一种基于深度波尔兹曼机的模拟电路故障诊断方法技术

本发明专利技术公开了一种基于深度波尔兹曼机的模拟电路故障诊断方法，包括以下步骤：给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号作小波包变换消噪处理后提取候选故障特征信号；对候选特征向量进行标准化处理，得到故障特征向量；将故障特征向量输入到神经网络中进行分类，得到故障诊断结果。本发明专利技术中采用基于小波包变换的候选故障特征向量的提取，提高了故障分辨率；通过归一化处理，有效消除了原变量因量纲不同和数值差异太大带来的影响，实现了故障特征提取；通过采用深度波尔兹曼机，对大量无标签样本进行学习，能够得到大量训练样本，并且深度波尔兹曼机是深层模型，能够更好获得样本内在特征，具有良好分类能力。

【技术实现步骤摘要】

本专利技术属于模拟电路故障诊断领域，涉及一种基于深度波尔兹曼机的模拟电路故障诊断方法。
技术介绍
在当今信息化时代，计算机、通信、自动化系统等电子系统与工业生产和日常生活息息相关，而电路则电子系统的硬件基础，一旦电路发生故障，电子系统乃至整个系统都将无法正常工作。目前，电子设备与人们的生活已经密切相关，己被广泛应用到各个领域。而其运行环境多种多样，从人类普通的生活环境到人类无法生存的恶劣甚至非常恶劣的环境，如超高温、超低温、高湿度、核辐射、高电磁场等环境。随着电子设备广泛运用，人们对电子设备的可靠性指标要求越来越高，并且对某些特殊领域如航空航天，要求则更高。从而要求人们研究新的技术和方法，进一步提高电子设备的可靠性，这就要求当电路发生故障时，能够及时、准确的辨识故障，以便检修和替换。目前，模拟电路的故障诊断方面存在着以下的困难：(1)缺少简单的故障模型；(2)模拟元件参数容差的影响；(3)模拟电路中广泛存在非线性问题；(4)实际的可测节点数有限；(5)实用电路中的反馈回路导致仿真复杂。随着人工智能处理技术的不断发展，如何将人工智能方法与模拟电路故障诊断相结合，成为当时热门研究方向。上个世纪九十年代以后，神经网络、专家系统、模糊理论等逐渐被应用于模拟电路故障诊断中。模拟电路故障涌现出了很多的方法，但是已提出的理论和方法仍然存在许多不足，需要进一步完善。模拟电路故障诊断实际上相当于一个模式识别和分类问题：根据电路的故障特征判断电路状态属于哪个故障类。深度波尔兹曼机作为深度学习中的一种，为模拟电路故障诊断提供了一个新的方向。与常用的BP、RBF神经网络相比，深度波尔兹曼机能够进行无监督学习，在样本的获取上更容易，能够用大量样本进行训练；并且由于是深层模型，能够更好的获取对象的内在特性。因此深度波尔兹曼机在特征表达能力、分类能力方面均具有较大优势。但由于样本数量巨大，训练算法较为复杂，所以训练时间较长。
技术实现思路
为解决模拟电路故障诊断方法存在的上述技术问题,，本专利技术的目的在于提供一种基于深度波尔兹曼机的模拟电路故障诊断方法。对无标签样本采用greedy layerwise算法，逐层向上学习，得到特征；对有标签样本采用BP算法进行fine-tune，形成分类机制。从而实现对模拟电路的故障诊断。该方法在模拟电路故障诊断的识别率明显优于传统模拟电路故障神经网络类诊断方法。为达到上述目的，本专利技术提供如下技术方案：一种基于深度波尔兹曼机的模拟电路故障诊断方法，包括以下步骤：步骤一：即给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；步骤二：对所提取的候选特征向量进行归一化处理，得到故障特征向量；步骤三：训练深度波尔兹曼机。首先将无标签的故障特征向量作为训练样本输入深度波尔兹曼机可见层，采用greedy layerwise方法，自下而上逐层训练；然后利用带标签的训练样本，采用BP算法自上而下进行fine-tune。步骤四：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的RBF神经网络中，对被诊断电路的各种故障进行诊断及识别；步骤五：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。本专利技术的有益技术效果为：本专利技术中采用基于小波包变换的候选故障特征向量的提取，提高了故障的分辨率；通过归一化等预处理形成故障特征，有效地消除了原变量因量纲不同和数值差异太大而带来的影响，实现了故障特征的提取；采用无标签学习的深度波尔兹曼机代替传统的采用有标签学习的神经网络算法进行分类，能够更深层次的获取故障的特征，提高故障的识别率。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术所述故障诊断方法的流程图图2为深度波尔兹曼机的结构图图3为深度波尔兹曼机的无标签训练流程图图4为深度波尔兹曼机的带标签训练流程图下面将结合附图，对本专利技术的优选实施例进行详细的描述。专利技术中采用基于小波包变换的候选故障特征向量的提取，提高了故障的分辨率；通过归一化等预处理形成故障特征，有效地消除了原变量因量纲不同和数值差异太大而带来的影响，实现了故障特征的提取；通过采用深度波尔兹曼机，能够对大量的无标签数据进行学习，使样本的获取更加容易，能够得到大量数据进行训练，并且由于深度波尔兹曼机是深层模型，能够更好的获得样本的内在特征，具有良好的分类能力。图1为本专利技术所述故障诊断方法的流程图。如图所示，该深度波尔兹曼机模拟电路故障诊断包括两个工作过程，即学习过程和诊断实施阶段。本专利技术采用基于深度波尔兹曼机实现模拟电路故障诊断过程如下：(1)对待测的模拟电路施加激励信号，在可测节点测量激励响应信号；(2)将测量的激励响应信号作小波包及改进能量的小波包变换消噪处理，提取各频带内信号的能量特征作为特征向量；(3)将获取的特征向量输入到深度波尔兹曼机中，深度波尔兹曼机的输出即为对被诊断电路的诊断结果。当电路发生故障，其故障信号的特定信息如细微变化及畸变部分则包含在低频和高频段部分，提取故障特征时，用小波及小波包分析，将小波系数转转化成能量作为故障特征向量；按改进能量的小波包变换提取故障时，将各个节点的小波系数转转化成能量作为故障特征向量。图2为具有一层可见层，三层隐含层，且最后一层有l个节点，其余层各有n个节点的深度波尔兹曼机结构。v＝(v1,v2,…,vn)T∈Rn为可见层输入向量； h 1 = ( h 1 1 , h 2 1 , · · · , h n 1 ) T ∈ R n , h 2 = 本文档来自技高网...

【技术保护点】
一种基于深度波尔兹曼机的模拟电路故障诊断方法，即给待测电路施加激励，在电路的测试节点测量激励响应信号；将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号，然后进行标准化处理以提取故障特征信息，再将故障特征信息作为样本输入经过深度波尔兹曼机进行故障分类。具体包括以下步骤：步骤一：给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；步骤二：对所提取的候选特征向量进行标准化处理，得到故障特征向量；步骤三：训练深度波尔兹曼机。首先将无标签的故障特征向量作为训练样本输入深度波尔兹曼机可见层，采用greedy layerwise方法，自下而上逐层训练；然后利用带标签的训练样本，采用BP算法自上而下进行fine‑tune。步骤四：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的深度波尔兹曼机，波尔兹曼机的输出即为故障类型；步骤五：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。

【技术特征摘要】
1.一种基于深度波尔兹曼机的模拟电路故障诊断方法，即给待测电路施加激励，在电路的测试节点测量激励响应信号；将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号，然后进行标准化处理以提取故障特征信息，再将故障特征信息作为样本输入经过深度波尔兹曼机进行故障分类。具体包括以下步骤：
步骤一：给待测电路施加激励，在电路的测试节点测量激励响应信号，将测量的响应信号(故障信号的低频特征和高频特征)，作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号；
步骤二：对所提取的候选特征向量进行标准化处理，得到故障特征向量；
步骤三：训练深度波尔兹曼机。首先将无标签的故障特征向量作为训练样本输入深度波尔兹曼机可见层，采用greedy layerwise方法，自下而上逐层训练；然后利用带标签的训练样本，采用BP算法自上而下进行fine-tune。
步骤四：在诊断实施时，对被测电路施加激励信号，提取相应的故障特征，输入到已经训练好的深度波尔兹曼机，波尔兹曼机的输出即为故障类型；
步骤五：对于测试中不能识别的故障特征，确定其是否为新故障特征(模式)，加入训练样本集。
2.根据权利要求1所述的基于深度波尔兹曼机的模拟电路故障诊断方法，其特征在于：步骤一中，当电路发生故障，其故障信号的特定信息如细微变化及畸变部分包含在低频和高频段部分，将测量的响应信号作小波包及改进能量的小波包变换消噪处理后提取候选故障特征信号。
3.根据权利要求1所述的基于深度波尔兹曼机的模拟电路故障诊断方法，其特征在于：步骤...

【专利技术属性】
技术研发人员：魏善碧，柴毅，罗宇，唐健，陈淳，邓萍，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85