[發(fā)明專利]基于連續(xù)小波分析和ELM網(wǎng)絡(luò)的模擬電路故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611243708.5
• 申請(qǐng)日: 2016-12-29
• 公開（公告）號(hào): CN106597260B
• 公開（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 何怡剛;何威;羅旗舞;李志剛;施天成;汪濤;袁志杰;趙德勤;史露強(qiáng);何鎏璐
• 申請(qǐng)（專利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類號(hào): G01R31/28
• 分類號(hào): G01R31/28;G01R31/316
• 代理公司: 長(zhǎng)沙星耀專利事務(wù)所(普通合伙) 43205
• 代理人: 黃美玲;寧星耀

基于連續(xù)小波分析和ELM網(wǎng)絡(luò)的模擬電路故障診斷方法，包括數(shù)據(jù)獲取：將模擬電路的輸出響應(yīng)分別通過(guò)Multisim仿真進(jìn)行數(shù)據(jù)采樣以獲得輸出響應(yīng)數(shù)據(jù)集；特征提取：將電路的輸出響應(yīng)數(shù)據(jù)集分別作為訓(xùn)練與測(cè)試數(shù)據(jù)集進(jìn)行連續(xù)小波分析以獲得小波時(shí)頻系數(shù)矩陣，這些系數(shù)矩陣通過(guò)分割得到八塊相同大小的子矩陣，對(duì)子矩陣進(jìn)行奇異值分解以計(jì)算每塊子矩陣的Tsallis熵構(gòu)成相應(yīng)故障的特征向量；故障分類：各樣本的特征向量提交給ELM網(wǎng)絡(luò)以實(shí)現(xiàn)準(zhǔn)確、迅速的故障分類。本發(fā)明方法對(duì)電路故障的特征提取效果較好，可以實(shí)現(xiàn)電路故障準(zhǔn)確、高效的分類。

技術(shù)領(lǐng)域

本發(fā)明涉及模擬電路故障診斷方法，具體涉及一種基于連續(xù)小波分析和ELM網(wǎng)絡(luò)的模擬電路故障診斷方法。

背景技術(shù)

模擬電路在電子消費(fèi)品、工業(yè)、航天航空和軍事等領(lǐng)域中發(fā)揮著極其重要的作用。一旦模擬電路發(fā)生故障，將會(huì)影響電子設(shè)備的性能和功能，并導(dǎo)致設(shè)備的反應(yīng)遲緩、功能失效甚至引起災(zāi)難性后果。同時(shí)隨著電子設(shè)備的復(fù)雜度和密集度在不斷提高，其模擬電路存在非線性、器件容差性和響應(yīng)連續(xù)性的特點(diǎn)，因此模擬電路故障定位和排除面臨巨大挑戰(zhàn)，如何設(shè)計(jì)出高準(zhǔn)確性強(qiáng)實(shí)時(shí)性的模擬電路故障診斷方法成為該領(lǐng)域的熱點(diǎn)與難點(diǎn)。

針對(duì)模擬電路的故障診斷，已有諸多學(xué)者采用小波分析和神經(jīng)網(wǎng)絡(luò)分別作為故障特征提取和故障分類的核心技術(shù)。相關(guān)文獻(xiàn)如下：Spina R,Upadhyaya S.Linear circuitfault diagnosis using neuromorphic analyzers[J].Circuits&Systems II Analog&Digital Signal Processing IEEE Transactions on,1997,44(3):188-196.NegnevitskyM,Pavlovsky V.Neural Networks Approach to Online Identification of MultipleFailure of Protection Systems[J].IEEE Transactions on Power Delivery,2005,20(2):588-594.均直接將未經(jīng)處理的電路輸出響應(yīng)信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸入，但導(dǎo)致了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)，診斷精度過(guò)低；Aminian M,Aminian F.Neural-network basedanalog-circuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Transactions on Circuits&Systems II Analog&Digital Signal Processing,2000,47(2):151-156.將主元分析處理后的電路響應(yīng)的低頻小波系數(shù)作為故障特征提交給神經(jīng)網(wǎng)絡(luò)，雖提高了故障診斷的準(zhǔn)確性，但對(duì)網(wǎng)絡(luò)的復(fù)雜性未作實(shí)質(zhì)性改進(jìn)；另外，何星,王宏力,陸敬輝,等.基于優(yōu)選小波包和ELM的模擬電路故障診斷[J].儀器儀表學(xué)報(bào),2013,34(11):2614-2619.是通過(guò)計(jì)算小波包分析各節(jié)點(diǎn)系數(shù)的歸一化能量值，并將其作為故障特征降低了神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，但能量數(shù)值很小，特征區(qū)分不明顯。此外，綜合上述方法,現(xiàn)有技術(shù)存在以下問(wèn)題:

1.上述方法在提取電路故障特征時(shí)，通常舍棄了細(xì)節(jié)小波系數(shù)而選取了近似小波系數(shù)的歸一化能量值作為故障特征。從信息完整的角度來(lái)說(shuō)被丟棄的細(xì)節(jié)系數(shù)對(duì)提取的特征全面反映故障信息具有相當(dāng)?shù)膬r(jià)值。2.傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)(如：BP，RBF)是故障診斷領(lǐng)域中較為常用的分類器，但是均存在網(wǎng)絡(luò)學(xué)習(xí)速度慢、容易陷入局部最優(yōu)解及過(guò)訓(xùn)練等問(wèn)題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)存在的上述問(wèn)題,本發(fā)明解決的技術(shù)問(wèn)題是如何較為完整地獲取故障響應(yīng)的有用信息；如何有效的刻畫故障特征，使得特征彼此之間區(qū)別明顯；如何更加快速準(zhǔn)確地實(shí)現(xiàn)故障分類，而提供一種采用連續(xù)小波分析和ELM網(wǎng)絡(luò)分別作為故障特征提取和故障分類的模擬電路故障診斷方法。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：