專利名稱：基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法
技術領域：
本發明涉及一種模擬電路故障診斷方法。
背景技術：
在電子設備中，模擬電路是最易發生故障的薄弱環節，對模擬電路進行故障診斷可提高電子設備的維修性。由于模擬電路缺乏良好的故障模型，電路響應與元件參數間存在著復雜的非線性關系以及測點數目的限制等，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別問題。由于具有良好的非線性映射能力、自學習適應能力等，神經網絡在模擬電路智能診斷方法中最為常用。但是，傳統的神經網絡如采用BP反向傳播算法訓練的多層感知器，存在著易陷入局部最小、訓練算法復雜等問題。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下所表現出來的特征。一般地，選擇取值變化對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出的特性，設置電路中電阻和電容工作在允許容差的范圍之內，一般為士5%或士 10%。當電路中的元器件均工作在允許容差內時，電路屬于無故障狀態；當作為故障注入單元的器件中的任何一個高出或低于其正常取值的一定范圍時，而其他器件在允許容差內工作，則認為電路發生故障。為了獲得電路在各種狀態下的工作信息，一般向電路輸入端輸入單位脈沖信號，并采集電路的單位脈沖響應信號。為全面反映電路的工作狀態，輸出信號的采樣間隔一般設置較小，采樣點數較多， 導致特征維數高，為后續的故障分類器訓練帶來困難，直接影響診斷效果。因此，一般需要對診斷數據進行特征提取，改善診斷效果。目前，主要采用小波變換等信號處理方法來進行模擬電路故障數據特征提取。但是，當特征數量較大時，往往需要采用特征選擇的方法來進行進一步的維數約減，以減少特征數量。
發明內容
本發明是為了解決采用傳統神經網絡進行模擬電路故障診斷的診斷精度較低的問題，從而提供一種基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法。基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，它由以下步驟實現步驟一、采用單位脈沖信號激勵電路工作，獲得電路待診斷響應信號，并采集模擬電路的單位脈沖響應輸出信號；步驟二、采用小波變換法對步驟一采集到的模擬電路的單位脈沖響應輸出信號進行處理，獲得故障特征；步驟三、將步驟二獲得的故障特征作為數據樣本，對所述數據樣本進行隨機子空間映射，并輸入至回聲狀態網絡中，采用多儲備池集成分類方法，訓練建立模擬電路故障診斷模型；步驟四、對步驟一獲得的電路待診斷響應信號進行小波變換，獲得故障特征數據， 對所述故障特征數據進行隨機子空間映射，并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果。步驟三中訓練建立模擬電路故障診斷模型的具體方法是步驟A、設置成員分類器數量、子空間維數，生成特征子集；步驟B、設置參數，所述參數包括儲備池處理單元個數、內部連接權譜半徑、輸入伸縮尺度和儲備池稀疏程度，每一個特征子集對應構造一個儲備池；步驟C、對每一個成員分類器，初始化輸入連接權矩陣Win及內部連接權矩陣W ；步驟D、將訓練樣本輸入已初始化的回聲狀態網絡中，收集狀態變量及輸出變量；步驟E、采用嶺回歸方法求解輸出權矩陣W°ut，得到訓練完畢的網絡結構，訓練完成。步驟A中設定成員分類器數量c = 50，子空間維數為「尸/2]，式中，ρ為原始數據特征空間的維數；步驟A中所述的特征子集的生成方法采用均勻分布隨機選取。步驟C中對每一個成員分類器，初始化輸入連接權矩陣Win及內部連接權矩陣W的方法為按照均勻分布隨機生成。步驟D中所述的收集回聲狀態網絡的狀態變量及輸出變量的具體方法是將狀態變量及輸出變量分別輸入至回聲狀態網絡儲備池處理單元激活函數及輸出單元激活函數中處理所述回聲狀態網絡儲備池處理單元采用的激活函數為雙曲正切函數，輸出單元采用的激活函數為恒等函數。所述的收集回聲狀態網絡的狀態變量的方法為收集回聲狀態網絡各個儲備池的狀態變量，并輸入至儲備池處理單元激活函數中處理得到最終的狀態變量，收集至矩陣Μ, 具體為設故障數據樣本數量為a，將回聲狀態網絡的狀態變量^ (η)收集至矩陣M M = [xi; X2, ... , xj e rx(cx 獲得回聲狀態網絡的狀態變量收集結果；式中
‘XcN ⑴
權利要求
1.基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征是它由以下步驟實現步驟一、采用單位脈沖信號激勵電路工作，獲得電路待診斷響應信號，并采集模擬電路的單位脈沖響應輸出信號；步驟二、采用小波變換法對步驟一采集到的模擬電路的單位脈沖響應輸出信號進行處理，獲得故障特征；步驟三、將步驟二獲得的故障特征作為數據樣本，對所述數據樣本進行隨機子空間映射，并輸入至回聲狀態網絡中，采用多儲備池集成分類方法，訓練建立模擬電路故障診斷模型；步驟四、對步驟一獲得的電路待診斷響應信號進行小波變換，獲得故障特征數據，對所述故障特征數據進行隨機子空間映射，并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果。
2.根據權利要求1所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于步驟三中訓練建立模擬電路故障診斷模型的具體方法是步驟A、設置成員分類器數量、子空間維數，生成特征子集；步驟B、設置參數，所述參數包括儲備池處理單元個數、內部連接權譜半徑、輸入伸縮尺度和儲備池稀疏程度，每一個特征子集對應構造一個儲備池；步驟C、對每一個成員分類器，初始化輸入連接權矩陣Win及內部連接權矩陣W ； 步驟D、將訓練樣本輸入已初始化的回聲狀態網絡中，收集狀態變量及輸出變量； 步驟E、采用嶺回歸方法求解輸出權矩陣W°ut，得到訓練完畢的網絡結構，訓練完成。
3.根據權利要求2所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于步驟A中設定成員分類器數量c = 50，子空間維數為「尸，式中，ρ為原始數據特征空間的維數。
4.根據權利要求2所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于步驟A中所述的特征子集的生成方法采用均勻分布隨機選取。
5.根據權利要求2所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于步驟C中對每一個成員分類器，初始化輸入連接權矩陣Win及內部連接權矩陣W的方法為按照均勻分布隨機生成。
6.根據權利要求2所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于步驟D中所述的收集回聲狀態網絡的狀態變量及輸出變量的具體方法是將狀態變量及輸出變量分別輸入至回聲狀態網絡儲備池處理單元激活函數及輸出單元激活函數中處理所述回聲狀態網絡儲備池處理單元采用的激活函數為雙曲正切函數，輸出單元采用的激活函數為恒等函數。
7.根據權利要求6所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于所述的收集回聲狀態網絡的狀態變量的方法為收集回聲狀態網絡各個儲備池的狀態變量，并輸入至儲備池處理單元激活函數中處理得到最終的狀態變量，收集至矩陣Μ，具體為設故障數據樣本數量為a，將回聲狀態網絡的狀態變量^(η)收集至矩陣Μ:Μ= [χ1 J e RaX (cXN)獲得回聲狀態網絡的狀態變量收集結果；式中‘XcN ⑴x =Xcl(2lXc2(2X ■■■ ‘XcN (2)eR'α XjV-yvCN ⑷N為正整數，R為實數空間。
8.根據權利要求6所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于所述的回聲狀態網絡的輸出變量的收集方法為將輸出變量收集至矩陣T T= [(11；(12,... ,dJT e RaXL式中，Cl1, d2，. . .，da分別為a個故障數據樣本對應的故障類別標識；L為輸出單元數。
9.根據權利要求2所述的基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，其特征在于步驟E中所述采用嶺回歸方法求解輸出權矩陣W°ut的方法是Wout = ((MTM+kI) _1ΜτΤ)τ式中，k為嶺參數，I為單位對角矩陣。
全文摘要
基于隨機子空間與多儲備池集成分類的模擬電路故障診斷方法，涉及一種模擬電路故障診斷方法，它解決了采用傳統神經網絡進行模擬電路故障診斷的診斷精度較低的問題。其方法采用單位脈沖信號激勵電路工作，獲得電路待診斷響應信號，采集模擬電路的單位脈沖響應輸出信號；采用小波變換法對模擬電路的單位脈沖響應輸出信號進行處理，獲得故障特征作為數據樣本，進行隨機子空間映射，輸入至回聲狀態網絡中，采用多儲備池集成分類方法，訓練建立診斷模擬電路故障診斷模型；對電路待診斷響應信號進行小波變換，獲得故障特征數據，并進行隨機子空間映射，并輸入至模擬電路故障診斷模型中，獲得并輸出故障診斷結果。本發明適用于模擬電路故障診斷。
文檔編號G01R31/3163GK102262210SQ20111009927
公開日2011年11月30日 申請日期2011年4月20日 優先權日2011年4月20日
發明者彭喜元, 彭宇, 王建民, 郭嘉, 雷苗 申請人:哈爾濱工業大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
