基于树搜索极限学习机的电子系统早期故障预测方法技术方案

本发明专利技术公开了一种基于树搜索极限学习机的电子系统早期故障预测方法，先利用电子系统早期的故障信号作为原始的输入信号，采用Volterra级数模型得到预测模型的输入层数据，再利用树搜索方法构造用于预测故障信号的极限学习机，同时采用多维粒子群算法构造极限学习机隐藏层中的神经元，预测故障信号趋势，从而提高电子系统早期的故障信号的预测精度高，且模型精简高效。

Early Fault Prediction Method of Electronic System Based on Tree Search Extreme Learning Machine

【技术实现步骤摘要】
基于树搜索极限学习机的电子系统早期故障预测方法
本专利技术属于故障预测及机器学习
，更为具体地讲，涉及一种基于树搜索极限学习机的电子系统早期故障预测方法。
技术介绍
随着现代电子系统相关科学技术的迅速进步，现代电子系统正向规模大型化，功能多样化，结构复杂化发展。近年来，由电子系统故障造成的灾难性事故时有发生，其造成的损失也在大大增加。因此，对于电子系统早期故障的监测具有极大的应用价值。目前对于故障的监测可分为诊断和预测两种方式。诊断关心系统当前的运行状态，用于判断系统是否发生故障并识别出发生故障的位置。目前在故障诊断领域的研究主要集中在系统的状态评价和故障诊断方面。与监测不同，故障预测以当前状态为起点，结合被预测对象的近期监测数据、环境条件及历史数据，通过相应的预测算法对被检测数据进行分析，对系统未来时刻的运行状态进行预测、分析与决策，以便及时在故障发生之前采取有效措施保证系统的顺利运行。相比于检测，故障预测是更高级的诊断技术，是一门涉及多学科综合的新兴边缘学科。电子系统的状态预测可以实现对故障的提前报警，以便及早采取相应的措施，为系统后续的正常运行争取时间，其次也增加了系统的本文档来自技高网...

【技术保护点】
1.一种基于树搜索极限学习机的电子系统早期故障预测方法，其特征在于，包括以下步骤：(1)、采集电子系统早期的故障信号；(2)、通过最优熵率的方法对早期的故障信号进行相空间重构，构建相空间模型，其中，相空间重构时，将最小熵率对应的延迟时间和嵌入维数作为最优相空间模型的延迟时间和和嵌入维数；(3)、根据相空间模型生成Volterra级数模型，再利用最小角回归法对构造的Volterra级数模型中的参数进行筛选，将筛选后的参数作为输入序列，并将输入序列的数据划分为学习数据集和校正数据集；(4)、随机产生待选池中的隐藏层节点；(5)、根据Volterra级数模型和学习数据集中的数据，基于最大相关度原则，...

【技术特征摘要】
1.一种基于树搜索极限学习机的电子系统早期故障预测方法，其特征在于，包括以下步骤：(1)、采集电子系统早期的故障信号；(2)、通过最优熵率的方法对早期的故障信号进行相空间重构，构建相空间模型，其中，相空间重构时，将最小熵率对应的延迟时间和嵌入维数作为最优相空间模型的延迟时间和和嵌入维数；(3)、根据相空间模型生成Volterra级数模型，再利用最小角回归法对构造的Volterra级数模型中的参数进行筛选，将筛选后的参数作为输入序列，并将输入序列的数据划分为学习数据集和校正数据集；(4)、随机产生待选池中的隐藏层节点；(5)、根据Volterra级数模型和学习数据集中的数据，基于最大相关度原则，利用多粒子群算法选出最优的隐藏层节点；(6)、将最优的隐藏层节点加入当前的网络中，更新输出层和网络当前的输出，再返回步骤(5)搜索下一节点，直至搜索树在该路径下的神经元数目达到最大值；(7)、对搜索树中生成的最终完整路径，利用CP准则得到隐藏层的最终维度和最终的隐藏层结构；(8)、利用最终生成的隐藏层模型，利用训练数据重新训练极限学习机的输入层，得到基于树搜索极限学习机模型；(9)、将待检测电子系统的早期故障信号输入至基于树搜索极限学习机模型中，预测出电子系统的早期故障趋势。2.根据权利要求1所述的基于树搜索极限学习机的电子系统早期故障预测方法，其特征在于，所述步骤(5)中，利用多粒子群算法选出最优的隐藏层节点的方法为：(2.1)、计算待选池中各个神经元节点的输出与当前构建模型的预测残差的相关度；c(wc,j,bc,j)＝(Tlearn-y)Thc,j其中，y为当前模型的输出，Tlearn为系统的实际信号输出，hc,i为第i个节点的隐藏层输出；(2.2)、根据待选池节点权重...

【专利技术属性】
技术研发人员：梅文娟，刘震，程玉华，黄建国，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51