一种基于深度学习的模拟电路故障诊断方法技术

本发明专利技术的一个实施例公开一种基于深度学习的模拟电路故障诊断方法，该方法包括：S10、搭建深度学习故障诊断模型中的深度学习网络；S20、采集模拟电路的输出时域脉冲响应信号，包括训练集和测试集；S30、对所述训练集和测试集分别作归一化处理，获得所述训练集和测试集的归一化脉冲响应信号；S40、将所述训练集的归一化脉冲响应信号作为输入，将采集所述训练集时设置的故障标签作为输出，训练所述深度学习故障诊断模型，得到所述模拟电路的故障诊断模型；S50、将所述测试集的归一化脉冲响应信号作为所述模拟电路的故障诊断模型的输入，得到所述测试集的诊断状态。

【技术实现步骤摘要】
一种基于深度学习的模拟电路故障诊断方法
本专利技术涉及故障诊断
，更具体地，涉及一种基于深度学习的模拟电路故障诊断方法。
技术介绍
目前，随着电子技术的发展，电子设备趋于集成化以及复杂化发展。而据统计在电子设备中发生的故障有80％是由模拟电路故障所引起的。在故障发生后，对于故障类型的判断以及故障的快速定位就显得极为重要。由于模拟电路的非线性因素以及模拟电路元件容差的存在，导致对模拟电路的故障模型难以建立。因此，在元件容差的条件下，如何对模拟电路的故障元件进行定位显得尤为重要。对于常用的模拟电路故障诊断为基于数学模型的故障诊断方法、基于数据驱动的故障诊断方法。基于数学模型的故障诊断方法其优点在于模型可靠性较高，但对于不同元件容差难以建立较好的故障数学模型。基于数据驱动的故障诊断方法在于通过大量的数据建立可训练、可调节的模型。随着计算机技术、机器学习、人工智能的飞速发展，使得深度学习在数据驱动的故障诊断领域有着较好的表现。而目前深度学习有三种：深度学习故障诊断模型、卷积神经网络、循环神经网络。循环神经网络中变体长短时记忆网络(LSTM本文档来自技高网...

【技术保护点】
1.一种基于深度学习的模拟电路故障诊断方法，其特征在于，该方法包括：/nS10、搭建深度学习故障诊断模型中的深度学习网络；/nS20、采集模拟电路的输出时域脉冲响应信号，包括训练集和测试集；/nS30、对所述训练集和测试集分别作归一化处理，获得所述训练集和测试集的归一化脉冲响应信号；/nS40、将所述训练集的归一化脉冲响应信号作为输入，将采集所述训练集时设置的故障标签作为输出，训练所述深度学习故障诊断模型，得到所述模拟电路的故障诊断模型；/nS50、将所述测试集的归一化脉冲响应信号作为所述模拟电路的故障诊断模型的输入，得到所述测试集的诊断状态。/n

【技术特征摘要】
1.一种基于深度学习的模拟电路故障诊断方法，其特征在于，该方法包括：
S10、搭建深度学习故障诊断模型中的深度学习网络；
S20、采集模拟电路的输出时域脉冲响应信号，包括训练集和测试集；
S30、对所述训练集和测试集分别作归一化处理，获得所述训练集和测试集的归一化脉冲响应信号；
S40、将所述训练集的归一化脉冲响应信号作为输入，将采集所述训练集时设置的故障标签作为输出，训练所述深度学习故障诊断模型，得到所述模拟电路的故障诊断模型；
S50、将所述测试集的归一化脉冲响应信号作为所述模拟电路的故障诊断模型的输入，得到所述测试集的诊断状态。


2.根据权利要求1所述的方法，其特征在于，所述S10还包括：
利用MATLAB搭建深度学习故障诊断模型中的深度学习网络，所述深度学习网络的结构从上到下连接，依次包括输入层、LSTM网络、第一全连接层、第二全连接层、第三全连接层、softmax分类层和输出层。


3.根据权利要求1所述的方法，其特征在于，所述S20还包括：
利用PSPICE软件对模拟电路进行仿真，将所述模拟电路的输出端作为测试点，获得脉冲响应信号，将所述脉冲响应信号作为所述模拟电路的输入激励信号，获得所述模拟电路的输出时域脉冲响应信号，采集训练集的输出时域脉冲响应信号作为故障标签下的故障信号，采集测试集的输出时域脉冲响应信号作为测试信号，
其中，所述模拟电路的任一元件被置于故障状态，其余元件被置于正常容差状态。


4.根据权利要求1所述的方法，其特征在于，所述S30还包括：对采集的所述训练集和所述测试集的输出时域脉冲响应信号作归一化处理的方式为：



其中，x为某一时刻的采集的时域脉冲响应信号，xmin为本次脉冲响应信号中的最小值，xmax为本次脉冲响应信号中的最大值，为归一化结果。


5.根据权利要求1所述的方法，其特征在于，所述模拟电路的故障诊断模型包括：
S401、所述LSTM网络的前向传播，其中包括遗忘门、更新门和输出门的前向传播，细胞状态的更新和单个细胞的输出；
S4010、所述LSTM网络的遗忘门的前向传播为：
f(t)＝σ(Wfaa(t-1)+Wfxx(t)+bf)
其中，Wfa和Wfx为遗忘门权重系数，a(t-1)为t-1时刻的LSTM隐藏输出状态，bf为遗忘门偏置，σ为遗忘门激活函数sigmoid，f(t)为t时刻遗忘门输出状态，x(t)为训练集输入状态；
S4012、所述LSTM网络的更新门的前向传播为：
i(t)＝σ(Wiaa(t-1)+Wixx(t)+bi)
其中，Wia和Wix为更新门权重系数，a(t-1)为t-1时刻的LSTM隐藏输出状态，bi为更新门偏置，σ为更新门激活函数sigmoid，i(t)为t时刻更新门输出状态，x(t)为训练集输入状态；
S4014、所述LSTM网络的细胞状...

【专利技术属性】
技术研发人员：陈锡禹，曹凯，杨丽娜，陈微，陶艳玲，丁扬，张文谦，高建，
申请(专利权)人：北京无线电计量测试研究所，
类型：发明
国别省市：北京;11