CN113484738A

CN113484738A - 基于多特征信息融合的电路故障诊断方法

Info

Publication number: CN113484738A
Application number: CN202110568603.1A
Authority: CN
Inventors: 叶建华; 胡薇薇; 李晓钢; 朱旭岚; 范慧; 李明
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2021-05-25
Filing date: 2021-05-25
Publication date: 2021-10-08

Abstract

本发明提供一种基于多特征信息融合的电路故障诊断方法，所述方法包括：结合统计特性与集成经验模态分解来提取故障特征信息，并通过主成分分析法对特征向量进行降维，进而获取最终的故障特征向量；由各故障特征子空间构造子ELM神经网络的样本集，依次输入到ELM网络模型中，训练ELM网络模型并确定模型的最佳参数，采用训练好的模型决策诊断得到初步输出；将经过ELM网络得到的初步诊断输出视为不同的证据体输入到D‑S证据理论中，根据决策融合规则，得到诊断融合之后的决策结果。本发明方法对模拟电路故障特征提取的效果较好，相比于单一信息而言具有更高的诊断精度，可以实现对电路故障的准确分类，因此具有较好的工程应用价值。

Description

基于多特征信息融合的电路故障诊断方法

技术领域

本发明涉及一种基于多特征信息融合的电路故障诊断方法，属于模拟电路故障诊断技术领域。

背景技术

随着科技的快速进步，电子技术的发展迅猛，从小型产品到大型系统都离不开电子设备的支持，电子产品的复杂程度也随之提高，部件之间的联系错综复杂。对模拟电路的研究表明，非线性、元件容差、温度漂移以及难以模型化等特点使得电路的诊断系统变得复杂，难以对故障有精准的定位，而意外的电路故障会导致严重的经济影响，因此模拟电路的故障诊断成为研究中亟待解决的热点问题。模拟电路特有的部分性能以及输出参数限制着诊断技术的进步，同时传统的理论和方法无法满足现有大规模集成模拟电路的诊断要求，迫使人们对其进行改进与完善。

由于模拟电路的单一特征信息无法完全代表该电路的状态，在进行故障诊断时通常需要收集同一电路内不同类型的信息，考虑信息融合的故障诊断方法应运而生。信息融合技术利用数据的互补性和冗余性，能够有效提高系统和设备的可靠性，在模拟电路的应用上具有很大的发展空间。基于多特征信息融合的电路故障诊断方法通过决策层信息融合，定位故障模式，以此来解决模拟电路系统非线性、噪声大、信号变化微弱的问题。

发明内容

针对现有技术存在的问题，本发明提供一种基于多特征信息融合的电路故障诊断方法，以实现模拟电路故障模式的准确分类。其中，该方法可以分为三个主要部分：电路故障特征提取、ELM网络获取初步诊断输出以及D-S证据理论融合诊断结果。

电路故障特征提取：

为提高模拟电路故障特征提取的准确性与有效性，本发明结合了统计特性与集成经验模态分解(EEMD)来提取故障特征信息，电路特征向量提取流程如图1所示，具体实施步骤如下：

步骤1，对待测电路施加相应的激励信号，在测试节点进行采样，得到输出响应序列X(n)；

步骤2，计算输出响应序列X(n)的统计特性特征，包括均值、方差、峰值、三阶矩、偏斜度、峭度系数、均方根以及脉冲因子，构成特征向量F＝[m,v,p,t,s,k,rm,I]；

(1)均值：

表示输出响应序列的平均值，其中x_i表示第i个采样数据，n表示输出响应序列中的采样数据个数；

(2)方差：v＝E[(X-m)²]，表示信号各个数据与均值的偏离程度；

(3)峰值：p＝max(X)，表示数据序列的最大值；

(4)三阶矩：t＝E[(X-m)³]，用来衡量信号概率密度分布函数形态的高次矩变化；

(5)偏斜度：s＝t/d，其中

表示数据在概率分布密度曲线中偏离平均值或是相对于平均值不对称的特征数；

(6)峭度：k＝E(X⁴)-3[E(X²)]²，是四阶中心矩，峭度的大小表明偏离正常状态的程度；

(7)均方根：

将所有采样数据平方求和，求其均值，再开平方，就得到均方根值，均方根值常用来分析噪声；

(8)脉冲因子：

信号峰值与整流平均值(绝对值的平均值)的比值，其中p表示采样数据的信号峰值。

步骤3，对输出响应序列X(n)进行集成经验模态分解(EEMD)分解，得到一组本征模态函数(IMF)分量，计算各IMF的总能量并构成特征向量E＝[E₁,E₂,…,E_u]；

各IMF能量的计算公式为：

其中，C_a(i)表示第a个IMF，h表示C_a(i)的长度。

步骤4，将特征向量F与特征向量E联合，构成初选故障特征向量集W＝[m,v,p,t,s,k,rm,I,E₁,E₂,…,E_u]；

步骤5，对初选故障特征向量集W进行主成分分析法降维，选取满足累积贡献率的成分个数组成特征量，从而作为最终提取的故障特征向量。

(1)设初选故障特征向量集W＝{W₁,W₂,…,W_G}，其中G为初选故障特征向量的个数；

(2)对矩阵W进行标准化处理后得到矩阵W′：

W′＝{W'₁,W'₂,…,W'_j,…,W'_G} (2)

其中，

和S_j分别表示W_j,j＝1,2,…,G的均值和标准差。

(3)计算得到W′的协方差矩阵的特征值为λ_i,i＝1,2,…,b，特征值按照大小顺序记为λ₁,λ₂,…,λ_b，其相对应的特征向量记为P₁,P₂,…,P_b；

(4)计算每个特征值相对应的主成分：

w_i＝W′P_i,i＝1,2,…,b (4)

(5)计算每个主成分的贡献率α_k和累积贡献率α′_k：

(6)根据给定累积贡献率的要求，选定主成分个数，进而确定降维后所提取的故障特征向量。

ELM网络获取初步诊断输出：

极限学习机(ELM)属于单隐含层前馈神经网络的一种，结构如图2所示。该网络模型由输入层、隐含层和输出层组成，数据由输入层进行输入到网络中，在隐含层中进行计算和训练，由输出层输出结果，每一层都由足够多的神经元组成。极限学习机算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数即可。

设隐含层神经元的激活函数为g(y)，则ELM网络的输出z_i＝[z_i1,z_i2,…,z_ig]^T可表示为：

其中，γ_i＝[γ_i1,γ_i2,…,γ_ig]^T表示隐含层第i个神经元与输出层之间的输出权值，β_i＝[β_1i,β_2i,…,β_ei]^T表示输入层与隐含层第i个神经元间的输入权值，y_i＝[y_1i,y_2i,…,y_ei]^T表示输入特征向量，b_i表示隐含层第i个神经元的阈值，e为输入神经元个数，即输入特征向量维数，f为隐含层神经元个数。

则有Hβ＝Z，其中，

H是神经网络的隐含层输出矩阵，公式为：

隐含层与输出层之间的输出权值矩阵γ可由下式获得：

γ＝H⁺Z (9)

其中，H⁺为隐含层输出矩阵H的Moore-Penrose广义逆矩阵。

采集得到的故障参数信息经过特征提取方法处理之后，作为ELM神经网络初步诊断阶段的输入信息，具体步骤如下：

步骤1，依据采样得到的参数类型对原始样本集进行分类，并利用电路故障特征提取方法分别进行特征提取，组成不同类别的故障特征子空间；

步骤2，由故障特征子空间分别构造各子ELM神经网络的样本集，并将其划分为训练集和测试集；

步骤3，依次输入到ELM网络模型中，训练ELM网络模型并确定模型的最佳参数，采用训练好的模型决策诊断得到初步输出。

D-S证据理论融合诊断结果：

D-S证据理论根据对相同问题的描述，基于某些规则对这些问题的证据进行整合，删除部分冗余信息，最后做出决策和判断。D-S证据理论的识别框架是一个非空集合Θ，Θ内部包含着各自独立且相斥的不同类别的事件。M函数表示分配给各种事件的信任程度，也称为基本概率分配(BPA)，M:2^Θ→[0,1]，且满足M(Φ)＝0，∑M(A)＝1。

M(A)表示证据支持事件A发生的程度，在故障诊断中，对每个待诊断电路状态下各种故障模式都有一定的发生概率，待诊断电路状态下所有可能故障发生的概率分布为该电路状态的基本概率分配(BPA)。

该理论还引入了一个信任区间来表示对某一事件的信任程度，信任函数(Bel)和似然函数(Pl)分别表示为：

PI(A)＝∑_B∩A＝ΦM(B) (11)

其中，BeI(A)表示对事件的支持力度，PI(A)表示对事件的不拒绝程度。

D-S证据理论组合规则是一种表现不同证据之间联合作用的法则。若目标系统的输入信息可分为两个焦元{A₁,A₂,…A_q}，{B₁,B₂,…B_p}，在同一个辨识框架下对应的两个BPA分别为M₁，M₂，设

则D-S组合后的新BPA为：

其中，

系数

为归一化因子。

当有d个焦元的时候，新基本概率分配函数为

将经过ELM网络得到的初步诊断输出视为不同的证据体输入到D-S证据理论中，根据决策融合规则，得到诊断融合之后的决策结果。

本发明的优点及有益效果在于：

针对模拟电路失效模型复杂、系统非线性以及信号变化微弱等方面的特性，本发明提出一种基于多特征信息融合的电路故障诊断方法。该方法结合了统计特性与集成经验模态分解来提取故障特征信息，并通过主成分分析法对特征向量进行降维，为后续的故障诊断提供了数据预处理方法，提高了模拟电路故障特征提取的准确性与有效性。在此基础上，引入极限学习机与D-S证据理论相结合的信息融合方法，将经过ELM网络得到的初步诊断输出视为不同的证据体输入到D-S证据理论中，根据决策融合规则对模拟电路的故障信号进行融合诊断，能够实现对故障模式准确、高效的分类，具有较好的工程应用价值。

附图说明

图1是本发明中所提出的电路故障特征提取流程。

图2是本发明中所采用的ELM网络结构示意图。

图3是本发明中所提出的基于多特征信息融合的电路故障诊断方法的详细流程。

图4是本发明实施案例中所用到的Sallen-Key滤波电路示意图。

图5是滤波电路的灵敏度分析结果。

图6是正常状态下的蒙特卡洛仿真结果。

图7是ELM模型的诊断精度随隐含层神经元个数的变化曲线。

具体实施方式

本发明的具体实施流程如图3所示。本发明是一种基于多特征信息融合的电路故障诊断方法，具体步骤如下：

步骤一，对待测电路施加一定频率的激励信号，在测试节点进行采样得到初始电压样本数据集与初始电流样本数据集；

步骤二，对两个初始样本数据集分别利用统计特性与集成经验模态分解来提取故障特征信息，并通过主成分分析法对特征向量进行降维，组成故障特征子空间；

步骤三，由两个故障特征子空间分别构造子ELM神经网络的样本集，并将其划分为训练集和测试集；

步骤四，依次输入到ELM网络模型中，训练ELM网络模型并确定模型的最佳参数，采用训练好的模型决策诊断得到初步输出；

步骤五，将经过ELM网络得到的初步诊断输出视为不同的证据体输入到D-S证据理论中，根据决策融合规则，得到诊断融合之后的决策结果。

实施案例

本发明以Sallen-Key滤波电路作为案例，验证所述的基于多特征信息融合的电路故障诊断方法。该滤波电路能够对信号频率进行选择，能够过滤掉某一频段的信号，从而选取所要保留的信号频段，仿真电路如图4所示。设置元器件的容差范围为±10％，元器件标称值及偏差值见表1。

表1电路元器件的标称值及偏差值

选择1V的交流信号作为激励信号，选择AC-Sweep模式，设置采样频率从100HZ到10MHZ，每个频率下的扫描采样点为100，选取滤波电路中的运算放大器LM324的U1Aout为输出测试点，分别令输出电压和输出电流为测试信号，对电路进行交流和参数分析。

由于模拟电路的元件较多，且有时候某些元件的参数改变对电路整体性能的影响较弱，在电路元件故障分析中可忽略，因此需要对电路进行灵敏度分析。将输出电压作为电路性能参数，得到结果如图5所示。

结果显示，R1、R3、C1以及C2取值的变化对电路输出影响较大，因此选择这四个元件进行诊断分析，则本电路共有{正常，R1故障，R3故障，C1故障，C2故障}五种状态。将五种状态分别定义，见表2。

表2电路故障状态分类表

根据电路器件故障容差表，将-50％～-10％与+10％～+50％的容差设为故障，对每种故障模式在其容差范围内分别进行82次蒙特卡洛仿真，每条曲线采样506个数据点，正常状态下的蒙特卡洛仿真如图6所示。

将电路仿真后的数据进行统计信息和EEMD分解能量的方法提取特征，并进行主成分降维，将处理后的数据输入到极限学习机中进行训练，从而得到初步的诊断结果。每种故障模式有82组数据，随机提取每种故障模式的60组数据作为训练集，另外22组则作为测试集。

在ELM网络模型中，输入层节点数为6，输出层节点数为5，激活函数设为Sigmoid函数，同时隐含层的神经元数的变化会影响模型准确率，图7为模型准确率随隐含层神经元数的变化情况。根据图7可知，神经元节点数设为35时诊断性能最好，因此本模型设定隐含层神经元节点数为35。

在分别得到电压与电流样本初步的输出结果后，根据D-S证据理论进一步融合故障诊断结果。以R3故障为例，该故障模式输出定义为[00100]，由电压和电流样本的测试结果，可分别计算出电压和电流样本的信任度，进而计算出电压和电流融合后的输出结果，表3-表5分别为电压样本和电流样本的信任度结果以及融合后的结果数据。

表3电压样本的信任度结果

信任度	1	2	3	4	5	6	7	8	9	10	…
												m<sub>1</sub>(a<sub>1</sub>)	0.2270	0.1407	0.1668	0.1482	0.1733	0.1613	0.2020	0.1929	0.1332	0.1334	…
m<sub>1</sub>(a<sub>2</sub>)	0.1663	0.1472	0.1665	0.1502	0.1577	0.1514	0.1652	0.1662	0.1422	0.1421	…
												m<sub>1</sub>(a<sub>3</sub>)	0.2428	0.4186	0.3160	0.3688	0.3046	0.3837	0.2742	0.2807	0.4002	0.3946	…
m<sub>1</sub>(a<sub>4</sub>)	0.1896	0.1465	0.1889	0.1748	0.1988	0.1536	0.1926	0.1997	0.1761	0.1802	…
												m<sub>1</sub>(a<sub>5</sub>)	0.1744	0.1471	0.1617	0.1581	0.1656	0.1500	0.1659	0.1605	0.1483	0.1497	…

表4电流样本的信任度结果

信任度	1	2	3	4	5	6	7	8	9	10	…
												m<sub>2</sub>(a<sub>1</sub>)	0.1472	0.1363	0.1780	0.1372	0.1392	0.1901	0.1709	0.2220	0.1669	0.2260	…
m<sub>2</sub>(a<sub>2</sub>)	0.1602	0.1699	0.0796	0.1463	0.1598	0.1459	0.1529	0.1503	0.1229	0.1623	…
												m<sub>2</sub>(a<sub>3</sub>)	0.3901	0.3879	0.4965	0.4206	0.3993	0.3599	0.3739	0.2916	0.4260	0.2564	…
m<sub>2</sub>(a<sub>4</sub>)	0.1481	0.1600	0.0959	0.1444	0.1464	0.1512	0.1502	0.1648	0.1318	0.1755	…
												m<sub>2</sub>(a<sub>5</sub>)	0.1544	0.1459	0.1501	0.1515	0.1554	0.1529	0.1521	0.1713	0.1524	0.1798	…

表5电压样本与电流样本融合后的信任度结果

信任度	1	2	3	4	5	6	7	8	9	10	…
												m(a<sub>1</sub>)	0.1593	0.0762	0.1226	0.0824	0.1069	0.1294	0.1595	0.2038	0.0868	0.1415	…
m(a<sub>2</sub>)	0.1270	0.0994	0.0547	0.0891	0.1116	0.0932	0.1167	0.1189	0.0683	0.1083	…
												m(a<sub>3</sub>)	0.4515	0.6457	0.6477	0.6290	0.5386	0.5827	0.4736	0.3897	0.6659	0.4752	…
m(a<sub>4</sub>)	0.1338	0.0933	0.0748	0.1023	0.1289	0.0980	0.1336	0.1567	0.0907	0.1486	…
												m(a<sub>5</sub>)	0.1284	0.0853	0.1002	0.0971	0.1140	0.0968	0.1166	0.1309	0.0883	0.1264	…

ELM对于输出结果的判定原则是令每个状态下的测试结果中最大的结果作为“1”，其他输出为“0”，以此来确定类别。表6为R3故障状态下的测试输出结果，根据每个状态下的测试输出结果可计算出相应的诊断准确率，共有五种状态。

表6五种状态下的诊断结果对比

结果表明，五种状态下电压测试样本的平均诊断正确率为91.82％，电流测试样本平均诊断正确率为92.73％，融合之后诊断正确率为98.18％。由此可得出结论：单一特征信息的诊断精度均小于D-S证据决策融合后的诊断精度，这说明电压或电流信息在进行故障诊断融合时进行了信息互补，从而使得多信息融合后的诊断精度优于单一信息诊断精度，有效地降低了系统的误判率。

Claims

1.一种基于多特征信息融合的电路故障诊断方法，实现模拟电路故障模式的准确分类；其中，该方法分为三个部分：电路故障特征提取、ELM网络获取初步诊断输出以及D-S证据理论融合诊断结果；其特征在于：

电路故障特征提取：

结合统计特性与集成经验模态分解EEMD来提取故障特征信息，具体实施步骤如下：

步骤3，对输出响应序列X(n)进行集成经验模态分解EEMD分解，得到一组本征模态函数IMF分量，计算各IMF的总能量并构成特征向量E＝[E₁,E₂,…,E_u]；

步骤5，对初选故障特征向量集W进行主成分分析法降维，选取满足累积贡献率的成分个数组成特征量，从而作为最终提取的故障特征向量；

ELM网络获取初步诊断输出：

极限学习机ELM属于单隐含层前馈神经网络的一种，该网络模型由输入层、隐含层和输出层组成，数据由输入层进行输入到网络中，在隐含层中进行计算和训练，由输出层输出结果，每一层都由足够多的神经元组成；极限学习机算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数即可；

D-S证据理论融合诊断结果：

D-S证据理论根据对相同问题的描述，基于某些规则对这些问题的证据进行整合，删除部分冗余信息，最后做出决策和判断；D-S证据理论的识别框架是一个非空集合Θ，Θ内部包含着各自独立且相斥的不同类别的事件；M函数表示分配给各种事件的信任程度，也称为基本概率分配(BPA)，M:2^Θ→[0,1]，且满足M(Φ)＝0，∑M(A)＝1。

2.根据权利要求1所述的基于多特征信息融合的电路故障诊断方法，其特征在于：均值：

方差：v＝E[(X-m)²]，表示信号各个数据与均值的偏离程度；

峰值：p＝max(X)，表示数据序列的最大值；

三阶矩：t＝E[(X-m)³]，用来衡量信号概率密度分布函数形态的高次矩变化；

偏斜度：s＝t/d，其中

峭度：k＝E(X⁴)-3[E(X²)]²，是四阶中心矩，峭度的大小表明偏离正常状态的程度；

均方根：

脉冲因子：

信号峰值与整流平均值的比值，其中p表示采样数据的信号峰值。

3.根据权利要求1所述的基于多特征信息融合的电路故障诊断方法，其特征在于：各IMF能量的计算公式为：

其中，C_a(i)表示第a个IMF，h表示C_a(i)的长度。

4.根据权利要求1所述的基于多特征信息融合的电路故障诊断方法，其特征在于：在步骤5中，具体包括：

5.1设初选故障特征向量集W＝{W₁,W₂,…,W_G}，其中G为初选故障特征向量的个数；

5.2对矩阵W进行标准化处理后得到矩阵W′：

W′＝{W′₁,W′₂,…,W′_j,…,W′_G} (2)

其中，

和S_j分别表示W_j,j＝1,2,…,G的均值和标准差；

5.3计算得到W′的协方差矩阵的特征值为λ_i,i＝1,2,…,b，特征值按照大小顺序记为λ₁,λ₂,…,λ_b，其相对应的特征向量记为P₁,P₂,…,P_b；

5.4计算每个特征值相对应的主成分：

w_i＝W′P_i,i＝1,2,…,b (4)

5.5计算每个主成分的贡献率α_k和累积贡献率α′_k：

5.6根据给定累积贡献率的要求，选定主成分个数，进而确定降维后所提取的故障特征向量。

5.根据权利要求1所述的基于多特征信息融合的电路故障诊断方法，其特征在于：在ELM网络获取初步诊断输出中，设隐含层神经元的激活函数为g(y)，则ELM网络的输出z_i＝[z_i1,z_i2,…,z_ig]^T表示为：

其中，γ_i＝[γ_i1,γ_i2,…,γ_ig]^T表示隐含层第i个神经元与输出层之间的输出权值，β_i＝[β_1i,β_2i,…,β_ei]^T表示输入层与隐含层第i个神经元间的输入权值，y_i＝[y_1i,y_2i,…,y_ei]^T表示输入特征向量，b_i表示隐含层第i个神经元的阈值，e为输入神经元个数，即输入特征向量维数，f为隐含层神经元个数；

则有Hβ＝Z，其中，