[發(fā)明專利]基于ELM算法的水下航行器電路故障診斷方法

有效

• 申請?zhí)枺?/td>: 201710475045.8
• 申請日: 2017-06-21
• 公開（公告）號: CN107168292B
• 公開（公告）日: 2019-10-25
• 發(fā)明（設(shè)計）人: 趙東明;柳欣;楊田田
• 申請（專利權(quán)）人: 武漢理工大學(xué)
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 張惠玲

本發(fā)明屬于故障診斷領(lǐng)域，具體的涉及基于ELM算法的水下航行器電路故障診斷方法，包括：搜集水下航行器電路的故障現(xiàn)象和故障原因，建立樣本數(shù)據(jù)集；根據(jù)樣本數(shù)據(jù)集，采用極限學(xué)習(xí)機ELM算法對學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練，得到學(xué)習(xí)模型；給學(xué)習(xí)模型輸入新的數(shù)據(jù)；利用最近相鄰匹配算法，將學(xué)習(xí)模型的輸出結(jié)果與已知故障類型進行匹配；根據(jù)匹配結(jié)果診斷水下航行器電路。本發(fā)明可以在樣本較少的情況下，對較快速和準(zhǔn)確的對水下航行器電路進行診斷。

技術(shù)領(lǐng)域

本發(fā)明屬于故障診斷領(lǐng)域，具體的涉及基于ELM算法的水下航行器電路故障診斷方法。

背景技術(shù)

近年來，故障診斷領(lǐng)域發(fā)展迅速，各種故障診斷方法層出不窮，故障診斷的精確度也逐步提高。電氣設(shè)備故障診斷，新能源汽車故障診斷，無人飛行器故障診斷，以及可擴展的故障診斷方法等等。

在現(xiàn)有技術(shù)中，傳統(tǒng)的診斷方法是采用傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的隱層節(jié)點參數(shù)是通過一定的迭代算法進行多次優(yōu)化并最終確定的。這些迭代步驟往往會使參數(shù)的訓(xùn)練過程占用大量的時間。并且，現(xiàn)有算法很容易產(chǎn)生局部最優(yōu)解，從而使網(wǎng)絡(luò)訓(xùn)練過程的效率得不到保證。

目前的對于水下航行器電路故障診斷方法較少，而且現(xiàn)有的少數(shù)的診斷方法中，要么處理速度過慢，要么故障樣本需求量過大，要么成本太高，并且沒有合適的方法去減小干擾因子的影響力。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于，克服現(xiàn)有技術(shù)的不足，提供基于ELM算法的水下航行器電路故障診斷方法，其可以在樣本較少的情況下，對較快速和準(zhǔn)確的對水下航行器電路進行診斷。

本發(fā)明所涉及的基于ELM算法的水下航行器電路故障診斷方法，包括以下步驟：

搜集水下航行器電路的故障現(xiàn)象和故障原因，建立樣本數(shù)據(jù)集；

根據(jù)樣本數(shù)據(jù)集，采用ELM算法對學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練，得到學(xué)習(xí)模型；

給學(xué)習(xí)模型輸入新的數(shù)據(jù)；

利用最近相鄰匹配算法，將學(xué)習(xí)模型的輸出結(jié)果與已知故障類型進行匹配；

根據(jù)匹配結(jié)果診斷水下航行器電路。

進一步地，所述采用ELM算法對學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練，之后還包括，

利用最近相鄰匹配算法，將訓(xùn)練中學(xué)習(xí)網(wǎng)絡(luò)的輸出結(jié)果與已知故障類型進行匹配，得到學(xué)習(xí)模型的誤差值；

判斷學(xué)習(xí)模型的誤差值是否在允許范圍內(nèi)：

若學(xué)習(xí)模型的誤差值在允許范圍內(nèi)，則進入給學(xué)習(xí)模型輸入新的數(shù)據(jù)；

若學(xué)習(xí)模型的誤差值不在允許范圍內(nèi)，則返回采用ELM算法對學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練。

更進一步地，所述搜集水下航行器電路的故障現(xiàn)象和故障原因，建立樣本數(shù)據(jù)集，具體包括：

搜集水下航行器電路的故障現(xiàn)象和故障原因；

將所述故障現(xiàn)象和故障原因分別等效為現(xiàn)象樣本數(shù)據(jù)和原因樣本數(shù)據(jù)；

對所述現(xiàn)象樣本數(shù)據(jù)和圓心樣本數(shù)據(jù)進行標(biāo)準(zhǔn)歸一化處理，分別得到故障現(xiàn)象數(shù)據(jù)集和故障原因數(shù)據(jù)集；

將故障現(xiàn)象數(shù)據(jù)集和故障原因數(shù)據(jù)集構(gòu)成樣本數(shù)據(jù)集。

再進一步地，所述根據(jù)樣本數(shù)據(jù)集，采用ELM算法對學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練，得到學(xué)習(xí)模型，包括：

設(shè)樣本數(shù)據(jù)集為(X，J)，所述X代表故障現(xiàn)象數(shù)據(jù)集，J代表故障原因數(shù)據(jù)集；

根據(jù)樣本數(shù)據(jù)集為(X，J)，計算學(xué)習(xí)網(wǎng)絡(luò)的輸出值；

構(gòu)建所述學(xué)習(xí)網(wǎng)絡(luò)的輸出方程，所述輸出方程為學(xué)習(xí)模型。