专利名称：基于随机子空间与多储备池集成分类的模拟电路故障诊断方法
技术领域：
本发明涉及一种模拟电路故障诊断方法。
背景技术：
在电子设备中，模拟电路是最易发生故障的薄弱环节，对模拟电路进行故障诊断可提高电子设备的维修性。由于模拟电路缺乏良好的故障模型，电路响应与元件参数间存在着复杂的非线性关系以及测点数目的限制等，模拟电路故障诊断研究尚未成熟。在这种情况下，基于人工智能的方法被引入模拟电路故障诊断中，这类方法将模拟电路故障诊断看作模式识别问题。由于具有良好的非线性映射能力、自学习适应能力等，神经网络在模拟电路智能诊断方法中最为常用。但是，传统的神经网络如采用BP反向传播算法训练的多层感知器，存在着易陷入局部最小、训练算法复杂等问题。在智能诊断方法中，首先需要从被诊断电路中获取能够表征电路特性的信息，即获得电路在各种工作状态下所表现出来的特征。一般地，选择取值变化对电路输出影响较大的器件作为故障注入单元，为充分研究电路在不同容差条件下所表现出的特性，设置电路中电阻和电容工作在允许容差的范围之内，一般为士5%或士 10%。当电路中的元器件均工作在允许容差内时，电路属于无故障状态；当作为故障注入单元的器件中的任何一个高出或低于其正常取值的一定范围时，而其他器件在允许容差内工作，则认为电路发生故障。为了获得电路在各种状态下的工作信息，一般向电路输入端输入单位脉冲信号，并采集电路的单位脉冲响应信号。为全面反映电路的工作状态，输出信号的采样间隔一般设置较小，采样点数较多， 导致特征维数高，为后续的故障分类器训练带来困难，直接影响诊断效果。因此，一般需要对诊断数据进行特征提取，改善诊断效果。目前，主要采用小波变换等信号处理方法来进行模拟电路故障数据特征提取。但是，当特征数量较大时，往往需要采用特征选择的方法来进行进一步的维数约减，以减少特征数量。
发明内容
本发明是为了解决采用传统神经网络进行模拟电路故障诊断的诊断精度较低的问题，从而提供一种基于随机子空间与多储备池集成分类的模拟电路故障诊断方法。基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，它由以下步骤实现步骤一、采用单位脉冲信号激励电路工作，获得电路待诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；步骤三、将步骤二获得的故障特征作为数据样本，对所述数据样本进行随机子空间映射，并输入至回声状态网络中，采用多储备池集成分类方法，训练建立模拟电路故障诊断模型；步骤四、对步骤一获得的电路待诊断响应信号进行小波变换，获得故障特征数据， 对所述故障特征数据进行随机子空间映射，并输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。步骤三中训练建立模拟电路故障诊断模型的具体方法是步骤A、设置成员分类器数量、子空间维数，生成特征子集；步骤B、设置参数，所述参数包括储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度，每一个特征子集对应构造一个储备池；步骤C、对每一个成员分类器，初始化输入连接权矩阵Win及内部连接权矩阵W ；步骤D、将训练样本输入已初始化的回声状态网络中，收集状态变量及输出变量；步骤E、采用岭回归方法求解输出权矩阵W°ut，得到训练完毕的网络结构，训练完成。步骤A中设定成员分类器数量c = 50，子空间维数为「尸/2]，式中，ρ为原始数据特征空间的维数；步骤A中所述的特征子集的生成方法采用均勻分布随机选取。步骤C中对每一个成员分类器，初始化输入连接权矩阵Win及内部连接权矩阵W的方法为按照均勻分布随机生成。步骤D中所述的收集回声状态网络的状态变量及输出变量的具体方法是将状态变量及输出变量分别输入至回声状态网络储备池处理单元激活函数及输出单元激活函数中处理所述回声状态网络储备池处理单元采用的激活函数为双曲正切函数，输出单元采用的激活函数为恒等函数。所述的收集回声状态网络的状态变量的方法为收集回声状态网络各个储备池的状态变量，并输入至储备池处理单元激活函数中处理得到最终的状态变量，收集至矩阵Μ, 具体为设故障数据样本数量为a，将回声状态网络的状态变量^ (η)收集至矩阵M M = [xi; X2, ... , xj e rx(cx 获得回声状态网络的状态变量收集结果；式中
‘XcN ⑴
权利要求
1.基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征是它由以下步骤实现步骤一、采用单位脉冲信号激励电路工作，获得电路待诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；步骤三、将步骤二获得的故障特征作为数据样本，对所述数据样本进行随机子空间映射，并输入至回声状态网络中，采用多储备池集成分类方法，训练建立模拟电路故障诊断模型；步骤四、对步骤一获得的电路待诊断响应信号进行小波变换，获得故障特征数据，对所述故障特征数据进行随机子空间映射，并输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。
2.根据权利要求1所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于步骤三中训练建立模拟电路故障诊断模型的具体方法是步骤A、设置成员分类器数量、子空间维数，生成特征子集；步骤B、设置参数，所述参数包括储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度，每一个特征子集对应构造一个储备池；步骤C、对每一个成员分类器，初始化输入连接权矩阵Win及内部连接权矩阵W ； 步骤D、将训练样本输入已初始化的回声状态网络中，收集状态变量及输出变量； 步骤E、采用岭回归方法求解输出权矩阵W°ut，得到训练完毕的网络结构，训练完成。
3.根据权利要求2所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于步骤A中设定成员分类器数量c = 50，子空间维数为「尸，式中，ρ为原始数据特征空间的维数。
4.根据权利要求2所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于步骤A中所述的特征子集的生成方法采用均勻分布随机选取。
5.根据权利要求2所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于步骤C中对每一个成员分类器，初始化输入连接权矩阵Win及内部连接权矩阵W的方法为按照均勻分布随机生成。
6.根据权利要求2所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于步骤D中所述的收集回声状态网络的状态变量及输出变量的具体方法是将状态变量及输出变量分别输入至回声状态网络储备池处理单元激活函数及输出单元激活函数中处理所述回声状态网络储备池处理单元采用的激活函数为双曲正切函数，输出单元采用的激活函数为恒等函数。
7.根据权利要求6所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于所述的收集回声状态网络的状态变量的方法为收集回声状态网络各个储备池的状态变量，并输入至储备池处理单元激活函数中处理得到最终的状态变量，收集至矩阵Μ，具体为设故障数据样本数量为a，将回声状态网络的状态变量^(η)收集至矩阵Μ:Μ= [χ1 J e RaX (cXN)获得回声状态网络的状态变量收集结果；式中‘XcN ⑴x =Xcl(2lXc2(2X ■■■ ‘XcN (2)eR'α XjV-yvCN ⑷N为正整数，R为实数空间。
8.根据权利要求6所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于所述的回声状态网络的输出变量的收集方法为将输出变量收集至矩阵T T= [(11；(12,... ,dJT e RaXL式中，Cl1, d2，. . .，da分别为a个故障数据样本对应的故障类别标识；L为输出单元数。
9.根据权利要求2所述的基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，其特征在于步骤E中所述采用岭回归方法求解输出权矩阵W°ut的方法是Wout = ((MTM+kI) _1ΜτΤ)τ式中，k为岭参数，I为单位对角矩阵。
全文摘要
基于随机子空间与多储备池集成分类的模拟电路故障诊断方法，涉及一种模拟电路故障诊断方法，它解决了采用传统神经网络进行模拟电路故障诊断的诊断精度较低的问题。其方法采用单位脉冲信号激励电路工作，获得电路待诊断响应信号，采集模拟电路的单位脉冲响应输出信号；采用小波变换法对模拟电路的单位脉冲响应输出信号进行处理，获得故障特征作为数据样本，进行随机子空间映射，输入至回声状态网络中，采用多储备池集成分类方法，训练建立诊断模拟电路故障诊断模型；对电路待诊断响应信号进行小波变换，获得故障特征数据，并进行随机子空间映射，并输入至模拟电路故障诊断模型中，获得并输出故障诊断结果。本发明适用于模拟电路故障诊断。
文档编号G01R31/3163GK102262210SQ20111009927
公开日2011年11月30日 申请日期2011年4月20日 优先权日2011年4月20日
发明者彭喜元, 彭宇, 王建民, 郭嘉, 雷苗 申请人:哈尔滨工业大学