CN113159100A - 电路故障诊断方法、装置、电子设备和存储介质 - Google Patents

电路故障诊断方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113159100A
CN113159100A CN202110188520.XA CN202110188520A CN113159100A CN 113159100 A CN113159100 A CN 113159100A CN 202110188520 A CN202110188520 A CN 202110188520A CN 113159100 A CN113159100 A CN 113159100A
Authority
CN
China
Prior art keywords
circuit
fault diagnosis
sample
training
given
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.)
Granted
Application number
CN202110188520.XA
Other languages
English (en)
Other versions
CN113159100B (zh
Inventor
高坤
胡恩博
苏静
李新国
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.)
Rate Of Change Of Changsha Information Technology Co ltd
Hunan First Normal University
Original Assignee
Rate Of Change Of Changsha Information Technology Co ltd
Hunan First Normal University
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 Rate Of Change Of Changsha Information Technology Co ltd, Hunan First Normal University filed Critical Rate Of Change Of Changsha Information Technology Co ltd
Priority to CN202110188520.XA priority Critical patent/CN113159100B/zh
Publication of CN113159100A publication Critical patent/CN113159100A/zh
Application granted granted Critical
Publication of CN113159100B publication Critical patent/CN113159100B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本申请涉及一种电路故障诊断方法、装置、电子设备和存储介质。所述方法包括：获取待诊断电路的信息；通过训练获得的电路故障诊断模型对待诊断电路的信息进行处理，获得待诊断电路的信息的类别，所述类别包括待诊断电路是否发生故障；训练获得电路故障诊断模型的方式包括：获取给定电路样本的信息，将给定电路样本的信息及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得训练故障诊断结果；若满足训练结束条件，将待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型；若不满足，调整待训练电路故障诊断模型，返回获取给定电路样本的信息的步骤，直至满足训练结束条件。采用本方法能够提升电路故障诊断的准确性和诊断效率。

Description

电路故障诊断方法、装置、电子设备和存储介质
技术领域
本申请涉及电路系统处理领域，特别是涉及一种电路故障诊断方法、装置、电子设备和存储介质。
背景技术
随着现代电路系统的高速发展，电力系统逐渐呈现结构复杂、功能强大、电路板尺寸小、器件密度高、时钟和数传速度快等特点，这些特点使电子设备越来越复杂，增大了数字电路的自动故障诊断难度。电路故障诊断技术作为电路测试领域不可缺少的一部分，随着电子产品的智能化要求，处理速度的不断提升，对电路故障诊断提出更高的要求。传统的故障诊断技术发展缓慢，难以满足实际的需求，已经成为阻碍电路测试领域发展的瓶颈。
发明内容
基于此，有必要针对上述技术问题，提供一种电路故障诊断方法、装置、电子设备和存储介质，以提升电路故障诊断的准确性和诊断效率。
一种电路故障诊断方法，所述方法包括：
获取待诊断电路的信息；
通过训练获得的电路故障诊断模型对所述待诊断电路的信息进行处理，获得所述待诊断电路的信息的类别，所述类别包括所述待诊断电路是否发生故障；
训练获得所述电路故障诊断模型的方式包括：
在当前训练过程中，获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得对所述给定电路样本的信息进行故障诊断处理获得的训练故障诊断结果；
若满足训练结束条件，将所述待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型；
若不满足所述训练结束条件，将当前训练过程中的隐藏状态作为上一次训练过程中的隐藏状态，调整所述待训练电路故障诊断模型，并返回获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型的步骤，直至满足所述训练结束条件。
一种电路故障诊断装置，所述装置包括：
待诊断电路获取模块，用于获取待诊断电路的信息；
故障诊断模块，用于通过训练获得的电路故障诊断模型对所述待诊断电路的信息进行处理，获得所述待诊断电路的信息的类别，所述类别包括所述待诊断电路是否发生故障；
模型获取模块，用于获取所述电路故障诊断模型；其中，训练获得所述电路故障诊断模型的方式包括：在当前训练过程中，获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得对所述给定电路样本的信息进行故障诊断处理获得的训练故障诊断结果；若满足训练结束条件，将所述待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型；若不满足所述训练结束条件，将当前训练过程中的隐藏状态作为上一次训练过程中的隐藏状态，调整所述待训练电路故障诊断模型，并返回获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型的步骤，直至满足所述训练结束条件。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
上述电路故障诊断方法、装置、电子设备和存储介质，其通过训练获得的电路故障诊断模型对待诊断电路进行故障诊断，以确定待诊断电路是否发生故障，而且在电路故障诊断模型的训练过程中，是将上一次训练过程中的隐藏状态连通给定电路样本的信息共同作为输入信息进行训练，从而可以有效识别电路的本真属性能力，诊断速度快，基于在此基础上获得的电路故障诊断模型进行电路故障诊断，可以有效地提升电路故障诊断的准确性和诊断效率。
附图说明
图1为一个实施例中的电路故障诊断方法的应用环境图；
图2为一个实施例中电路故障诊断方法的流程示意图；
图3为一个实施例中训练电路故障诊断模型的流程示意图；
图4为一个实施例中的电路故障诊断模型的模型结构示意图；
图5为一个实施例中的样本聚类的原理示意图；
图6为一个实施例中的电路故障诊断装置的结构框图；
图7为一个实施例中电子设备的内部结构图；
图8为另一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电路故障诊断方法，可以应用于如图1所示的应用环境中。该应用环境可以只涉及第一设备10，也可以同时涉及第一设备10和第二设备 20。其中，第一设备10和第二设备20可以通过网络进行通信。在应用环境只涉及第一设备10时，第一设备10训练获得电路故障诊断模型，并对待诊断电路的信息进行处理，以获得该待诊断电路是否发生故障的故障诊断结果。在应用环境同时涉及第一设备10和第二设备20时，第二设备20作为模型训练设备，训练获得电路故障诊断模型，并将该电路故障诊断模型发送给第一设备10，第一设备10采用该电路故障诊断模型对待诊断电路的信息进行处理，以获得待诊断电路是否发生故障的故障诊断结果。第一设备10可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等终端设备，第二设备20可以但不限于是任何能够进行模型训练的设备，例如个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等终端设备以及服务器等等，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在以下各实施例的说明中，出于简便说明的目的，是以第一设备来完成电路故障诊断模型的训练以及对待诊断电路的故障诊断为例进行说明。
在一个实施例中，如图2所示，提供了一种电路故障诊断方法，以该方法应用于图1中的第一设备10为例进行说明，包括以下步骤S201和步骤S202。
步骤S201：获取待诊断电路的信息。
待诊断电路是需要对其进行诊断，判断其是否存在电路故障的目标电路，进一步地，还可以是进一步判断其存在的电路故障类别的电路。待诊断电路的信息，是可以用来数字化表示待诊断电路的相关信息，该信息可被计算机识别，且能够输入到电路故障诊断模型进行识别和处理。在一些具体示例中，待诊断电路的信息可以是待诊断电路的网络图，且可以是以矢量的方式标识。
步骤S202：通过训练获得的电路故障诊断模型对所述待诊断电路的信息进行处理，获得所述待诊断电路的信息的类别，所述类别包括所述待诊断电路是否发生故障。
电路故障诊断模型是用以对待诊断电路进行电路故障诊断，以获得待诊断电路是否存在故障的故障诊断结果。在一些实施例中，通过电路故障诊断模型对待诊断电路进行处理所获得的结果，还可以是在待诊断电路存在故障时，所存在的故障的具体故障类别。
一个实施例中，参考图3所示，训练获得所述电路故障诊断模型的方式可以包括如下步骤S301至步骤S303。
步骤S301：在当前训练过程中，获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得对所述给定电路样本的信息进行故障诊断处理获得的训练故障诊断结果；并在满足训练结束条件时，进入步骤S302，在不满足训练结束条件时，进入步骤S303。
其中，给定电路样本，是指用来训练待训练电路故障诊断模型的电路。各给定电路样本中，可以包含各不同电路类型的电路，针对各不同类型的电路，还可以为其设置不同的故障，从而获得存在不同类型故障的给定电路样本，即给定电路样本中，存在无故障的不同类型的给定电路样本，还包含存在不同类别的电路故障的给定电路样本。可以通过各种可能的方式来获得给定电路样本，例如采集和获取从已有的电路以及已经发生了电路故障的电路，从而获得给定电路样本。
训练结束条件可以结合实际训练需求进行设定，一些实施例中，可以根据各所述给定电路样本的所述训练故障诊断结果与所述给定电路样本对应的目标故障类别的误差，确定模型输出误差，在所述模型输出误差达到满足误差需求或者达到训练迭代次数时，确定满足所述训练结束条件。
其中，模型输出误差，具体可以是各给定电路样本的训练故障诊断结果与该给定电路样本的目标故障类别的误差之和。计算训练故障诊断结果与目标故障类别的误差的方式，可以用各种不同的方式进行计算，例如，在一些实施例中，在训练故障诊断结果与目标故障诊断类别不一致时，对应的误差为1。在另一些实施例中，在训练故障诊断结果与目标诊断类别不一致时，将输出训练故障诊断结果的对应的类别概率与1的差值作为误差。在其他实施例中，也可以采用其他的方式计算误差。
其中，上述给定电路样本对应的目标故障类别，可以基于样本聚类的方式来确定。一些具体示例中，可以包括如下不好走S3011至步骤S3015。
步骤S3011：获取给定电路样本集，并设定聚类中心。
给定电路样本，是指用来训练待训练电路故障诊断模型的电路，在采用如上所述的方式获取给定电路样本后，可以设定这些给定电路样本集的聚类中心，设定聚类中心时，基于进行聚类的聚类类别K，可以从给定电路样本集中随机选择 k个给定电路样本作为初始的聚类中心。在一些实施例中，也可以从给定电路样本集中，选择对应的某个给定样本作为初始的聚类中心，如选择一个无故障的给定电路样本作为其中一个聚类中心，再选择故障类别为其中一种故障类别的给定电路样本作为另一个聚类中心，再选择故障类别为另一种故障类别的给定电路样本作为另一个聚类中心，其他的以此类推。
步骤S3012：计算各给定电路样本到各聚类中心的隶属度。
隶属度是用以表征给定电路样本属于某个聚类中心所属类别的程度。一个实施例中，计算各给定电路样本到各聚类中心的隶属度的方式包括：
确定给定电路样本到各聚类中心的距离；
根据所述给定电路样本到各聚类中心的距离，计算确定所述给定电路样本到各聚类中心的隶属度。
可以采用各种可能的方式计算给定电路样本与聚类中心的距离，例如欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离等等，本申请实施例不对计算距离的方式做具体限定。
在获得各给定电路样本到各聚类中心的距离之后，可以基于给定电路样本到各聚类中心的距离，计算确定给定电路样本到各聚类中心的隶属度。
步骤S3013：根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心。
步骤S3014：若达到聚类迭代结束条件，则完成聚类迭代过程，基于各给定电路样本隶属的聚类中心所属类别，获得各给定电路样本的聚类类别，所述聚类类别包括故障类别。
步骤S3015：若未达到聚类迭代结束条件，计算惩罚因子，并根据所述惩罚因子对所述给定电路样本的隶属度进行修正，并返回根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心的步骤，直至达到聚类迭代结束条件。
一些实施例中，计算惩罚因子，并根据所述惩罚因子对所述给定电路样本的隶属度进行修正，包括：
根据各给定电路样本到各聚类中心的隶属度，确定各给定电路样本到各聚类中心所属类别的最大隶属度，以及各给定电路样本对各聚类中心所属类别的平均隶属度；
在给定电路样本到各聚类中心的隶属度，与所述平均隶属度之间的关系满足惩罚条件时，计算惩罚因子；
根据所述惩罚因子和所述最大隶属度对给定电路样本的隶属度进行修正。
其中，惩罚条件可以结合实际需要进行设定，在一些实施例中，可以是在给定电路样本到各聚类中心的隶属度与所述平均隶属度的之间差值大于设定值时，确定满足惩罚条件。
步骤S302：将所述待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型。
步骤S303：将当前训练过程中的隐藏状态作为上一次训练过程中的隐藏状态，调整所述待训练电路故障诊断模型，并返回获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型的步骤，直至满足所述训练结束条件。
基于如上所述的实施例，以下结合其中一个具体示例进行详细举例说明。
本申请实施例在具体应用实施的过程中，需要先训练获得电路故障诊断模型，再采用该电路故障诊断模型对待诊断电路进行电路故障诊断。在训练获得电路故障诊断模型之前，本申请实施例方案通过对给定电路样本进行样本聚类，以获得各给定电路样本的类别，该类别可以是无故障，也可以是有故障时的具体故障类别。
参考图4所示，一个实施例中对样本进行聚类的过程中，可以采用下述方式进行。
针对给定电路样本集X＝{x1,x2,…,xn},其中，xi表示第i个给定电路样本。设定给定电路样本集的初始聚类中心Ct＝{c1,c2,…,ck},k为聚类族数，每个聚类族数对应一个聚类类别，t表示第t次聚类迭代。并设定聚类的迭代次数t的初始值为0，最大迭代次数为M，聚类终止条件值为ε。
然后计算各给定电路样本到各聚类中心的隶属度。在一些实施例中，可以通过计算给定电路样本到聚类中心的距离，并结合该距离计算给定样本到聚类中心的隶属度。具体地，在一个具体示例中，给定样本到某个聚类中心的隶属度，可以是给定样本到该聚类中心的距离，与该给定样本到各个聚类中心的比值的 2/(m-1)的幂指之和的倒数，用公式可表示为
Figure RE-GDA0003080488830000071
uij表示样本 xi到聚类中心cj的隶属度，m表示加权指数，dij＝|xi-cj|为样本xi到聚类中心 cj的距离。
根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心。在一些具体示例中，可以结合各给定电路样本与各给定电路样本到某个聚类中心的隶属度的乘积的和值，与各给定电路样本到该聚类中心的隶属度的和值的比值，作为该聚类中心的更新后的新的聚类中心。一个具体示例中，用公式可表示为：
Figure RE-GDA0003080488830000081
其中，cj表示计算获得的新的第j个聚类中心。基于计算获得的各聚类中心 cj，获得的各个簇类的聚类中心可表示为ct+1，其中，t+1表示第t+1次聚类迭代。
如果计算获得的聚类中心ct+1与原聚类中心ct之间的差值小于上述设定的聚类终止条件值ε，用公式可表示为|ct+1-ct|＜ε，或聚类迭代次数大于或者等于迭代数M,则确定满足聚类迭代终止条件，迭代停止，输出ct+1。输出的ct+1，可以包含各聚类中心的信息，还可以包含各给定电路样本具体是属于哪个聚类中心的所属聚类类别的信息。
如果不满足聚类迭代结束条件，则根据各给定电路样本到各聚类中心的隶属度，确定各给定电路样本到各聚类中心所属类别的最大隶属度，以及各给定电路样本对各聚类中心所属类别的平均隶属度。其中，最大隶属度是指某个具体的给定电路样本到各聚类中心的隶属度中，值最大的隶属度，用公式可表示为：根据
Figure RE-GDA0003080488830000082
其中，uip表示给定电路样本xi(i＝1,2,…,n)对于各聚类的最大隶属度，i表示第i个给定电路样本，j表示第j个聚类中心。平均隶属度是指某个具体的给定电路样本到各聚类中心的隶属度的平均值，用公式可表示为
Figure RE-GDA0003080488830000083
然后，确定给定电路样本到聚类中心的隶属度，与所述平均隶属度之间的关系是否满足惩罚条件，若满足惩罚条件，则计算惩罚因子。一个实施例中，可以在给定电路样本到某个聚类中心的隶属度，与该给定电路样本到各聚类中心所属类别的平均隶属度的差值大于设定值时，确定满足惩罚条件。在一个具体示例中，用公式可表示为：如果满足
Figure RE-GDA0003080488830000091
σ为设定值，则确定满足惩罚条件。其中，惩罚因子是指对给定义电路样本到某个具体的聚类中心所属聚类的惩罚。一个具体示例中，可以利用
Figure RE-GDA0003080488830000092
计算惩罚因子f。其中， uf表示样本到聚类中心的隶属度，d表示样本到聚类中心的距离，函数||*||表示范数或模。
然后，根据计算获得的惩罚因子和上述最大隶属度，对给定电路样本的隶属度进行修正，用公式可表示为：uip＝1-f+fuip，或uip＝fuip,i≠p。其中，对xi隶属度进行修正。
经过修正后，可获得给定电路样本的新的隶属度，然后返回上述根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心的步骤，直至达到聚类迭代结束条件。
在对各给定电路样本进行聚类，获得各给定电路样本的聚类类别，获得该聚类类别，可以作为对应的给定电路样本所对应的目标故障类别，从而进入对待训练故障诊断模型进行模型训练的过程。
本申请实施例中采用的电路故障诊断模型，具体可以是LSTM-ELM模型，应当理解的是，电路故障诊断模型是对待训练电路故障诊断模型进行训练结束后得到的，即训练结束后的待训练电路故障诊断模型即为电路故障诊断模型，二者应当具有相同的模型结构。
其中，LSTM(长短期记忆神经网络)是对循环神经网络RNN的一种改进及其优化，循环神经网络RNN是一种在设计时序数据的任务中表现良好的深度神经网络，不同于一般的前馈神经网络，RNN对隐藏层进行跨时间点的连接，隐藏层向输出层传递信息的同时，还与下一时刻的隐藏层建立联系，将信息传递给下一时刻的隐藏层，由于梯度消失和梯度爆炸问题，长短期记忆神经网络 LSTM应运而生，其在RNN的基础上进行了改进及其优化。
LSTM接收当前时刻的输入xt和前一时刻的隐藏状态值ht-1作为总的输入，训练后得到四种状态，可以用以下四式表示：
Zf＝σ(Wf·[ht-1,xt]+bf)
Zi＝σ(Wi·[ht-1,xt]+bi)
Z＝σ(W·[ht-1,xt]+b)
Zo＝σ(Wo·[ht-1,xt]+bo)
其中Zf，Zi，Zo是总输入向量乘以权重矩阵Wf,Wi,Wo之后，再通过sigmoid 激活函数映射为0到1之间的值，作为一种门控状态，而Z则是将总输入向量乘以权重矩阵W后通过tanh激活函数转换成-1到1之间的值作为新的输入数据。tanh激活函数作为一种双曲正切函数，可以增加神经网络模型的非线性。
LSTM内部运算过程可以进一步表示为：
ct＝Zf⊙ct-1+Zi⊙Z
ht＝Zo⊙tanh(ct)
式中，⊙表示矩阵元素对应相乘,在LSTM单元内，Zf为遗忘门，控制哪些信息被遗忘，Zi为输入门，控制哪些信息被存放到单元状态中，Zo为输出门，控制本时刻需要输出的信息，最终的输出yt通过ht变化得到。
ELM(Extreme Learning Machines，极限学习机)是一种前馈神经网络，具有良好的泛化性能以及极快的学习能力，本申请实施例通过将ELM运用到 LSTM模型的训练中，使得待训练电路故障神经网络兼有两种模型的优点，从而使得在故障诊断过程中，一方面LSTM-ELM网络识别复杂系统本征属性能力更强，诊断精度更高，学习速度更快且泛化性能更好；另一方面LSTM-ELM网络相当于将LSTM网络的输入层后网络用ELM的输出层代替，减少了网络层级，等同于一种降维方法，可减少网络层数和每层节点数设置，能够提高系统运算速度。
据此，在本申请实施例中，所述电路故障诊断模型(也即待训练电路故障诊断模型)的模型结构包括：长短期记忆神经网络LSTM的输入层，长短期记忆神经网络LSTM的隐藏层，以及极限学习机，并以极限学习机为所述电路故障诊断模型的输出层。即在本申请实施例的方案中，通过将LSTM的输出网络去除，并以极限学习机作为输出层，形成最终的电路故障诊断模型的模型结构。从而，在本申请实施例的电路故障诊断模型中，隐层到输出层的权重和偏置是由 ELM算法确定。则LSTM-ELM的输出网络可以表示为：
Figure RE-GDA0003080488830000111
式中：W1为输入层到隐层的权重，bi为输入层到隐层的偏置，βi为输出权重。
针对本申请实施例的LSTM-ELM模型，模型训练的目标可以是是最小化输出的误差，用公式可以表示为：
Figure RE-GDA0003080488830000112
式中：
Figure RE-GDA0003080488830000113
为隐层1节点的个数；
Figure RE-GDA0003080488830000114
为模型输出，
Figure RE-GDA0003080488830000115
为模型的期望输出。
基于如上所述设定的电路故障诊断模型，可以采用如上所述的聚类后的各给定电路样本进行模型训练。
在模型训练过程中，获取各给定电路样本的信息，并将各给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得对所述给定电路样本的信息进行故障诊断处理获得的训练故障诊断结果。其中，在第一次训练迭代时，由于没有上一次训练过程中的隐藏状态，此时，上一次训练过程中的隐藏状态可以为空，或者可以是以预先设定的状态，作为第一次训练迭代时的上一次训练过程中的隐藏状态。
在获得训练故障诊断结果之后，计算各给定电路样本的训练故障诊断结果与该给定电路样本的目标故障类别的误差，并基于各给定电路样本的误差，获得此次训练的模型输出误差；
若获得的模型输出误差在可接受误差范围内，且训练迭代次数达到了预设迭代次数，则确定满足训练结束条件，并将最终所述待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型；
若不满足所述训练结束条件，则将当前训练过程中的隐藏状态作为上一次训练过程中的隐藏状态，调整所述待训练电路故障诊断模型的相关模型参数，并返回获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型的步骤，直至满足所述训练结束条件。
应该理解的是，虽然上述各实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种电路故障诊断装置，所述装置包括：
待诊断电路获取模块601，用于获取待诊断电路的信息；
故障诊断模块602，用于通过训练获得的电路故障诊断模型对所述待诊断电路的信息进行处理，获得所述待诊断电路的信息的类别，所述类别包括所述待诊断电路是否发生故障；
模型获取模块603，用于获取所述电路故障诊断模型；其中，训练获得所述电路故障诊断模型的方式包括：在当前训练过程中，获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得对所述给定电路样本的信息进行故障诊断处理获得的训练故障诊断结果；若满足训练结束条件，将所述待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型；若不满足所述训练结束条件，将当前训练过程中的隐藏状态作为上一次训练过程中的隐藏状态，调整所述待训练电路故障诊断模型，并返回获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型的步骤，直至满足所述训练结束条件。
一些实施例中，所述模型获取模块603，用于从模型训练设备获得所述电路故障诊断模型。
一些实施例中，所述模型获取模块603，用于对待训练电路故障诊断模型进行模型训练，获得所述电路故障诊断模型。
一些实施例中，所述电路故障诊断模型包括：长短期记忆神经网络的输入层，长短期记忆神经网络的隐藏层，以及极限学习机，所述极限学习机为所述电路故障诊断模型的输出层。
一些实施例中，所述模型获取模块603，根据各所述给定电路样本的所述训练故障诊断结果与所述给定电路样本对应的目标故障类别的误差，确定模型输出误差，在所述模型输出误差达到满足误差需求或者达到训练迭代次数时，确定满足所述训练结束条件。
一些实施例中，所述模型还包括：
样本聚类模块，用于获取给定电路样本集，并设定聚类中心；计算各给定电路样本到各聚类中心的隶属度；根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心；若达到聚类迭代结束条件，则完成聚类迭代过程，基于各给定电路样本隶属的聚类中心所属类别，获得各给定电路样本的聚类类别，所述聚类类别包括故障类别；若未达到聚类迭代结束条件，计算惩罚因子，并根据所述惩罚因子对所述给定电路样本的隶属度进行修正，并返回根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心的步骤，直至达到聚类迭代结束条件。
一些实施例中，所述样本聚类模块，确定给定电路样本到各聚类中心的距离；根据所述给定电路样本到各聚类中心的距离，计算确定所述给定电路样本到各聚类中心的隶属度。
一些实施例中，所述样本聚类模块，根据各给定电路样本到各聚类中心的隶属度，确定各给定电路样本到各聚类中心所属类别的最大隶属度，以及各给定电路样本对各聚类中心所属类别的平均隶属度；在给定电路样本到各聚类中心的隶属度，与所述平均隶属度之间的关系满足惩罚条件时，计算惩罚因子；根据所述惩罚因子和所述最大隶属度对给定电路样本的隶属度进行修正。
一些实施例中，所述样本聚类模块，在给定电路样本到聚类中心的隶属度与所述平均隶属度的之间差值大于设定值时，确定满足惩罚条件。
关于电路故障诊断装置的具体限定可以参见上文中对于电路故障诊断方法的限定，在此不再赘述。上述电路故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图7所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储给定电路样本以及对给定电路样本进行聚类后的聚类结果。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电路故障诊断方法。
在一个实施例中，提供了一种电子设备，该电子设备可以是终端，其内部结构图可以如图8所示。该电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电路故障诊断方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7、8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上所述的任一实施例中的电路故障诊断方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的任一实施例中的电路故障诊断方法。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电路故障诊断方法，其特征在于，所述方法包括：
获取待诊断电路的信息；
通过训练获得的电路故障诊断模型对所述待诊断电路的信息进行处理，获得所述待诊断电路的信息的类别，所述类别包括所述待诊断电路是否发生故障；
训练获得所述电路故障诊断模型的方式包括：
在当前训练过程中，获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得对所述给定电路样本的信息进行故障诊断处理获得的训练故障诊断结果；
若满足训练结束条件，将所述待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型；
若不满足所述训练结束条件，将当前训练过程中的隐藏状态作为上一次训练过程中的隐藏状态，调整所述待训练电路故障诊断模型，并返回获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型的步骤，直至满足所述训练结束条件。
2.根据权利要求1所述的方法，其特征在于，所述电路故障诊断模型包括：长短期记忆神经网络的输入层，长短期记忆神经网络的隐藏层，以及极限学习机，所述极限学习机为所述电路故障诊断模型的输出层。
3.根据权利要求1所述的方法，其特征在于，根据各所述给定电路样本的所述训练故障诊断结果与所述给定电路样本对应的目标故障类别的误差，确定模型输出误差，在所述模型输出误差达到满足误差需求或者达到训练迭代次数时，确定满足所述训练结束条件。
4.根据权利要求3所述的方法，其特征在于，所述给定电路样本对应的目标故障类别的确定方式包括：
获取给定电路样本集，并设定聚类中心；
计算各给定电路样本到各聚类中心的隶属度；
根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心；
若达到聚类迭代结束条件，则完成聚类迭代过程，基于各给定电路样本隶属的聚类中心所属类别，获得各给定电路样本的聚类类别，所述聚类类别包括故障类别；
若未达到聚类迭代结束条件，计算惩罚因子，并根据所述惩罚因子对所述给定电路样本的隶属度进行修正，并返回根据各给定电路样本到各聚类中心的隶属度，重新计算各聚类类别的聚类中心的步骤，直至达到聚类迭代结束条件。
5.根据权利要求4所述的方法，其特征在于，计算各给定电路样本到各聚类中心的隶属度的方式包括：
确定给定电路样本到各聚类中心的距离；
根据所述给定电路样本到各聚类中心的距离，计算确定所述给定电路样本到各聚类中心的隶属度。
6.根据权利要求4所述的方法，其特征在于，计算惩罚因子，并根据所述惩罚因子对所述给定电路样本的隶属度进行修正，包括：
根据各给定电路样本到各聚类中心的隶属度，确定各给定电路样本到各聚类中心所属类别的最大隶属度，以及各给定电路样本对各聚类中心所属类别的平均隶属度；
在给定电路样本到各聚类中心的隶属度，与所述平均隶属度之间的关系满足惩罚条件时，计算惩罚因子；
根据所述惩罚因子和所述最大隶属度对给定电路样本的隶属度进行修正。
7.根据权利要求6所述的方法，其特征在于，在给定电路样本到聚类中心的隶属度与所述平均隶属度的之间差值大于设定值时，确定满足惩罚条件。
8.一种电路故障诊断装置，其特征在于，所述装置包括：
待诊断电路获取模块，用于获取待诊断电路的信息；
故障诊断模块，用于通过训练获得的电路故障诊断模型对所述待诊断电路的信息进行处理，获得所述待诊断电路的信息的类别，所述类别包括所述待诊断电路是否发生故障；
模型获取模块，用于获取所述电路故障诊断模型；其中，训练获得所述电路故障诊断模型的方式包括：在当前训练过程中，获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型，获得对所述给定电路样本的信息进行故障诊断处理获得的训练故障诊断结果；若满足训练结束条件，将所述待训练电路故障诊断模型作为训练获得的所述电路故障诊断模型；若不满足所述训练结束条件，将当前训练过程中的隐藏状态作为上一次训练过程中的隐藏状态，调整所述待训练电路故障诊断模型，并返回获取给定电路样本的信息，将所述给定电路样本的信息以及上一次训练过程中的隐藏状态输入待训练电路故障诊断模型的步骤，直至满足所述训练结束条件。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110188520.XA 2021-02-19 2021-02-19 电路故障诊断方法、装置、电子设备和存储介质 Active CN113159100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110188520.XA CN113159100B (zh) 2021-02-19 2021-02-19 电路故障诊断方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110188520.XA CN113159100B (zh) 2021-02-19 2021-02-19 电路故障诊断方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113159100A true CN113159100A (zh) 2021-07-23
CN113159100B CN113159100B (zh) 2023-03-31

Family

ID=76883117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110188520.XA Active CN113159100B (zh) 2021-02-19 2021-02-19 电路故障诊断方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113159100B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030204507A1 (en) * 2002-04-25 2003-10-30 Li Jonathan Qiang Classification of rare events with high reliability
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
CN108572308A (zh) * 2017-03-13 2018-09-25 国家新闻出版广电总局广播电视卫星直播管理中心 故障诊断方法及系统
CN109100646A (zh) * 2018-08-17 2018-12-28 国网江苏省电力有限公司检修分公司 一种高压断路器故障诊断方法
KR20190018798A (ko) * 2017-08-16 2019-02-26 강병수 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법
CN110477907A (zh) * 2019-07-16 2019-11-22 华南师范大学 一种智能辅助识别痫性发作的方法
CN110687393A (zh) * 2019-09-03 2020-01-14 南京理工大学 一种基于vmd-svd-fcm的阀短路保护故障定位方法
US20200236005A1 (en) * 2017-07-31 2020-07-23 Robert Bosch Gmbh Method and device for ascertaining anomalies in a communications network
CN112101116A (zh) * 2020-08-17 2020-12-18 北京无线电计量测试研究所 一种基于深度学习的模拟电路故障诊断方法
CN112327804A (zh) * 2020-10-30 2021-02-05 中车株洲电力机车研究所有限公司 牵引控制单元的故障诊断方法、装置、系统和列车

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030204507A1 (en) * 2002-04-25 2003-10-30 Li Jonathan Qiang Classification of rare events with high reliability
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
CN108572308A (zh) * 2017-03-13 2018-09-25 国家新闻出版广电总局广播电视卫星直播管理中心 故障诊断方法及系统
US20200236005A1 (en) * 2017-07-31 2020-07-23 Robert Bosch Gmbh Method and device for ascertaining anomalies in a communications network
KR20190018798A (ko) * 2017-08-16 2019-02-26 강병수 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법
CN109100646A (zh) * 2018-08-17 2018-12-28 国网江苏省电力有限公司检修分公司 一种高压断路器故障诊断方法
CN110477907A (zh) * 2019-07-16 2019-11-22 华南师范大学 一种智能辅助识别痫性发作的方法
CN110687393A (zh) * 2019-09-03 2020-01-14 南京理工大学 一种基于vmd-svd-fcm的阀短路保护故障定位方法
CN112101116A (zh) * 2020-08-17 2020-12-18 北京无线电计量测试研究所 一种基于深度学习的模拟电路故障诊断方法
CN112327804A (zh) * 2020-10-30 2021-02-05 中车株洲电力机车研究所有限公司 牵引控制单元的故障诊断方法、装置、系统和列车

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAN SUN ET AL.: "Sequential Human Activity Recognition Based on Deep Convolutional Network and Extreme Learning Machine Using Wearable Sensors", 《HINDAWI JOURNAL OF SENSORS》 *
肖满生 等: "抑制式模糊C均值聚类惩罚因子的改进", 《计算机应用》 *
高坤 等: "主成分分析和超限学习机的模拟电路故障诊断", 《计算机工程与应用》 *

Also Published As

Publication number Publication date
CN113159100B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Szepannek ClustMixType: User-Friendly Clustering of Mixed-Type Data in R.
Schorn et al. Automated design of error-resilient and hardware-efficient deep neural networks
CN112116090A (zh) 神经网络结构搜索方法、装置、计算机设备及存储介质
CN113240155A (zh) 预测碳排放量的方法、装置及终端
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN112417169A (zh) 知识图谱的实体对齐方法、装置、计算机设备和存储介质
CN114881343B (zh) 基于特征选择的电力系统短期负荷预测方法及装置
Forootani et al. Applying unweighted least‐squares based techniques to stochastic dynamic programming: theory and application
CN116010226A (zh) 软件系统可靠性仿真评估方法、装置和计算机设备
Xie et al. Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM
Yan et al. On the viability of using llms for sw/hw co-design: An example in designing cim dnn accelerators
CN114781532A (zh) 机器学习模型的评估方法、装置、计算机设备及介质
CN112765362B (zh) 基于改进自编码器的知识图谱实体对齐方法及相关设备
CN113487019A (zh) 电路故障诊断方法、装置、计算机设备和存储介质
Yuan et al. A novel fault diagnosis method for second-order bandpass filter circuit based on TQWT-CNN
CN113159100B (zh) 电路故障诊断方法、装置、电子设备和存储介质
CN115345257B (zh) 飞行轨迹分类模型训练方法、分类方法、装置及存储介质
CN116662876A (zh) 多模态认知决策方法、系统、装置、设备及存储介质
CN116665798A (zh) 一种空气污染趋势预警方法及相关装置
CN116663388A (zh) 粮堆温度预测方法、装置、设备及存储介质
Zhu et al. A hybrid model for nonlinear regression with missing data using quasilinear kernel
CN114363004B (zh) 风险评估方法、装置、计算机设备和存储介质
WO2022142026A1 (zh) 分类网络构建方法以及基于分类网络的分类方法
CN116992937A (zh) 神经网络模型的修复方法和相关设备
CN113760407A (zh) 信息处理方法、装置、设备及存储介质

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