表达能力、分类能力方面均具有较大优势。但由于样本数量巨大，训练算法较为复杂，所以训练时间较长。

发明内容

为解决模拟电路故障诊断方法存在的上述技术问题,，本发明的目的在于提供一种基于深度波尔兹曼机的模拟电路故障诊断方法。对无标签样本采用greedy layerwise算法，逐层向上学习，得到特征；对有标签样本采用BP算法进行fine-tune，形成分类机制。从而实现对模拟电路的故障诊断。该方法在模拟电路故障诊断的识别率明显优于传统模拟电路故障神经网络类诊断方法。

为达到上述目的，本发明提供如下技术方案：

一种基于深度波尔兹曼机的模拟电路故障诊断方法，包括以下步骤：

步骤一：即给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；

步骤二：对所提取的候选特征向量进行归一化处理，得到故障特征向量；

步骤三：训练深度波尔兹曼机。首先将无标签的故障特征向量作为训练样本输入深度波尔兹曼机可见层，采用greedy layerwise方法，自下而上逐层训练；然后利用带标签的训练样本，采用BP算法自上而下进行fine-tune。

步骤四：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的RBF神经网络中，对被诊断电路的各种故障进行诊断及识别；

步骤五：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。

本发明的有益技术效果为：本发明中采用基于小波包变换的候选故障特征向量的提取，提高了故障的分辨率；通过归一化等预处理形成故障特征，有效地消除了原变量因量纲不同和数值差异太大而带来的影响，实现了故障特征的提取；采用无标签学习的深度波尔兹曼机代替传统的采用有标签学习的神经网络算法进行分类，能够更深层次的获取故障的特征，提高故障的识别率。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述故障诊断方法的流程图

图2为深度波尔兹曼机的结构图

图3为深度波尔兹曼机的无标签训练流程图

图4为深度波尔兹曼机的带标签训练流程图

下面将结合附图，对本发明的优选实施例进行详细的描述。

发明中采用基于小波包变换的候选故障特征向量的提取，提高了故障的分辨率；通过归一化等预处理形成故障特征，有效地消除了原变量因量纲不同和数值差异太大而带来的影响，实现了故障特征的提取；通过采用深度波尔兹曼机，能够对大量的无标签数据进行学习，使样本的获取更加容易，能够得到大量数据进行训练，并且由于深度波尔兹曼机是深层模型，能够更好的获得样本的内在特征，具有良好的分类能力。

图1为本发明所述故障诊断方法的流程图。如图所示，该深度波尔兹曼机模拟电路故障诊断包括两个工作过程，即学习过程和诊断实施阶段。本发明采用基于深度波尔兹曼机实现模拟电路故障诊断过程如下：

(1)对待测的模拟电路施加激励信号，在可测节点测量激励响应信号；

(2)将测量的激励响应信号作小波包及改进能量的小波包变换消噪处理，提取各频带内信号的能量特征作为特征向量；

(3)将获取的特征向量输入到深度波尔兹曼机中，深度波尔兹曼机的输出即为对被诊断电路的诊断结果。

当电路发生故障，其故障信号的特定信息如细微变化及畸变部分则包含在低频和高频段部分，提取故障特征时，用小波及小波包分析，将小波系数转转化成能量作为故障特征向量；按改进能量的小波包变换提取故障时，将各个节点的小波系数转转化成能量作为故障特征向量。

图2为具有一层可见层，三层隐含层，且最后一层有l个节点，其余层各有n个节点的深度波尔兹曼机结构。v＝(v₁,v₂,…,v_n)^T∈Rⁿ为可见层输入向量； $h^1={(h_1^1,h_2^1,\·\·\·,h_n^1)}^T\∈R^n,h^2={(h_1^2,h_2^2,\·\·\·,h_n^2)}^T\∈R^n,h^1={(h_1^1,h_2^1,\·\·\·,h_n^1)}^T\∈R^n,$ 为隐含层状态向量；W¹,W²∈R^n×n,W³∈R^l×n为各层间权值矩阵；a＝(a₁,a₂,…,a_n)^T∈Rⁿ， $b^1={(b_1^1,b_2^1,\·\·\·,b_n^1)}^T\∈R^n,b^2={(b_1^2,b_2^2,\·\·\·,b_n^2)}^T\∈R^n,$ 为可见层与隐含层偏置向量。训练或诊断时，可见层状态向量v为样本，隐含层状态向量h³为输出。

图3为深度波尔兹曼机从下至上的无标签训练流程图，将提取出的特征向量集作为训练样本集，输入到深度波尔兹曼机中，利用greedy layerwise方法逐层向上训练，具体做法是：将无标签训练样本集作为单独的受限制波尔兹曼机的可视层训练集，进行训练，训练完成后得到它的权矩阵系数W和偏置向量a,b。然后根据训练好的模型，对它的隐藏层进行采样，得到下一层波尔兹曼机可视层(即之前训练好的波尔兹曼机的隐藏层)的训练样本集，再把这两层作为单独的受限制波尔兹曼机进行训练。这样逐层训完所有层练权矩阵系数W和偏置向量a,b。其中隐藏层的采样概率按照公式：E_θ(v,h)＝-a^Τv-b^Τh-h^ΤWv。

图4为深度波尔兹曼机从上至下的带标签训练流程图，此时的深度波尔兹曼机被当做一个含有两层隐含层的BP神经网络，采用标准的BP算法进行fine-tune。具体步骤如下：

(1)初始化总误差最小值E_min，迭代次数最大值n_max；

(2)输入带标签训练样本的特征向量x＝(x¹,x²…xⁿ)；

(3)正向传播：计算出网络输出h₃，计算总误差其中L＝(L¹,L²…L^l)为训练样本的标签；

(3)反向传播：利用误差信号，用梯度下降法更新权值矩阵W¹,W²,W³；

(4)训练是否结束：当输出总误差E不大于最小误差E_min，或者迭代次数n不小于n_max时训练结束，否则前往步奏(2)。

将待测样本的特征向量输入训练好的深度波尔兹曼机可见层V，隐含层h₃的输出就是它的故障诊断结果。

当遇到不能识别的故障特征时，判断是否为新的故障特征(模式)，加入训练样本集中，以不断完善诊断功能。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种基于深度波尔兹曼机的模拟电路故障诊断方法，即给待测电路施加激励，在电路的测试节点测量激励响应信号；将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号，然后进行标准化处理以提取故障特征信息，再将故障特征信息作为样本输入经过深度波尔兹曼机进行故障分类。具体包括以下步骤：

步骤一：给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；

步骤二：对所提取的候选特征向量进行标准化处理，得到故障特征向量；

步骤三：训练深度波尔兹曼机。首先将无标签的故障特征向量作为训练样本输入深度波尔兹曼机可见层，采用greedy layerwise方法，自下而上逐层训练；然后利用带标签的训练样本，采用BP算法自上而下进行fine-tune。

步骤四：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的深度波尔兹曼机，波尔兹曼机的输出即为故障类型；

步骤五：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。

2.根据权利要求1所述的基于深度波尔兹曼机的模拟电路故障诊断方法，其特征在于：步骤一中，当电路发生故障，其故障信号的特定信息如细微变化及畸变部分包含在低频和高频段部分，将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号。

3.根据权利要求1所述的基于深度波尔兹曼机的模拟电路故障诊断方法，其特征在于：步骤三所述的训练深度波尔兹曼机，利用greedy layerwise算法训练得到深层次故障特征；利用BP算法进行微调，形成分类器。

4.根据权利要求1所述的基于深度波尔兹曼机的模拟电路故障诊断方法，其特征在于：步骤三所述的训练深度波尔兹曼机方法，具体步骤为；

1)用无标签的训练样本训练一层受限制波尔兹曼机；

2)利用训练好的受限制波尔兹曼机模型，采样得到隐含层数据；

3)将步骤2得到的隐含层数据作为下一层受限制波尔兹曼机的可见层训练样本；

4)逐层训练完所有层；

5)采用BP算法，用带故障标签的训练本对深度波尔兹曼机网络进行权值调整，形成分类机制。

5.根据权利要求1所述的基于深度波尔兹曼机的模拟电路故障诊断方法，其特征在于：步骤 三所述的用无标签训练样本训练单个受限制波尔兹曼机的具体步骤是：

1)初始化：选取训练样本数n_s，训练周期J，学习率η，偏执向量a，b，权值矩阵w以及CD-K算法的步数k；

2)求得训练样本的似然概率

3)利用K步对比散度算法(CD-K)，得到梯度(Δw，Δa，Δb)；

4)更新参数

5)执行步骤3)J次。

6.根据权利要求1所述的基于深度波尔兹曼机的模拟电路故障诊断方法，其特征在于：步骤三所述的用带标签训练样本对深度波尔兹曼机进行fine-tune的具体步骤是：

1)将样本输入深度波尔兹曼机，得到输出y_w；

2)计算总误差

3)采用梯度下降法计算w。

7.一种应用权利要求1至5中任一项所述的基于深度波尔兹曼机的模拟电路故障诊断方。