CN116304940A - 基于长短期记忆神经网络的模拟电路故障诊断方法 - Google Patents

Abstract

本申请公开了一种基于长短期记忆神经网络的模拟电路故障诊断方法，涉及模拟电路诊断方法的技术领域。该方法包括：获取原始数据，原始数据至少包括模拟电路故障状态时的输出电压信号数据；对原始数据进行小波变换；建立模型，根据小波变换后的原始数据建立故障诊断模型，模型的建立基于长短期记忆神经网络；故障诊断，获得来自待测电路的测试数据，将测试数据输入故障诊断模型，通过故障诊断模型对待测电路的故障类型进行分类以得到至少一种诊断结果。该方法旨在提供一种数据处理能力强，诊断准确率高的模拟电路故障诊断方法。

Description

基于长短期记忆神经网络的模拟电路故障诊断方法

技术领域

本申请涉及模拟电路诊断技术领域，特别是涉及一种基于长短期记忆神经网络的模拟电路故障诊断方法。

背景技术

随着微电子技术的发展，其电路设计愈加复杂，电路容易出现参数变化型故障，即电路元件参数的实际值超出了容差范围，从而导致电路无法完成基本功能。因此，对模拟电路进行故障诊断成为目前需要解决的问题。

现有技术中存在结合辅助工具和专家知识对电路故障进行分析的方法，但是当遇到大规模集成度高的芯片时，由于各器件参数之间的关系复杂，会出现工作量大，效率低的问题。

现有技术中还有一种经典的基于传统循环神经网络对电路故障进行诊断的方法，但是随着网络层数的增加会出现梯度爆炸或者梯度消失的问题，导致电路故障诊断的准确率不高。

发明内容

基于上述问题，本申请提供了一种基于长短期记忆神经网络的模拟电路故障诊断方法。

本申请公开的技术方案中提供的故障诊断方法，主要包括：

获取原始数据，原始数据至少包括模拟电路故障状态时的输出电压信号数据；

对原始数据进行小波变换；

建立模型，根据小波变换后的原始数据建立故障诊断模型，模型的建立基于长短期记忆神经网络；

故障诊断，获得来自待测电路的测试数据，将测试数据输入故障诊断模型，通过故障诊断模型对待测电路的故障类型进行分类以得到至少一种诊断结果。

优选的，获取原始数据步骤包括：

获取正常电压信号数据，采集模拟电路中各元件均正常工作时的输出节点电压信号数据；

和

获取故障电压信号数据，设定模拟电路中的一个元件为故障状态，采集模拟电路在该状态下的输出节点电压信号数据。

优选的，建立模型步骤包括：

将小波变换后的原始数据分为训练集数据、验证集数据以及测试集数据；

模型训练，将训练集数据输入至故障诊断模型并对其进行训练；

根据所述验证集数据验证故障诊断模型；

其中，训练集数据包括正常电压信号数据和故障电压信号数据。

优选的，在小波变换后的原始数据中，训练集数据占比为60％-75％，验证集数据占比为10％-15％，测试集数据占比为15％-25％。

优选的，还包括：

将测试集数据作为测试数据输入至故障诊断模型中，并执行故障诊断步骤，根据所获得的诊断结果与实际故障类型对应的准确率评价故障诊断模型；

其中，测试集数据同时包括正常电压信号数据和故障电压信号数据。

优选的，模型训练步骤包括：

数据输入，输入训练集数据至长短期记忆神经网络的输入层；

获取来自所述长短期记忆神经网络输出层的诊断结果；

基于诊断结果与实际故障类型对应的准确率与期望值的误差，调整长短期记忆神经网络的隐含层。

优选的，调整长短期记忆神经网络的隐含层，包括：

调整隐含层的神经元数，激活函数以及长短期记忆神经网络的训练迭代次数，直至诊断结果与实际故障类型对应的准确率达到期望值。

优选的，隐含层包括第一隐含层和第二隐含层；输入层、第一隐含层、第二隐含层以及输出层之间通过全连接的方式连接，激活函数为线性整流函数，隐含层的神经元数与样本量成正相关，隐含层的训练迭代次数与样本量成正相关，但也要注意数量过多时会导致网络训练不收敛。

优选的，基于诊断结果和实际故障类型对应的准确率与期望值的误差，调整长短期记忆神经网络的隐含层，包括：

当诊断结果与实际故障类型对应的准确率未符合期望值时，重复执行模型训练步骤；

当诊断结果与实际故障类型对应的准确率符合期望值时，根据验证集数据验证故障诊断模型，同时根据验证集数据继续调整模型结构和参数值，进一步优化模型。

优选的，输出层的激活函数为归一化指数函数，输出层的神经元个数是故障类型的数目。

相较于现有技术，本申请具有以下有益效果：

本申请提供的一种基于长短期记忆神经网络的模拟电路故障诊断方法，对各元件故障时采集到的多组输出节点电压信号数据进行分析及处理，通过小波变换去除噪声和毛刺干扰，提取有效故障特征，再构建基于长短期记忆神经网络的故障诊断模型，通过构建的模型对模拟电路故障进行分类并输出。其中，长短期记忆神经网络模型特有的门结构可以将有效故障信息继续传递下去，有用的故障信息继续保留传递到下一时刻，冗余信息则筛选出去，以此保证提取到的故障特征不会随着数据的不断传递而丢失，避免出现梯度消失或梯度爆炸的问题，从而提高了模拟电路故障诊断的准确率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的故障诊断方法的流程图；

图2为本申请实施例提供的构建长短期记忆神经网络故障诊断模型的流程图；

图3为用于验证实施例提出的故障诊断方法所采用的滤波器电路结构图；

图4为本申请实施例提供的一种经过小波变换后的输出节点的电压信号数据示例图；

图5为本申请实施例提供的一种长短期记忆神经网络结构示例图；

图6为本申请实施例提供的一种长短期记忆神经元内部结构图；

图7为本申请实施例提供的一种基于小波变换和长短期记忆神经网络的模拟电路故障诊断结果示例图；

图8为作为比较例的一种基于传统循环神经网络的模拟电路故障诊断结果示例图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。

正如前文描述，目前一种经典的模拟电路诊断技术是基于传统循环神经网络对电路故障进行诊断，传统循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。虽然传统循环神经网络处理时间序列的效果很好，但是随着网络层数的增加会出现梯度消失或梯度爆炸的问题，从而导致电路故障诊断的准确率不高。

有鉴于此，本申请实施例提供一种基于长短期记忆神经网络的模拟电路故障诊断方法。如图1所示，该图为故障诊断方法的流程图，该方法包括如下步骤：

在相同采样条件下，获取模拟电路中的多组输出节点电压信号数据，作为原始数据。其中，多组输出节点电压信号数据包括模拟电路在正常工作状态和故障工作状态下的输出节点电压信号数据。例如，在其中一个具体的实施方式中，模拟电路处于正常工作状态下，考虑元件本身的容差变化，设置电阻的容差为5％，电容的容差为10％，若浮动超过容差的50％则认为模拟电路存在故障，此时采集的数据即为模拟电路在故障状态下的电压信号数据。

对上述的多组输出节点电压信号数据进行小波变换。不难理解，在获取多组输出节点电压信号数据的过程中，电子器件的工作环境中不可避免地存在干扰因素，例如噪声。通过小波变换对输出节点电压信号数据进行预处理，有利于消除输出节点电压信号数据中的噪声和毛刺干扰，使得故障特征更明显。

上述的小波变换通过对数据的时域和频域分析，有效保留有用信息，将高频信息和高频噪声区分开，使得数据特征更明显。

建立模型，具体包括根据小波变换后的多组输出节点电压信号数据建立故障诊断模型，模型的建立基于长短期记忆神经网络。

利用上述模型进行故障诊断，即获得来自待测电路的测试数据，将测试数据输入故障诊断模型，通过故障诊断模型对待测电路的故障类型进行分类以得到至少一种诊断结果。

在其中一个实施方式中，获取模拟电路的多组输出节点电压信号数据的步骤包括在相同的采样条件下，使用蒙特卡洛分析法采集模拟电路输出节点的正常电压信号；设置模拟电路中某一元件处于故障状态，使用蒙特卡洛分析法采集输出节点的电压信号，获取各元件故障时电路输出节点的电压信号数据。

在其中一个实施方式中，将小波变换后的原始数据分为训练集数据、验证集数据以及测试集数据。以此为前提，如图2所示，该图为建立长短期记忆神经网络故障诊断模型的流程图，包括：

模型训练，选取训练集数据中的正常电压信号数据和故障电压信号数据，并将这些数据输入至故障诊断模型中对其进行训练；

根据验证集数据验证故障诊断模型，同时根据验证集数据继续调整模型结构和参数值，进一步优化模型。

此外，将测试集数据输入至故障诊断模型中，执行故障诊断步骤，根据获得的诊断结果与实际故障类型对应的准确率评价故障诊断模型。其中，测试集数据同时包括正常电压信号数据和故障电压信号数据。

在一个实施例中，训练集数据的占比为60％-75％，验证集数据的占比为10％-15％，测试集数据的占比为15％-25％。其中，验证集数据用于对故障诊断模型进行验证，在符合期望值的基础上进一步优化模型。测试集数据用于在故障诊断模型建立完成后作为输入数据，测试模型的准确率。

在其中一个实施方式中，建立的故障诊断模型包括输入层、隐含层以及输出层。在模型的训练过程中，输入层用于接收小波变换后模拟电路处于正常工作状态以及故障状态下的训练集数据，输出层用于输出诊断结果，判断诊断结果与实际故障类型对应的准确率是否符合期望值。当诊断结果与实际故障类型对应的准确率不符合期望值时，则调整隐含层的神经元数，激活函数以及长短期记忆神经网络的训练迭代次数，直至所述诊断结果与实际故障类型对应的准确率达到期望值。当诊断结果与实际故障类型对应的准确率符合期望值时，则使用验证集数据验证故障诊断模型，确定故障诊断模型的结构参数已达到最优。

在一个典型实施例中，隐含层包括第一隐含层和第二隐含层；输入层、第一隐含层、第二隐含层以及输出层之间以全连接的方式连接，激活函数为线性整流函数，隐含层的初始权值以及偏差值随机生成，调整隐含层权值的方法为适应性矩估计优化算法。一般情况下，所述隐含层的神经元数与样本量成正相关，所述隐含层的训练迭代次数与样本量成正相关，但也要注意数量过多时会导致网络训练不收敛。输出层的激活函数为归一化指数函数，输出层的神经元个数是故障类型的数目。

本申请的实施例还包括一种计算机设备，其包括：存储器，处理器以及存储在存储器上并能够在处理器上运行的计算机程序，处理器在执行计算机程序时，实现上述的基于长短期记忆神经网络的模拟电路故障诊断方法。

本申请的实施例还包括一种计算机可读存储介质，其中计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行上述的基于长短期记忆神经网络的模拟电路故障诊断方法。

实例

为了验证前述实施例提供的模拟电路故障诊断方法，将状态变量滤波器电路作为待测电路，待测电路结构如图3所述。

图3中的状态变量滤波器电路处于正常工作状态时，设置的电阻和电容分别为：

R₁＝R₂＝R₃＝R₄＝R₅＝10kΩ，R₆＝3kΩ，R₇＝7kΩ；C₁＝C₂＝20nF。

考虑元件本身的容差变化，设置电阻容差为5％，电容容差为10％，若浮动超过容差的50％时，判定该状态变量滤波器为故障状态。将被测电路的激励信号设为500Hz-1V交流激励。

当状态变量滤波器电路中的各个元件的容差处于设定的范围内时，状态变量滤波器电路处于正常的工作状态。此时设置其中一个元件的容差超过设定范围的50％，其余元件处于正常的工作状态下，则判定状态变量滤波器电路处于故障状态下。

在相同条件下，以相同的时间间隔利用蒙特卡洛分析法对状态变量滤波器电路的输出节点V(2)进行多次采集，获得多组输出节点电压信号数据，即每个元件故障时的输出节点电压信号数据，得到R₁，R₂，R₅，C₁，C₂的变化对输出节点的电压影响最大，因此选择这些元件作为单故障检测元件。

本例中设定的故障值如下表表1所示。

表1状态变量滤波器电路故障类型及故障值设定

蒙特卡洛分析法通过假定电路元件的参数容差符合高斯分布，用伪随机数求得电路元件参数的随机抽样序列，对这些随机抽样序列进行瞬态分析即可以估算出电路的性能。

在本例中，表1中状态变量滤波器电路在1种正常工作状态和8种故障状态下分别进行50次蒙特卡洛分析，仿真时间设为0.01s，每一次蒙特卡洛分析产生110个数据，即状态变量滤波器电路的每一种状态产生的样本矩阵为(110,50)。

实例中，通过蒙特卡洛分析法获得的输出节点多组电压信号数据，原始故障数据之间区分不明显，采用小波变换对数据进行处理，消除数据自身的噪声干扰。采用WDEN函数(小波函数)进行小波变换，同时采用固定阈值、软门限阈值处理方式以及根据不同层的噪声估计来调整阈值，选择sym8小波函数，经过试验确定分解层为3层时去噪效果最佳。分解层为3层时既能够保留原始数据有效故障特征，也能将尖峰毛刺信号去掉，小波变换后的输出电压信号如图4所示。

本例中，基于长短期记忆神经网络建立模拟电路的故障诊断模型。模型的搭建由Python3.6完成。长短期记忆神经网络属于循环神经网络，具有长期记忆能力，其特有的门结构可以将有效故障信息继续传递下去，有用的故障信息继续保留传递到下一时刻，冗余信息则筛选出去，以此保证提取到的故障特征不会随着数据的不断传递而丢失，避免出现梯度爆炸或者梯度消失的问题，提高了对电路故障诊断的处理能力以及准确率。其中，梯度爆炸一般出现在深层网络和权值初始化值太大的情况下，从而引起网络不稳定；梯度消失则会导致隐含层的权值更新缓慢或者更新停滞，从而导致网络训练的准确率下降。本例中使用的长短期记忆神经网络结构包括输入层、隐含层以及输出层，输入层的输入数据是小波变换后的多组电压信号数据，隐含层的数量为2层，第一隐含层的输出作为第二隐含层的输入，第一隐含层与第二隐含层之间以全连接的方式进行连接，同时输入层与隐含层之间以全连接的方式进行连接，输出层有9个神经元，分别代表表1中的1种正常工作状态和8种故障状态，同时隐含层和输出层之间以全连接的方式进行连接。

此外，长短期记忆神经网络的隐含层包括多个神经元，即多个存储单元，每一个存储单元包括一个遗忘门，一个输入门和一个输出门，如图6所示。遗忘门决定从前一时刻的状态信息中舍弃什么信息，输入门决定在当前输入数据中保留什么信息，输出门决定当前时刻的状态信息输出。每一个存储单元既能够保留输入数据的有效信息，也能够对前一时刻的有效信息进行筛选，再综合考虑时序数据的传递关系，使得有效信息能够随着时间一步一步传递下去。

本例中的长短期记忆神经网络结构如图5所示。其中，遗忘门、输入门和输出门的数据计算公式如下：

遗忘门：遗忘门f_t在激活函数作用下对输入数据进行筛选，输出结果在[0,1]之间，决定从前一时刻的状态信息中遗忘数据的比例。公式为：

f_t＝σ(w_fx_t+w_fh_t-1+b_f) (1)

其中，σ为sigmoid激活函数，w_f为遗忘门的权值矩阵，x_t为当前时刻的输入数据，h_t-1为前一时刻的隐含状态，b_f为偏差向量。

输入门：输入门i_t的作用是为了建立一个新的候选状态

输入门的计算结果和候选状态一起决定状态信息的更新。

i_t＝σ(w_ix_t+w_ih_t-₁+b_i) (2)

其中，i_t为输入门的计算结果，w_i为输入门的权值矩阵，b_i为输入门的偏差向量；

为当前时刻的输入单元状态，tanh为正切激活函数，w_c为输入单元状态的权值矩阵，b_c为输入单元状态的偏差向量。

前一时刻单元状态信息筛选的结果与当前时刻单元状态信息保留的结果在激活函数作用下决定当前时刻状态信息的更新。

根据上述公式，在保证有效信息能够继续传递下去的情况下也去掉了冗余信息。

输出门：输出门o_t决定当前时刻单元状态信息的输出结果，公式如下：

o_t＝σ(w_ox_t+w_oh_t-₁+b_o) (5)

h_t＝o_t×tanh(c_t) (6)

其中，o_t为当前时刻输出门的计算结果，w_o为输出门的权值矩阵，b_o为输出门的偏差向量，h_t为当前时刻隐含层状态。

当前时刻t的状态信息C_t利用遗忘门f_t来决定前一时刻的状态信息中有哪些信息需要舍弃，哪些信息可以继续保留；接着利用输入门i_t学习新信息，通过遗忘门f_t和输入门i_t对信息的筛选，对当前的状态信息进行更新。最终通过输出门o_t，状态信息c_t以及tanh激活函数层确定最终的输出值h_t。

在长短期记忆神经网络中，提取故障特征信息和诊断过程可以结合起来。在本申请实施例中，利用softmax激活函数作为神经网络的最后一层输出，softmax是将k个实数的向量作为输入并将其归一化为输入向量的指数成比例的k个概率分布函数，计算如下：

其中，θ为softmax激活函数的模型参数，k为共有k种故障类型。

Softmax激活函数计算出每一个输入向量属于每种故障类型的条件概率，将属于某一故障类型的最大概率输出，作为故障诊断结果。

在本申请实施例中，采用交叉熵作为损失函数，公式如下：

其中，t_ij第i个输入向量属于第j个故障类型，y_ij为第i个输入向量属于第j个故障类型的概率。N为样本量，k为k种故障类型。

本例中，在长短期记忆神经元结构中，由遗忘门，输入门和输出门组成的特有的可以存储状态信息的存储单元实现了数据的长期记忆，既能够将时序数据的有效信息传递下去，也能够避免在长时间传递过程中的数据冗余问题，解决了传统循环神经网络在长期记忆过程中会存在的梯度消失或梯度爆炸问题。

利用长短期记忆神经网络对模拟电路正常工作状态以及故障状态下的输出节点电压信号数据建模，模型训练完成后，输入需要诊断的测试集数据，经过第一隐含层以及第二隐含层传递提取不同故障状态下的故障特征，通过输出层的softmax激活函数得到9种诊断结果，实现模拟电路的故障诊断。

本例中的故障诊断模型通过训练长短期记忆神经网络得到，步骤如图2所示。其中，根据上文提及，由于状态变量滤波器电路的每一种状态产生的样本矩阵为(110,50)，因此，本例中9种工作状态共得到(990,50)组输出节点电压信号数据，包括1种正常状态下输出节点电压信号数据和8种故障状态下输出节点电压信号数据。将经过小波变换后的多组输出节点电压信号数据中的训练集数据输入到长短期记忆神经网络结构中，通过长短期记忆神经元的权值、偏差、激活函数结合输入值进行计算，提取各个故障特征。通过训练集数据构建网络结构，设置隐含层的数量为2层，输出层有九个神经元，分别对应九种电路状态，第一隐含层和第二隐含层均设置80个神经元，选择线性整流函数作为激活函数，以使更加符合非线性数据的实际情况，提高模型的收敛速度。网络训练迭代次数为250次时模型训练的准确率最好，采用适应性矩估计优化算法来优化模型，使用动量和自适应学习速率来加快模型的收敛速度，在反向传播过程中不断修正网络权值和偏差值。采用交叉熵误差函数优化模型诊断的准确率，使模型训练的误差值最小，最终提高故障诊断的准确率。

本例中，根据上文提及，当诊断结果与实际故障类型对应的准确率达到期望值时，说明该模型的基本结构已训练好，通过验证集数据进一步验证故障诊断模型的准确率，确定长短期记忆神经网络的结构参数已达到最优。当诊断结果与实际故障类型对应的准确率未达到期望值时，调整故障诊断模型隐含层的神经元数，激活函数和训练迭代次数。本例中，实际故障类型是专业技术人员根据经验知识确定的故障类型。期望值则可根据实际需求设定，一般情况下，期望值在85％以上。

本例中，根据故障诊断模型对模拟电路故障进行分类以得到至少一种诊断结果。测试集数据输入到故障诊断模型中，输出层有9个神经元，采用全连接方式，激活函数是softmax。正常状态下用“0”表示，故障类型从“1”开始编号，诊断结果按准确率形式展示在混淆矩阵中，准确率结果保留两位小数显示，准确率最高是1，颜色越深表明诊断结果越准确。以混淆矩阵的形式显示故障诊断结果直观简便。

如图7所示，横坐标是故障诊断结果，纵坐标是实际故障类型，混淆矩阵中的对角线方块表明故障诊断结果与实际故障类型对应的准确率，模型在正常工作状态下的诊断准确率最高是1，模型在第2种故障状态下的诊断准确率最低是0.82，平均故障诊断准确率为92.67％。

本例中，为了进一步验证基于小波变换和长短期记忆神经网络的模拟电路故障诊断方法的有效性，与基于小波变换和传统循环神经网络的模拟电路故障诊断方法进行对比，对比实验结果如图8所示。图8同样以混淆矩阵的形式显示故障诊断结果，横坐标是故障诊断结果，纵坐标是实际故障类型，混淆矩阵中的对角线方块表明故障诊断结果与实际故障类型对应的准确率，准确率结果保留两位小数显示。准确率越高，混淆矩阵的颜色越深，准确率最高是1。

如图8所示，故障3和故障8的诊断准确率最高为0.96，故障2的诊断准确率最低为0.65，平均故障诊断准确率为82.78％。

从对比实验结果中不难看出，基于小波变换和长短期记忆神经网络的故障诊断模型对模拟电路故障诊断的准确率更高，能够更好地提取故障特征。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

本申请提供的故障诊断方法、装置、计算机设备和存储介质可用于模拟电路诊断领域。上述仅为示例，并不对本申请提供的一种故障诊断方法、装置、计算机设备和存储介质的应用领域进行限定。

以上，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于长短期记忆神经网络的模拟电路故障诊断方法，其特征在于，包括：

获取原始数据，所述原始数据至少包括模拟电路故障状态时的输出电压信号数据；

对所述原始数据进行小波变换；

建立模型，根据所述小波变换后的原始数据建立故障诊断模型，所述故障诊断模型的建立基于长短期记忆神经网络；

故障诊断，获得来自待测电路的测试数据，将所述测试数据输入所述故障诊断模型，通过所述故障诊断模型对待测电路的故障类型进行分类以得到至少一种诊断结果。

2.根据权利要求1所述的模拟电路故障诊断方法，其特征在于，所述获取原始数据步骤包括：

获取正常电压信号数据，采集模拟电路中各元件均正常工作时的输出节点电压信号数据；

和

获取故障电压信号数据，设定模拟电路中的一个元件为故障状态，采集模拟电路在该状态下的输出节点电压信号数据。

3.根据权利要求2所述的模拟电路故障诊断方法，其特征在于，所述建立模型步骤包括：

将所述小波变换后的原始数据分为训练集数据、验证集数据以及测试集数据；

模型训练，将所述训练集数据输入至所述故障诊断模型并对其进行训练；

根据所述验证集数据验证所述故障诊断模型；

其中，所述训练集数据同时包括所述正常电压信号数据和所述故障电压信号数据。

4.根据权利要求3所述的模拟电路故障诊断方法，其特征在于，在所述小波变换后的原始数据中，所述训练集数据占比为60％-75％，所述验证集数据占比为10％-15％，所述测试集数据占比为15％-25％。

5.根据权利要求3所述的模拟电路故障诊断方法，其特征在于，还包括：

将所述测试集数据作为所述测试数据输入至所述故障诊断模型中，并执行所述故障诊断步骤，根据获得的诊断结果与实际故障类型对应的准确率评价所述故障诊断模型；

其中，所述测试集数据同时包括所述正常电压信号数据和所述故障电压信号数据。

6.根据权利要求3所述的模拟电路故障诊断方法，其特征在于，所述模型训练步骤包括：

数据输入，输入所述训练集数据至所述长短期记忆神经网络的输入层；

获取来自所述长短期记忆神经网络输出层的诊断结果；

基于所述诊断结果和实际故障类型对应的准确率与期望值的误差，调整所述长短期记忆神经网络的隐含层。

7.根据权利要求6所述的模拟电路故障诊断方法，其特征在于，所述调整所述长短期记忆神经网络的隐含层，包括：

调整所述隐含层的神经元数，激活函数以及长短期记忆神经网络的训练迭代次数，直至所述诊断结果与实际故障类型对应的准确率达到期望值。

8.根据权利要求7所述的模拟电路故障诊断方法，其特征在于，所述隐含层包括第一隐含层和第二隐含层；所述输入层、第一隐含层、第二隐含层以及输出层之间通过全连接的方式连接，所述隐含层的激活函数为线性整流函数，所述隐含层的神经元数与样本量成正相关，所述隐含层的训练迭代次数与样本量成正相关。

9.根据权利要求6所述的模拟电路故障诊断方法，其特征在于，所述基于所述诊断结果和实际故障类型对应的准确率与期望值的误差，调整所述长短期记忆神经网络的隐含层，包括：

当所述诊断结果与实际故障类型对应的准确率未符合期望值时，重复执行所述模型训练步骤；

当所述诊断结果与实际故障类型对应的准确率符合期望值时，根据所述验证集数据验证所述故障诊断模型，同时根据所述验证集数据继续调整模型结构和参数值。

10.根据权利要求7所述的模拟电路故障诊断方法，其特征在于，所述输出层的激活函数为归一化指数函数，输出层的神经元个数是故障类型的数目。

Images