[發(fā)明專利]基于回聲狀態(tài)網(wǎng)絡(luò)同步優(yōu)化的模擬電路故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201110099271.3
• 申請(qǐng)日: 2011-04-20
• 公開（公告）號(hào): CN102262198A
• 公開（公告）日: 2011-11-30
• 發(fā)明（設(shè)計(jì)）人: 彭宇;楊智明;郭嘉;劉大同;雷苗;王建民
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G01R31/02
• 分類號(hào): G01R31/02;G06N3/12
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 張宏威

技術(shù)領(lǐng)域

本發(fā)明涉及一種模擬電路故障診斷方法。

背景技術(shù)

在電子設(shè)備中，模擬電路是最易發(fā)生故障的薄弱環(huán)節(jié)，對(duì)模擬電路進(jìn)行故障診斷可提高電子設(shè)備的維修性。由于模擬電路缺乏良好的故障模型，電路響應(yīng)與元件參數(shù)間存在著復(fù)雜的非線性關(guān)系以及測(cè)點(diǎn)數(shù)目的限制等，模擬電路故障診斷研究尚未成熟。在這種情況下，基于人工智能的方法被引入模擬電路故障診斷中，這類方法將模擬電路故障診斷看作模式識(shí)別問(wèn)題。由于具有良好的非線性映射能力、自學(xué)習(xí)適應(yīng)能力等，神經(jīng)網(wǎng)絡(luò)在模擬電路智能診斷方法中最為常用。但是，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)如采用BP反向傳播算法訓(xùn)練的多層感知器，存在著易陷入局部最小、訓(xùn)練算法復(fù)雜等問(wèn)題。

在智能診斷方法中，首先需要從被診斷電路中獲取能夠表征電路特性的信息，即獲得電路在各種工作狀態(tài)下所表現(xiàn)出來(lái)的特征。一般地，選擇取值變化對(duì)電路輸出影響較大的器件作為故障注入單元，為充分研究電路在不同容差條件下所表現(xiàn)出的特性，設(shè)置電路中電阻和電容工作在允許容差的范圍之內(nèi)，一般為±5％或±10％。當(dāng)電路中的元器件均工作在允許容差內(nèi)時(shí)，電路屬于無(wú)故障狀態(tài)；當(dāng)作為故障注入單元的器件中的任何一個(gè)高出或低于其正常取值的一定范圍時(shí)，而其他器件在允許容差內(nèi)工作，則認(rèn)為電路發(fā)生故障。為了獲得電路在各種狀態(tài)下的工作信息，一般向電路輸入端輸入單位脈沖信號(hào)，并采集電路的單位脈沖響應(yīng)信號(hào)。

為全面反映電路的工作狀態(tài)，輸出信號(hào)的采樣間隔一般設(shè)置較小，采樣點(diǎn)數(shù)較多，導(dǎo)致特征維數(shù)高，為后續(xù)的故障分類器訓(xùn)練帶來(lái)困難，直接影響診斷效果。因此，一般需要對(duì)診斷數(shù)據(jù)進(jìn)行特征提取，改善診斷效果。目前，主要采用小波變換等信號(hào)處理方法來(lái)進(jìn)行模擬電路故障數(shù)據(jù)特征提取。但是，當(dāng)特征數(shù)量較大時(shí)，往往需要采用特征選擇的方法來(lái)進(jìn)行進(jìn)一步的維數(shù)約減，以減少特征數(shù)量。特征選擇與故障分類器的設(shè)計(jì)有關(guān)，若不考慮故障分類器的參數(shù)設(shè)置，單獨(dú)進(jìn)行特征選擇，將導(dǎo)致診斷適應(yīng)性較差，精度較低。

發(fā)明內(nèi)容

本發(fā)明是為了解決采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的診斷精度較低的問(wèn)題，從而提供一種基于回聲狀態(tài)網(wǎng)絡(luò)同步優(yōu)化的模擬電路故障診斷方法。

基于回聲狀態(tài)網(wǎng)絡(luò)同步優(yōu)化的模擬電路故障診斷方法，它由以下步驟實(shí)現(xiàn)：

步驟一、采用單位脈沖信號(hào)激勵(lì)模擬電路工作，獲得電路待診斷響應(yīng)信號(hào)，并采集模擬電路的單位脈沖響應(yīng)輸出信號(hào)；

步驟二、采用小波變換法對(duì)步驟一采集到的模擬電路的單位脈沖響應(yīng)輸出信號(hào)進(jìn)行處理，獲得故障特征；

步驟三、將步驟二獲得的故障特征作為數(shù)據(jù)樣本，并輸入至回聲狀態(tài)網(wǎng)絡(luò)中，采用微分進(jìn)化算法進(jìn)行參數(shù)與特征的同步優(yōu)化選擇，并根據(jù)同步優(yōu)化選擇結(jié)果建立模擬電路故障診斷模型；

步驟四、采用小波變換法對(duì)步驟一獲得的電路待診斷響應(yīng)信號(hào)進(jìn)行處理，獲得故障數(shù)據(jù)，并將所述故障數(shù)據(jù)輸入至步驟三中建立的模擬電路故障診斷模型中，獲得并輸出故障診斷結(jié)果。

步驟三中建立模擬電路故障診斷模型是采用回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的方法實(shí)現(xiàn)的。

步驟三中所述采用微分進(jìn)化算法進(jìn)行參數(shù)與特征的同步優(yōu)化選擇的具體方法是：

步驟A、設(shè)定參數(shù)及特征空間范圍，初始化回聲狀態(tài)網(wǎng)絡(luò)的主要參數(shù)，所述參數(shù)包括：儲(chǔ)備池處理單元個(gè)數(shù)、內(nèi)部連接權(quán)譜半徑、輸入伸縮尺度和儲(chǔ)備池稀疏程度；初始化特征，構(gòu)建初始種群；

步驟B、對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行回聲狀態(tài)網(wǎng)絡(luò)訓(xùn)練，采用數(shù)據(jù)樣本計(jì)算分類錯(cuò)誤率，并將所述錯(cuò)誤率作為適應(yīng)度評(píng)價(jià)函數(shù)值，獲得每個(gè)個(gè)體的適應(yīng)度評(píng)價(jià)函數(shù)值；

步驟C、對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行變異和交叉操作，得到臨時(shí)種群，計(jì)算所述臨時(shí)種群適應(yīng)度評(píng)價(jià)函數(shù)值；

步驟D、對(duì)臨時(shí)種群中的每個(gè)個(gè)體進(jìn)行選擇，得到新種群；

重復(fù)步驟C至步驟D，直到進(jìn)化代數(shù)達(dá)到預(yù)設(shè)的最大進(jìn)化代數(shù)或當(dāng)種群中最佳個(gè)體的適應(yīng)度值小于預(yù)設(shè)的閾值時(shí)，將最后一次迭代的最佳個(gè)體作為同步優(yōu)化結(jié)果。

步驟A中所述構(gòu)建初始種群的方法是：采用下列公式：