CN109145516B - 一种基于改进型极限学习机的模拟电路故障识别方法 - Google Patents

一种基于改进型极限学习机的模拟电路故障识别方法 Download PDF

Info

Publication number
CN109145516B
CN109145516B CN201811167953.1A CN201811167953A CN109145516B CN 109145516 B CN109145516 B CN 109145516B CN 201811167953 A CN201811167953 A CN 201811167953A CN 109145516 B CN109145516 B CN 109145516B
Authority
CN
China
Prior art keywords
neuron
particle swarm
learning machine
extreme learning
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811167953.1A
Other languages
English (en)
Other versions
CN109145516A (zh
Inventor
刘震
梅文娟
杨成林
周秀云
田书林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811167953.1A priority Critical patent/CN109145516B/zh
Publication of CN109145516A publication Critical patent/CN109145516A/zh
Application granted granted Critical
Publication of CN109145516B publication Critical patent/CN109145516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/316—Testing of analog circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于改进型极限学习机的模拟电路故障识别方法，先采用模拟电路在不同转折频率下的电压特征向量作为输入，再基于各熵率选取各个隐藏层神经元对应的输入向量，并通过多维粒子群算法生成达到最高相关度的权值和偏置，然后通过粒子群算法和迭代运算找到合适的影响参数，从而构造高效的隐藏层模型，最后通过该隐藏层模型训练出识别模拟电路故障的诊断模型，进而来识别模拟电路故障，具有故障识别精度高、速度快等特点。

Description

一种基于改进型极限学习机的模拟电路故障识别方法
技术领域
本发明属于电路故障识别及机器学习技术领域，更为具体地讲，涉及一种基于改进型极限学习机的模拟电路故障识别方法。
背景技术
随着现代电子技术的发展，模拟电路的集成度越来越高，电路的设计越来越复杂，如何有效的对模拟电路进行准确的状态监测以保障其可靠运行，已成为当前模拟电路领域的研究热点。
现有的模拟电路典型诊断方法主要包括基于解析模型的诊断法、基于信号分析的诊断方法以及基于知识的诊断法。
基于解析模型的诊断法，通过将被诊断模拟电路的可测信息和由模型表达(通常是电路传递函数)的系统先验信息进行比较，利用产生的残差进行分析和处理从而实现故障的诊断；其中，根据残差产生形式不同，又可分为电路状态估计法和电路参数估计法；基于信号处理的方法，则利用模拟电路关键输出节点的信号模型，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而检测出故障。典型的如小波变换方法、主元分析方法、相关函数法、自回归滑动平均法等。目前基于解析模型的方法得到比较深入的研究，但在实际情况中，常常难以获得电路特别是复杂模拟电路系统的精确数学模型，大大限制了基于解析模型诊断方法的使用范围。基于信号处理的方法，虽避开了电路解析建模的难点，但由于未能充分结合电路的结构特性，因此对复杂模拟电路的故障识别也存在一定的局限性，单一方法的诊断效果不佳。
近年来，人工智能及计算机技术的飞速发展，为故障诊断技术提供了新的理论基础，产生了基于知识的诊断方法，此方法由于不需要对象的精确数学模型，而且具有“智能”特性，因此是一种很有生命力的方法。
基于知识的故障诊断方法主要可以分为：专家系统故障诊断方法、模糊故障诊断方法、故障树故障诊断方法、神经网络故障诊断方法、SVM故障诊断方法、信息融合故障诊断方法等。
基于知识的故障诊断方法对于复杂电路系统和非线性系统有较高的实际意义。由于该方法充分考虑了人的智能因素，更符合对实际系统的自然推理，是一类很有前途的诊断方法。但该类方法的有些理论自身尚不成熟，成功应用于电路系统实际过程的不是很多，在其许多方面还有待进一步研究。现有的基于知识的诊断方法构造的诊断模型在输入变量的选择，模型的构造上多为事先固定，这样不但使得诊断模型缺少建模的灵活性，而且无需保留的节点和输入参数还在一定程度上影响了建模的精确性，同时带来了不必要的计算复杂度。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于改进型极限学习机的模拟电路故障识别方法，结合粒子群算法和迭代运算进行改进型极限学习机的模型训练，进而来识别模拟电路故障，具有故障识别精度高、速度快等特点。
为实现上述发明目的，本发明为一种基于改进型极限学习机的模拟电路故障识别方法，其特征在于，包括以下步骤：
(1)、采集模拟电路在故障状态和健康状态下N组样本在不同转折频率的电压特征值，记为X＝{x1,x2,…,xi,…,xN}，其中，电压特征值xi＝{xi,1,xi,2,…,xi,k…,xi,T}，xi,k表示采集的第i个样本在第k个转折频率下的电压值，T为转折频率个数；
构建各样本的期望输出向量Y＝{y1,y2,…,yi,…,yN}，其中，yi＝{yi,1,yi,2,...yi,j,…,yi,M}，M为故障状态总数，yi,j为第i个组电压值构成的输入下模拟电路第j种故障的标记值，若该种输入下表现为第j种故障，则yi,j记为1，否则记为0；
(2)、随机生成待选池中的神经元(W,b)＝{(w1,b1),(w2,b2),…(wl,bl),…,(wL,bL)}，其中，L为神经元的总个数，
Figure BDA0001821613560000021
为第l个神经元的权重，
Figure BDA0001821613560000022
为第l个神经元对应t0个电压特征值的权重，bl为第l个神经元的偏置；
设置极限学习机中的神经元权重
Figure BDA0001821613560000023
和偏置
Figure BDA0001821613560000024
为空集，设置神经网络模型输出层的权重β为空集；神经网络模型当前输出
Figure BDA0001821613560000025
初始化为0，设置当前神经网络模型的神经元个数n为0；
(3)、更新粒子群中的神经元参数获取最优神经元；
(3.1)、初始化粒子群中的神经元权重
Figure BDA0001821613560000031
为空集，并将粒子群中神经元的偏置设置为待选池中的神经元偏置
Figure BDA0001821613560000032
将粒子群中神经元对应的已选频率特征值构成的集合记为
Figure BDA0001821613560000033
并将
Figure BDA0001821613560000034
初始化为空集，记输入电压特征值个数t为0；
(3.2)、计算各个备选频率下采集到的各个故障的电压特征值在极限学习机模型下的熵率Rent(xk)；
(3.3)、选取备选电压特征值中熵率最大的转折频率下所有故障模式的电压特征值加入到
Figure BDA0001821613560000035
中，并将输入电压特征值总数t自加1；将待选池中的各个神经元对应该转折频率的权重wbest＝{w1,best,w2,best,…,wL,best}添加到粒子群神经元的权重
Figure BDA0001821613560000036
中；
(3.4)、采用多粒子群优化算法对粒子群中的神经元的权重和偏置进行更新；
(3.4.1)、设置粒子群优化算法的最大迭代次数Tmax，初始化粒子群优化算法的迭代次数t＝1，粒子群中的全局最优解的相关度cgbest初始化为0，全局最优神经元的权重wgbest初始化为空集，偏置bgbest初始化为0；粒子群中的各个神经元的最优解的相关度cpbest,l初始化为0，全局最优神经元的权重wpbest,l初始化为空集，偏置bpbest,l初始化为0；随机设定粒子群中节点权重的增加值vw＝{vw1,vw2,…,vwL}和偏置的增加值vb＝{vb1,vb2,…,vbL}；
(3.4.2)、计算粒子群中各个神经元的输出hl，得到输出集合h＝{h1,h2,…hl,…hL}；其中，hl＝{hl,1,hl,1,…,hl,N}为粒子群中第l个神经元的输出；
计算粒子群中各个神经元与期望输出的相关度cl，
Figure BDA0001821613560000037
(3.4.3)、更新粒子群中对应的全局最优解参量；
Figure BDA0001821613560000038
Figure BDA0001821613560000039
Figure BDA00018216135600000310
(3.4.4)、更新粒子群中对应的个体最优解；
Figure BDA0001821613560000041
Figure BDA0001821613560000042
Figure BDA0001821613560000043
(3.4.5)、根据全局最优解和个体最优解，更新粒子群中的神经元参数；
vwl＝r1vwl T+r2(wpbest,l-vwl)T+r3(wgbest-vwl)T
Figure BDA0001821613560000044
vbl＝r4vbl+r5(bpbest,l-bl)+r6(bgbest-bl)
Figure BDA0001821613560000045
其中，r1,r2,r3为t*1的随机矩阵，r4,r5,r6为随机数；
(3.4.6)、判断当前迭代次数t算法到迭代最大次数Tmax，如果未达到，则令t＝t+1，再返回步骤(3.4.2)；如果达到，则将全局最优解的神经元作为最优神经元，然后进入步骤(4)；
(4)、将获取的最优神经元对应的权重wgbest和偏置bgbest添加到神经网络模型的隐藏层
Figure BDA0001821613560000046
中；
(5)、计算最优神经元在影响系数为1时的输出权重
Figure BDA0001821613560000047
Figure BDA0001821613560000048
其中，hgbest为添加的神经元对应的输出，I为n*n的单位矩阵，n为当前极限学习机中神经元的个数，
Figure BDA0001821613560000049
为极限学习机中的神经元输出，
Figure BDA00018216135600000410
为
Figure BDA00018216135600000411
的伪逆运算；
(6)、生成最优神经元对应的影响系数；
(6.1)、随机生成影响参数粒子群a＝{a1,a2,…,aP}，P为粒子群中个体的个数；随机生成粒子群的影响参数更新增量av＝{av1,av2,...,avP}，初始化粒子群的全局最优精度MSEgbest和个体最优精度MSEpbest,p为设定的极限值MSEmax，全局最优解agbest和个体最优解对应的影响参数apbest,p初始化为1；设置最大迭代次数
Figure BDA0001821613560000051
当前迭代次数
Figure BDA0001821613560000052
初始化为1；
(6.2)、在粒子群中各个影响参数下更新极限学习机输出
Figure BDA0001821613560000053
Figure BDA0001821613560000054
(6.3)、将
Figure BDA0001821613560000055
设为极限学习机的当前输出，再返回步骤S3生成完整的极限学习机模型的隐藏层神经元
Figure BDA0001821613560000056
和输出值
Figure BDA0001821613560000057
(6.4)、计算极限学习机的训练精度MSEp；
Figure BDA0001821613560000058
(6.5)、根据预测精度MSEp更新粒子群的全局最优解训练精度和全局最优解对应的影响参数；
Figure BDA0001821613560000059
Figure BDA00018216135600000510
(6.6)、更新粒子群中个体最优解的相关系数：
Figure BDA00018216135600000511
Figure BDA00018216135600000512
(6.7)、更新粒子群中的参数：
avp＝avp+r7(apbest,p-ap)+r8(agbest-ap)
a＝a+av
其中，r7和r8为随机数；
(6.8)、判断迭代次数
Figure BDA00018216135600000514
是否达到迭代最大次数
Figure BDA00018216135600000513
如果未达到，则令
Figure BDA0001821613560000061
再返回步骤(6.2)；如果达到，则设定最优神经元的输出权重为
Figure BDA0001821613560000062
n自加1，并记录下当前极限学习机的训练精度
Figure BDA0001821613560000063
再进入步骤(7)；
(7)、判断当前极限学习机中神经元的数量n是否达到最大值nmax，如果没有达到条件，则返回步骤(3)；如果达到条件，则进入步骤(8)；
(8)、统计极限学习机训练精度最小对应的神经元个数nopt，然后取生成的极限学习机的前nopt个神经元组成最终生成的极限学习机模型神经元
Figure BDA0001821613560000064
并求出
Figure BDA0001821613560000065
对应的隐藏层输出
Figure BDA0001821613560000066
(9)、利用隐藏层输出
Figure BDA0001821613560000067
求得输出层权值
Figure BDA0001821613560000068
Figure BDA0001821613560000069
其中，
Figure BDA00018216135600000610
为
Figure BDA00018216135600000611
的伪逆矩阵；
(10)、对待检测模拟电路故障进行识别时，将该故障下的电压特征值
Figure BDA00018216135600000612
代入极限学习机的隐藏层
Figure BDA00018216135600000613
得到相应的隐藏层输出
Figure BDA00018216135600000614
求得极限学习机的输出向量
Figure BDA00018216135600000615
再将
Figure BDA00018216135600000616
中最大值对应的故障记为极限学习机识别的故障类型。
本发明的发明目的是这样实现的：
本发明为一种基于改进型极限学习机的模拟电路故障识别方法，先采用模拟电路在不同转折频率下的电压特征向量作为输入，再基于各熵率选取各个隐藏层神经元对应的输入向量，并通过多维粒子群算法生成达到最高相关度的权值和偏置，然后通过粒子群算法和迭代运算找到合适的影响参数，从而构造高效的隐藏层模型，最后通过该隐藏层模型训练出识别模拟电路故障的诊断模型，进而来识别模拟电路故障，具有故障识别精度高、速度快等特点。
附图说明
图1是本发明基于改进型极限学习机的模拟电路故障识别方法流程图；
图2是本发明生成最优解的结构图
图3是待测模拟电路的电路图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明基于改进型极限学习机的模拟电路故障识别方法流程图。
在本实施例中，如图1所示，本发明一种基于改进型极限学习机的模拟电路故障识别方法，包括以下步骤：
S1、采集不同转折频率的电压特征值
如图2所示，分析模拟电路的转折频率，采集模拟电路在故障状态和健康状态下N组样本在不同转折频率的电压特征值，记为X＝{x1,x2,…,xi,…,xN}，其中，电压特征值xi＝{xi,1,xi,2,…,xi,k…,xi,T}，xi,k表示采集的第i个样本在第k个转折频率下的电压值，T为转折频率个数；
构建各样本的期望输出向量Y＝{y1,y2,…,yi,…,yN}，其中，yi＝{yi,1,yi,2,...yi,j,…,yi,M}，M为故障状态总数，yi,j为第i组电压值构成的输入下模拟电路第j种故障的标记值，若该种输入下表现为第j种故障，则yi,j记为1，否则记为0；
S2、初始化待选池中的神经元
随机生成待选池中的神经元(W,b)＝{(w1,b1),(w2,b2),…(wl,bl),…,(wL,bL)}，其中，L为神经元的总个数，
Figure BDA0001821613560000071
为第l个神经元的权重，
Figure BDA0001821613560000072
为第l个神经元对应t0个电压特征值的权重，t0＝1,2,…,T，bl为第l个神经元的偏置；
设置极限学习机中的神经元权重
Figure BDA0001821613560000073
和偏置
Figure BDA0001821613560000074
为空集，设置神经网络模型输出层的权重β为空集；神经网络模型当前输出
Figure BDA0001821613560000075
初始化为0，设置当前神经网络模型的神经元总个数为nmax，初始化当前神经元个数n为0；
S3、如图2所示，更新粒子群中的神经元参数获取最优神经元；
在本实施例中，基于相关度最大准则生成识别能力强的隐藏层节点，提高极限学习机对故障的识别精度和识别效率；
S3.1、初始化粒子群中的神经元权重
Figure BDA0001821613560000076
为空集，并将粒子群中神经元的偏置设置为待选池中的神经元偏置
Figure BDA0001821613560000081
将粒子群中神经元对应的已选频率特征值构成的集合记为
Figure BDA0001821613560000082
并将
Figure BDA0001821613560000083
初始化为空集，记输入电压特征值个数t为0；
S3.2、计算各个备选频率下采集到的各个故障的电压特征值在极限学习机模型下的熵率Rent(xk)；
Figure BDA0001821613560000084
Figure BDA0001821613560000085
其中，xk为各组样本在第k个电压转折频率下的各个故障状态电压特征值集合；
Figure BDA0001821613560000086
为当前构造相空间序列的微熵，
Figure BDA0001821613560000087
为微熵的平均值，ρj为由X和xk构成的神经网络输入下最近邻点之间的距离，Ce为欧拉常数，取值为0.5772；这样挑选出具有更好诊断能力的电压特征值用于故障状态识别，进一步提高模型的识别能力；
S3.3、选取备选电压特征值中熵率最大的转折频率下所有故障模式的电压特征值加入到
Figure BDA0001821613560000088
中，并将输入电压特征值总数t自加1；将待选池中的各个神经元对应该转折频率的权重wbest＝{w1,best,w2,best,...,wL,best}添加到粒子群神经元的权重
Figure BDA0001821613560000089
中；
S3.4、根据相关度最高原则，采用多粒子群优化算法对粒子群中的神经元的权重和偏置进行更新；
S3.4.1、设置粒子群优化算法的最大迭代次数Tmax，初始化粒子群优化算法的迭代次数
Figure BDA00018216135600000810
粒子群中的全局最优解的相关度cgbest初始化为0，全局最优神经元的权重wgbest初始化为空集，偏置bgbest初始化为0；粒子群中的各个神经元的最优解的相关度cpbest,l初始化为0，全局最优神经元的权重wpbest,l初始化为空集，偏置bpbest,l初始化为0；随机设定粒子群中节点权重的增加值vw＝{vw1,vw2,...,vwL}和偏置的增加值vb＝{vb1,vb2,...,vbL}；
S3.4.2、计算粒子群中各个神经元的输出hl，得到输出集合h＝{h1,h2,…hl,…hL}；其中，hl＝{hl,1,hl,1,…,hl,N}为粒子群中第l个神经元的输出；
计算粒子群中各个神经元与期望输出的相关度cl，
Figure BDA0001821613560000091
S3.4.3、更新粒子群中对应的全局最优解参量；
Figure BDA0001821613560000092
Figure BDA0001821613560000093
Figure BDA0001821613560000094
S3.4.4、更新粒子群中对应的个体最优解；
Figure BDA0001821613560000095
Figure BDA0001821613560000096
Figure BDA0001821613560000097
S3.4.5、根据全局最优解和个体最优解，更新粒子群中的神经元参数；
vwl＝r1vwl T+r2(wpbest,l-vwl)T+r3(wgbest-vwl)T
Figure BDA0001821613560000098
vbl＝r4vbl+r5(bpbest,l-bl)+r6(bgbest-bl)
Figure BDA0001821613560000099
其中，r1,r2,r3为t*1的随机矩阵，r4,r5,r6为随机数；
S3.4.6、判断当前迭代次数
Figure BDA00018216135600000913
算法到迭代最大次数Tmax，如果未达到，则令
Figure BDA00018216135600000910
再返回步骤S3.4.2；如果达到，则将全局最优解的神经元作为最优神经元，然后进入步骤S4；
S4、将获取的最优神经元对应的权重wgbest和偏置bgbest添加到神经网络模型的隐藏层
Figure BDA00018216135600000911
中；
S5、计算最优神经元在影响系数为1时的输出权重
Figure BDA00018216135600000912
Figure BDA0001821613560000101
其中，hgbest为添加的神经元对应的输出，I为n*n的单位矩阵，n为当前极限学习机中神经元的个数，
Figure BDA0001821613560000102
为极限学习机中的神经元输出，
Figure BDA0001821613560000103
为
Figure BDA0001821613560000104
的伪逆运算；
S6、生成最优神经元对应的影响系数；
在本实施例中，通过该步骤可以降低模型生成方法的贪心程度，避免模型过拟合的发生，从而提高算法的识别能力；
S6.1、随机生成影响参数粒子群a＝{a1,a2,…,aP}，P为粒子群中个体的个数；随机生成粒子群的影响参数更新增量av＝{av1,av2,…,avP}，初始化粒子群的全局最优精度MSEgbest和个体最优精度MSEpbest,p为设定的极限值MSEmax，全局最优解agbest和个体最优解对应的影响参数apbest,p初始化为1；设置最大迭代次数
Figure BDA0001821613560000105
当前迭代次数
Figure BDA0001821613560000106
初始化为1；
S6.2、在粒子群中各个影响参数下更新极限学习机输出
Figure BDA0001821613560000107
Figure BDA0001821613560000108
S6.3、将
Figure BDA0001821613560000109
设为极限学习机的当前输出，再返回步骤S3生成完整的极限学习机模型的隐藏层神经元
Figure BDA00018216135600001010
和输出值
Figure BDA00018216135600001011
S6.4、计算极限学习机的训练精度MSEp；
Figure BDA00018216135600001012
S6.5、根据预测精度MSEp更新粒子群的全局最优解训练精度和全局最优解对应的影响参数；
Figure BDA00018216135600001013
Figure BDA00018216135600001014
S6.6、更新粒子群中个体最优解的相关系数：
Figure BDA0001821613560000111
Figure BDA0001821613560000112
S6.7、更新粒子群中的参数：
avp＝avp+r7(apbest,p-ap)+r8(agbest-ap)
a＝a+av
其中，r7和r8为随机数；
S6.8、判断迭代次数
Figure BDA0001821613560000113
是否达到迭代最大次数
Figure BDA0001821613560000114
如果未达到，则令
Figure BDA0001821613560000115
再返回步骤S6.2；如果达到，则设定最优神经元的输出权重为
Figure BDA0001821613560000116
n自加1，并记录下当前极限学习机的训练精度
Figure BDA0001821613560000117
再进入步骤S7；
S7、判断当前极限学习机中神经元的数量n是否达到最大值nmax，如果没有达到条件，则返回步骤S3；如果达到条件，则进入步骤S8；
S8、统计极限学习机训练精度最小对应的神经元个数nopt，然后取生成的极限学习机的前nopt个神经元组成最终生成的极限学习机模型神经元
Figure BDA0001821613560000118
并求出
Figure BDA0001821613560000119
对应的隐藏层输出
Figure BDA00018216135600001110
S9、利用隐藏层输出
Figure BDA00018216135600001111
求得输出层权值
Figure BDA00018216135600001112
Figure BDA00018216135600001113
其中，
Figure BDA00018216135600001114
为
Figure BDA00018216135600001115
的伪逆矩阵；
S10、对待检测模拟电路故障进行识别时，将该故障下的电压特征值
Figure BDA00018216135600001116
代入极限学习机的隐藏层
Figure BDA00018216135600001117
得到相应的隐藏层输出
Figure BDA00018216135600001118
求得极限学习机的输出向量
Figure BDA00018216135600001119
再将
Figure BDA00018216135600001120
中最大值对应的故障记为极限学习机识别的故障类型。
实例
为说明本发明的技术效果，采用某模拟电路为例对本发明进行实施验证。如图3所示，电路由4个二阶滤波器与一个加法器构成，使用Pspice软件对其建模与仿真。R1，R2，R3，R4，R5，R6，R7和R8的容差为±10％，C1，C2，C3，C4，C5，C6，C7和C8的容差为±5％，放大器的增益Av1，Av2，Av3和Av4的容差为±1％，R9，R10和R11的容差为±1％。分析得知该电路具有4个转折频率：10Hz,100Hz,10kHz和100kHz。模拟电路单故障出现概率约占80％，故只考虑单故障的状态监测与健康管理。
设置Av1,Av2,Av3和Av4在(1.1～1.5％)Xn,(1.6～2％)Xn,(2.1～2.5％)Xn,(2.6～3.0％)Xn,(3.1～3.5％)Xn,(3.6～4.0％)Xn,(4.1～4.5％)Xn,(4.6～5.0％)Xn,(5.1～5.5％)Xn,(5.6～6.0％)Xn共10个参数区间内变化并多次Monte-Carlo仿真，只考虑单个故障元件：任意时刻只有一个元件的参数值在其不同参数区间内均匀变化，其余元件均在容差范围内均匀变化；正常态时所有元件都在容差范围内均匀变化。正常态和故障状态下获取7个转折频率下电压特征向量。
为衡量和比较测试性能，利用典型BP网络和隐马尔科夫模型HMM与本方法的诊断识别率进行比较，实验结果如表1所示，综合来看，本发明在故障的识别率均接近100％，较BP网络和HMM有明显提升，对模拟电路的故障识别能力更高。
状态类 正常态 Av1增加 Av1减小 Av2增加 Av2减小
BP 46.59 37.11 39.7 49.04 55.41
HMM 100 80 92.22 75.56 74.44
本发明 97 100 99 100 100
状态类 Av1增加 Av1减小 Av2增加 Av2减小 平均
BP 67.93 78.44 67.85 57.93 55.56
HMM 100 100 100 100 91.36
本发明 99 99.5 100 100 99.39
表1
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于改进型极限学习机的模拟电路故障识别方法，其特征在于，包括以下步骤：
(1)、采集模拟电路在故障状态和健康状态下N组样本在不同转折频率的电压特征值，记为X＝{x1,x2,…,xi,…,xN}，其中，电压特征值xi＝{xi,1,xi,2,…,xi,k…,xi,T}，xi,k表示采集的第i个样本在第k个转折频率下的电压值，T为转折频率个数；
构建各样本的期望输出向量Y＝{y1,y2,…,yi,…,yN}，其中，yi＝{yi,1,yi,2,…yi,j,…,yi,M}，M为故障状态总数，yi,j为第i个组电压值构成的输入下模拟电路第j种故障的标记值，若该种输入下表现为第j种故障，则yi,j记为1，否则记为0；
(2)、随机生成待选池中的神经元(W,b)＝{(w1,b1),(w2,b2),…(wl,bl),…,(wL,bL)}，其中，L为神经元的总个数，
Figure FDA0003567734580000011
为第l个神经元的权重，
Figure FDA0003567734580000012
为第l个神经元对应t0个电压特征值的权重，bl为第l个神经元的偏置；
设置极限学习机中的神经元权重
Figure FDA0003567734580000013
和偏置
Figure FDA0003567734580000014
为空集，设置神经网络模型输出层的权重β为空集；神经网络模型当前输出
Figure FDA0003567734580000015
初始化为0，设置当前神经网络模型的神经元个数n为0；
(3)、更新粒子群中的神经元参数获取最优神经元；
(3.1)、初始化粒子群中的神经元权重
Figure FDA0003567734580000016
为空集，并将粒子群中神经元的偏置设置为待选池中的神经元偏置
Figure FDA0003567734580000017
将粒子群中神经元对应的已选频率特征值构成的集合记为
Figure FDA0003567734580000018
并将
Figure FDA0003567734580000019
初始化为空集，记输入电压特征值个数t为0；
(3.2)、计算各个备选频率下采集到的各个故障的电压特征值在极限学习机模型下的熵率Rent(xk)；
(3.3)、选取备选电压特征值中熵率最大的转折频率下所有故障模式的电压特征值加入到
Figure FDA00035677345800000110
中，并将输入电压特征值总数t自加1；将待选池中的各个神经元对应该转折频率的权重wbest＝{w1,best,w2,best,…,wL,best}添加到粒子群神经元的权重
Figure FDA00035677345800000111
中；
(3.4)、采用多粒子群优化算法对粒子群中的神经元的权重和偏置进行更新；
(3.4.1)、设置粒子群优化算法的最大迭代次数Tmax，初始化粒子群优化算法的迭代次数t＝1，粒子群中的全局最优解的相关度cgbest初始化为0，全局最优神经元的权重wgbest初始化为空集，偏置bgbest初始化为0；粒子群中的各个神经元的最优解的相关度cpbest,l初始化为0，全局最优神经元的权重wpbest,l初始化为空集，偏置bpbest,l初始化为0；随机设定粒子群中节点权重的增加值vw＝{vw1,vw2,…,vwL}和偏置的增加值vb＝{vb1,vb2,…,vbL}；
(3.4.2)、计算粒子群中各个神经元的输出hl，得到输出集合h＝{h1,h2,…hl,…hL}；其中，hl＝{hl,1,hl,1,…,hl,N}为粒子群中第l个神经元的输出；
计算粒子群中各个神经元与期望输出的相关度cl，
Figure FDA0003567734580000021
(3.4.3)、更新粒子群中对应的全局最优解参量；
Figure FDA0003567734580000022
Figure FDA0003567734580000023
Figure FDA0003567734580000024
(3.4.4)、更新粒子群中对应的个体最优解；
Figure FDA0003567734580000025
Figure FDA0003567734580000026
Figure FDA0003567734580000027
(3.4.5)、根据全局最优解和个体最优解，更新粒子群中的神经元参数；
vwl＝r1vwl T+r2(wpbest,l-vwl)T+r3(wgbest-vwl)T
Figure FDA0003567734580000028
vbl＝r4vbl+r5(bpbest,l-bl)+r6(bgbest-bl)
Figure FDA0003567734580000031
其中，r1,r2,r3为t*1的随机矩阵，r4,r5,r6为随机数；
(3.4.6)、判断当前迭代次数t算法到迭代最大次数Tmax，如果未达到，则令t＝t+1，再返回步骤(3.4.2)；如果达到，则将全局最优解的神经元作为最优神经元，然后进入步骤(4)；
(4)、将获取的最优神经元对应的权重wgbest和偏置bgbest添加到神经网络模型的隐藏层
Figure FDA0003567734580000032
中；
(5)、计算最优神经元在影响系数为1时的输出权重
Figure FDA0003567734580000033
Figure FDA0003567734580000034
其中，hgbest为添加的神经元对应的输出，I为n*n的单位矩阵，n为当前极限学习机中神经元的个数，
Figure FDA00035677345800000314
为极限学习机中的神经元输出，
Figure FDA0003567734580000035
为
Figure FDA0003567734580000036
的伪逆运算；
(6)、生成最优神经元对应的影响系数；
(6.1)、随机生成影响参数粒子群a＝{a1,a2,…,aP}，P为粒子群中个体的个数；随机生成粒子群的影响参数更新增量av＝{av1,av2,…,avP}，初始化粒子群的全局最优精度MSEgbest和个体最优精度MSEpbest,p为设定的极限值MSEmax，全局最优解agbest和个体最优解对应的影响参数apbest,p初始化为1；设置最大迭代次数
Figure FDA0003567734580000037
当前迭代次数
Figure FDA0003567734580000038
初始化为1；
(6.2)、在粒子群中各个影响参数下更新极限学习机输出
Figure FDA0003567734580000039
Figure FDA00035677345800000310
(6.3)、将
Figure FDA00035677345800000311
设为极限学习机的当前输出，再返回步骤(3)生成完整的极限学习机模型的隐藏层神经元
Figure FDA00035677345800000312
和输出值
Figure FDA00035677345800000313
(6.4)、计算极限学习机的训练精度MSEp；
Figure FDA0003567734580000041
(6.5)、根据预测精度MSEp更新粒子群的全局最优解训练精度和全局最优解对应的影响参数；
Figure FDA0003567734580000042
Figure FDA0003567734580000043
(6.6)、更新粒子群中个体最优解的相关系数：
Figure FDA0003567734580000044
Figure FDA0003567734580000045
(6.7)、更新粒子群中的参数：
avp＝avp+r7(apbest,p-ap)+r8(agbest-ap)
a＝a+av
其中，r7和r8为随机数；
(6.8)、判断迭代次数
Figure FDA00035677345800000416
是否达到迭代最大次数
Figure FDA0003567734580000046
如果未达到，则令
Figure FDA0003567734580000047
再返回步骤(6.2)；如果达到，则设定最优神经元的输出权重为
Figure FDA0003567734580000048
n自加1，并记录下当前极限学习机的训练精度
Figure FDA0003567734580000049
再进入步骤(7)；
(7)、判断当前极限学习机中神经元的数量n是否达到最大值nmax，如果没有达到条件，则返回步骤(3)；如果达到条件，则进入步骤(8)；
(8)、统计极限学习机训练精度最小对应的神经元个数nopt，然后取生成的极限学习机的前nopt个神经元组成最终生成的极限学习机模型神经元
Figure FDA00035677345800000410
并求出
Figure FDA00035677345800000411
对应的隐藏层输出
Figure FDA00035677345800000412
(9)、利用隐藏层输出
Figure FDA00035677345800000413
求得输出层权值
Figure FDA00035677345800000414
Figure FDA00035677345800000415
其中，
Figure FDA0003567734580000051
为
Figure FDA0003567734580000052
的伪逆矩阵；
(10)、对待检测模拟电路故障进行识别时，将该故障下的电压特征值
Figure FDA0003567734580000053
代入极限学习机的隐藏层
Figure FDA0003567734580000054
得到相应的隐藏层输出
Figure FDA0003567734580000055
求得极限学习机的输出向量
Figure FDA0003567734580000056
再将
Figure FDA0003567734580000057
中最大值对应的故障记为极限学习机识别的故障类型。
2.根据权利要求1所述的基于改进型极限学习机的模拟电路故障识别方法，其特征在于，所述的计算各个备选频率下采集到的各个故障的电压特征值在极限学习机模型下的熵率Rent(xk)的方法为：
Figure FDA0003567734580000058
Figure FDA0003567734580000059
其中，xk为各组样本在第k个电压转折频率下的各个故障状态电压特征值集合；
Figure FDA00035677345800000510
为当前构造相空间序列的微熵，
Figure FDA00035677345800000511
为微熵的平均值，ρj为由X和xk构成的神经网络输入下最近邻点之间的距离，j＝1,2,…,M，M为神经网络输入下最近邻点个数，Ce为欧拉常数。
CN201811167953.1A 2018-10-08 2018-10-08 一种基于改进型极限学习机的模拟电路故障识别方法 Active CN109145516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811167953.1A CN109145516B (zh) 2018-10-08 2018-10-08 一种基于改进型极限学习机的模拟电路故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811167953.1A CN109145516B (zh) 2018-10-08 2018-10-08 一种基于改进型极限学习机的模拟电路故障识别方法

Publications (2)

Publication Number Publication Date
CN109145516A CN109145516A (zh) 2019-01-04
CN109145516B true CN109145516B (zh) 2022-06-14

Family

ID=64810465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811167953.1A Active CN109145516B (zh) 2018-10-08 2018-10-08 一种基于改进型极限学习机的模拟电路故障识别方法

Country Status (1)

Country Link
CN (1) CN109145516B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743103B (zh) * 2019-02-01 2021-07-27 福州大学 基于elm的fbg传感网络节点故障修复方法
CN110222606B (zh) * 2019-05-24 2022-09-06 电子科技大学 基于树搜索极限学习机的电子系统早期故障预测方法
CN110598334B (zh) * 2019-09-17 2022-04-19 电子科技大学 基于协同衍化相关熵极限学习机的性能退化趋势预测方法
CN110907810B (zh) * 2019-12-02 2021-01-26 电子科技大学 基于粒子群算法的模拟电路单故障诊断方法
CN111896050B (zh) * 2020-07-14 2021-04-06 江苏云聚汇科技有限公司 一种烟尘测量仪的种类限定方法
CN112099065A (zh) * 2020-08-11 2020-12-18 智慧航海（青岛）科技有限公司 一种面向船舶动力定位系统状态估计器的冗余容错系统
CN113985261A (zh) * 2021-07-07 2022-01-28 四川大学锦城学院 一种基于神经网络的模拟电路故障诊断方法
CN114325352B (zh) * 2022-01-04 2023-04-18 电子科技大学 一种基于经验小波变换的模拟滤波电路故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230296A (zh) * 2016-08-05 2016-12-14 上海电机学院 并网测试电源中逆变器的控制分析方法
CN108369662A (zh) * 2015-09-17 2018-08-03 南洋理工大学 包括自适应模型的计算机系统和用于训练自适应模型的方法
CN108563875A (zh) * 2018-04-18 2018-09-21 电子科技大学 基于多目标优化的模拟电路测点和频率联合优选方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108369662A (zh) * 2015-09-17 2018-08-03 南洋理工大学 包括自适应模型的计算机系统和用于训练自适应模型的方法
CN106230296A (zh) * 2016-08-05 2016-12-14 上海电机学院 并网测试电源中逆变器的控制分析方法
CN108563875A (zh) * 2018-04-18 2018-09-21 电子科技大学 基于多目标优化的模拟电路测点和频率联合优选方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fault Diagnosis for Analog Circuits by Using EEMD, Relative Entropy, and ELM;Xiong, J等;《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》;20161005;第2016卷;1-10 *
Fault diagnosis method for analog circuit based on cosine distance and extreme learning machine;Liu Zhang-liang等;《Instrument Technique and Sensor》;20160831(第8期);84-86 *
考虑退化和测量不确定因素的射频晶振寿命预测技术研究;龙伊雯;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180215(第2期);I135-851 *

Also Published As

Publication number Publication date
CN109145516A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
Binu et al. RideNN: A new rider optimization algorithm-based neural network for fault diagnosis in analog circuits
Fan et al. A hybrid FDD strategy for local system of AHU based on artificial neural network and wavelet analysis
Du et al. GAN-based anomaly detection for multivariate time series using polluted training set
Baraldi et al. Reconstruction of missing data in multidimensional time series by fuzzy similarity
CN109840595B (zh) 一种基于群体学习行为特征的知识追踪方法
CN114819054B (zh) 一种基于物理信息神经网络的电力电子系统状态监测方法
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
Cui et al. Learning global pairwise interactions with Bayesian neural networks
CN110580502A (zh) 基于高斯混合的因子隐马尔可夫负荷分解方法
CN114297036A (zh) 数据处理方法、装置、电子设备及可读存储介质
Hong et al. The entropy and PCA based anomaly prediction in data streams
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN112529685A (zh) 一种基于bas-fnn的贷款用户信用评级方法及系统
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN115238980A (zh) 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法
Chen et al. A deep learning feature fusion based health index construction method for prognostics using multiobjective optimization
Wang et al. Research on network security situation assessment and forecasting technology
CN116052254A (zh) 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法
Sheng et al. Network traffic anomaly detection method based on chaotic neural network
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
CN117421972A (zh) 一种综合负荷模型参数的辨识方法及终端
CN112422546A (zh) 一种基于变邻域算法和模糊聚类的网络异常检测方法
CN116527346A (zh) 基于深度学习图神经网络理论的威胁节点感知方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant