基于连续小波分析和ELM网络的模拟电路故障诊断方法技术

基于连续小波分析和ELM网络的模拟电路故障诊断方法，包括数据获取：将模拟电路的输出响应分别通过Multisim仿真进行数据采样以获得输出响应数据集；特征提取：将电路的输出响应数据集分别作为训练与测试数据集进行连续小波分析以获得小波时频系数矩阵，这些系数矩阵通过分割得到八块相同大小的子矩阵，对子矩阵进行奇异值分解以计算每块子矩阵的Tsallis熵构成相应故障的特征向量；故障分类：各样本的特征向量提交给ELM网络以实现准确、迅速的故障分类。本发明专利技术方法对电路故障的特征提取效果较好，可以实现电路故障准确、高效的分类。

【技术实现步骤摘要】

本专利技术涉及模拟电路故障诊断方法，具体涉及一种基于连续小波分析和ELM网络的模拟电路故障诊断方法。
技术介绍
模拟电路在电子消费品、工业、航天航空和军事等领域中发挥着极其重要的作用。一旦模拟电路发生故障，将会影响电子设备的性能和功能，并导致设备的反应迟缓、功能失效甚至引起灾难性后果。同时随着电子设备的复杂度和密集度在不断提高，其模拟电路存在非线性、器件容差性和响应连续性的特点，因此模拟电路故障定位和排除面临巨大挑战，如何设计出高准确性强实时性的模拟电路故障诊断方法成为该领域的热点与难点。针对模拟电路的故障诊断，已有诸多学者采用小波分析和神经网络分别作为故障特征提取和故障分类的核心技术。相关文献如下：SpinaR,UpadhyayaS.Linearcircuitfaultdiagnosisusingneuromorphicanalyzers[J].Circuits&SystemsIIAnalog&DigitalSignalProcessingIEEETransactionson,1997,44(3):188-196.NegnevitskyM,PavlovskyV.NeuralNetworksApproachtoOnlineIdentificationofMultipleFailureofProtectionSystems[J].IEEETransactionsonPowerDelivery,2005,20(2):588-594.均直接将未经处理的电路输出响应信号作为神经网络的输入，但导致了神经网络训练时间过长，诊断精度过低；AminianM,AminianF.Neural-networkbasedanalog-circuitfaultdiagnosisusingwavelettransformaspreprocessor[J].IEEETransactionsonCircuits&SystemsIIAnalog&DigitalSignalProcessing,2000,47(2):151-156.将主元分析处理后的电路响应的低频小波系数作为故障特征提交给神经网络，虽提高了故障诊断的准确性，但对网络的复杂性未作实质性改进；另外，何星,王宏力,陆敬辉,等.基于优选小波包和ELM的模拟电路故障诊断[J].仪器仪表学报,2013,34(11):2614-2619.是通过计算小波包分析各节点系数的归一化能量值，并将其作为故障特征降低了神经网络的复杂性，但能量数值很小，特征区分不明显。此外，综合上述方法,现有技术存在以下问题:1.上述方法在提取电路故障特征时，通常舍弃了细节小波系数而选取了近似小波系数的归一化能量值作为故障特征。从信息完整的角度来说被丢弃的细节系数对提取的特征全面反映故障信息具有相当的价值。2.传统的前馈神经网络(如：BP，RBF)是故障诊断领域中较为常用的分类器，但是均存在网络学习速度慢、容易陷入局部最优解及过训练等问题。
技术实现思路
针对现有技术存在的上述问题,本专利技术解决的技术问题是如何较为完整地获取故障响应的有用信息；如何有效的刻画故障特征，使得特征彼此之间区别明显；如何更加快速准确地实现故障分类，而提供一种采用连续小波分析和ELM网络分别作为故障特征提取和故障分类的模拟电路故障诊断方法。本专利技术解决其技术问题所采用的技术方案是：基于连续小波变换和ELM网络的模拟电路故障诊断方法，包括以下步骤：(1)数据获取：对模拟电路的输出端进行数据采样以获得输出响应数据集；(2)特征提取：将输出响应数据集分别作为训练集与测试数据集进行连续小波变换，获得故障信号的小波时频系数矩阵，将小波时频系数矩阵分割为八块大小相同的子矩阵，通过对子矩阵进行奇异值分解得到奇异值，计算每块子矩阵奇异值的Tsallis熵，得到的Tsallis熵值构成相应的电路响应故障特征向量；(3)故障分类：将电路响应故障特征向量输入给ELM神经网络，实现模拟电路故障准确、迅速的故障分类。进一步，所述步骤(1)中，数据采样通过Multisim仿真实现。输出响应数据集为所述模拟电路的时域输出电压信号。进一步，所述小波时频系数矩阵可通过下式获得，即：此处，Wx(τ,a)代表信号x(t)的连续小波变换时频系数矩阵；τ与a分别表示连续小波变换的时间参数与频率参数，a>0；表示小波母函数；表示小波基函数，是由小波母函数进行伸缩和平移而形成的一组函数系列，即：将小波时频系数矩阵通过分割法获得的八块子矩阵，可由下式表示：此处，Wx(τ,a)表示m×n维小波时频系数矩阵，此处，B1,B2,B3,B4,B5,B6,B7,B8表示分割后得到的八块子矩阵。所述对子矩阵进行奇异值分解得到奇异值，可由下式表示：Bc×d＝Uc×lAl×lVl×d(4)，此处，Bc×d表示经式(3)分割后得到的c×d维子矩阵；A的主对角线元素λi(i＝1,2,…,l)是Ba×b的奇异值且λ1≥λ2≥…≥λl≥0。l为非零奇异值个数。所述计算每块子矩阵奇异值的Tsallis熵，可由下式表示：此处，WTSE表示计算得到的Tsallis熵值，q表示非广延参数，本专利技术中取c＝1,q＝1.2。通过式(5)计算得到的各子矩阵奇异值的Tsallis熵值组合在一起就构成相应的电路响应故障特征向量。超限学习机(ExtremeLearningMachine,ELM)是在单隐层前馈神经网络(single-hiddenlayerfeedforwardnetworks,SLFNs)的基础上,通过设置合适的隐藏层节点数，为输入权和隐藏层偏差进行随机赋值，直接利用求得的最小范数最小二乘解作为网络输出权值。相对于传统前馈神经网络，ELM学习能力强、处理速度迅速，同时具有待定参数少、效率高等优点。相比现有技术，本专利技术具有如下优点：本专利技术通过连续小波变换较为全面地获取故障信号的有用特征，通过分割法得到八块大小完全相同的子矩阵，将矩阵的局部微小变化突出显示出来，进而通过计算各子矩阵的奇异值的Tsallis熵，从而将故障信息映射到熵空间，从而更加精细地刻画故障特征(各种故障特征之间及故障特征与正常特征之间的区别非常明显)，通过ELM网络实现了更加准确高效快速地故障分类。附图说明图1是故障诊断方法的流程图；图2是四运放低通滤波器电路图；图3是ELM网络的结构图；图4(a)是四运放低通滤波器的B1,B2,B3,B4子矩阵Tsallis熵故障特征图；图4(b)是四运放低通滤波器的B5,B6,B7,B8子矩阵Tsallis熵故障特征图；图5是四运放低通滤波器的故障分类图。具体实施方式下面结合附图和具体实例对本专利技术作进一步详细说明。1.故障诊断方法如图1所示，基于连续小波分析和ELM网络的模拟电路故障诊断方法，具体步骤如下：数据获取：将模拟电路的输出响应通过Multisim仿真，进行数据采样以获得输出响应数据集；特征提取：将仿真获得的电路输出响应数据集作为训练集与测试数据集进行连续小波变换，以获得故障信号的小波时频系数矩阵，将这些系数矩阵分割为八块大小相同的子矩阵，对各个子矩阵进行奇异值分解而得到的奇异值，通过计算各子矩阵的奇异值的Tsallis熵，得到的Tsallis熵值构成相应的电路响本文档来自技高网...

【技术保护点】
基于连续小波分析和ELM网络的模拟电路故障诊断方法，其特征在于，包括数据获取、特征提取与故障分类三个步骤，具体为：数据获取：对模拟电路的输出端进行数据采样以获得输出响应数据集；特征提取：将输出响应数据集分别作为训练集与测试数据集进行连续小波变换，获得故障信号的小波时频系数矩阵，将小波时频系数矩阵分割为八块大小相同的子矩阵，通过对子矩阵进行奇异值分解得到奇异值，计算每块子矩阵奇异值的Tsallis熵，得到的Tsallis熵值构成相应的电路响应故障特征向量；故障分类：将电路响应故障特征向量输入给ELM神经网络，实现模拟电路故障准确、迅速的故障分类。

【技术特征摘要】
1.基于连续小波分析和ELM网络的模拟电路故障诊断方法，其特征在于，包括数据获取、特征提取与故障分类三个步骤，具体为：数据获取：对模拟电路的输出端进行数据采样以获得输出响应数据集；特征提取：将输出响应数据集分别作为训练集与测试数据集进行连续小波变换，获得故障信号的小波时频系数矩阵，将小波时频系数矩阵分割为八块大小相同的子矩阵，通过对子矩阵进行奇异值分解得到奇异值，计算每块子矩阵奇异值的Tsallis熵，得到的Tsallis熵值构成相应的电路响应故障特征向量；故障分类：将电路响应故障特征向量输入给ELM神经网络，实现模拟电路故障准确、迅速的故障分类。2.根据权利要求1所述的基于连续小波分析和ELM网络的模拟电路故障诊断方法，其特征在于，所述小波时频系数矩阵通过下式获得，即：此处，Wx(τ,a)代表信号x(t)的连续小波变换时频系数矩阵；τ与a分别表示连续小波变换的时间参数与频率参数，a>0；表示小波母函数；表示小波基函数，是由小波母函数进行伸缩和平移而形成的一组函数系列，即：3.根据权利要求1或2所述的基于连续小波分析和ELM网络的模拟电路故障诊断方法，其特征在于，将小波时频系数矩阵通过分割法获得的八块子矩阵，由下式表示：Wx(τ,a)=(B1)m2×...

【专利技术属性】
技术研发人员：何怡刚，何威，罗旗舞，李志刚，施天成，汪涛，袁志杰，赵德勤，史露强，何鎏璐，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34