一种基于多输入残差网络的模拟滤波电路故障诊断方法技术

本发明专利技术公开了一种基于多输入残差网络的模拟滤波电路故障诊断方法，先设置蒙特卡洛分析相关参数，通过蒙特卡洛统计分析方法对模拟滤波电路进行仿真分析，得到不同故障状态下模拟滤波电路输出端的电压信号；再利用经验小波变换得到电压信号的模态分量，将其分别组成训练集和测试集，将训练集用于训练多输入ResNet，将测试集用于测试，并保存测试精度最高时对应的多输入ResNet模型及参数Parameters；最后通过训练好的多输入ResNet模型和Parameters诊断模拟滤波电路未知的故障状态。状态。状态。

【技术实现步骤摘要】
一种基于多输入残差网络的模拟滤波电路故障诊断方法


[0001]本专利技术属于模拟电路故障诊断
，更为具体地讲，涉及一种基于多输入残差网络的模拟滤波电路故障诊断方法。

技术介绍

[0002]随着电子电路行业的快速发展，电子电路的集成度不断提高，其功能性和模块化要求越来越明显，对电子电路系统运行可靠性的要求也越来越高。据统计显示，电路中近80％是数字电路，但电路近80％的故障由模拟电路产生。模拟滤波电路因其良好的性能常被作为滤波模块应用在电子电路的模拟部分。若模拟滤波电路在使用时出现故障，必然会影响模拟电路整体的性能，造成不可避免的损失，因此及时地对模拟滤波电路进行故障诊断是非常必要的。
[0003]近年来，大量基于特征提取和分类器相结合的模拟滤波电路故障诊断方法被相继提出，但这类方法需要进行特征的提取、选择或融合，相比于自适应提取特征的神经网络算法，该方法更加的冗杂。但传统的基于神经网络的模拟滤波电路故障诊断方法仅对原始信号进行处理，未充分考虑电路故障时滤波性能与原始信号分量之间的联系，限制了模拟滤波电路故障诊断准确率的提升。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于多输入残差网络的模拟滤波电路故障诊断方法，通过将经验小波变换与多输入残差网络(Residual network，ResNet)相结合，实现模拟滤波电路的故障诊断，提高故障诊断的精度。
[0005]为实现上述专利技术目的，本专利技术一种基于多输入残差网络的模拟滤波电路故障诊断方法，其特征在于，包括以下步骤：
[0006](1)、利用蒙特卡洛分析方法对待测模拟滤波电路进行仿真分析，获取k种故障状态下电路输出端k
×
n组采样点数为M的电压信号v
ij
(t)，i＝1,2,
…
,k,j＝1,2,
…
,n，n表示在待测模拟滤波电路的输出端采集电压信号的组数；
[0007](2)、利用传统的经验小波变换算法对电压信号v
ij
(t)进行分解，得到的m个模态分量，其中第q个模态分量表示为ewt
ijq
(t)，q＝1,2,
…
,m，然后将m个模态分量组成特征向量ewt
ij
＝[ewt
ij1
；ewt
ij2
；
…
；ewt
ijq
(t)；
…
；ewt
ijm
]；
[0008](3)、将k种故障状态下的n个ewt
ij
按照r1:r2的比例随机分配，分别组成训练数据集验证数据集
[0009](4)、将ewt
ij
所对应的故障状态的序号i作为标签，为训练数据集和验证数据集分别加载标签，构建多输入残差网络模型的训练集
和验证集
[0010](5)、搭建多输入残差网络，用train_set进行多输入残差网络模型的训练，用validation_set对train_set训练的模型进行验证，得到最优的多输入残差网络模型model
max
；
[0011](5.1)、设置多输入残差网络模型的训练轮次为N，每一轮训练时输入的样本大小设置为batch_size；train_set完全输入到多输入残差网络需t次迭代，每次迭代向多输入残差网络输入记为train_set
p
，p＝1
…
t，
[0012](5.2)、train_set
p
输入至多输入残差网络，通过Softmax函数预测出train_set
p
中第q个样本的预测标签属于加载标签i的概率pro
qi
，q＝1
…
batch_size，计算本次迭代中train_set
p
训练多输入残差网络所得到的训练损失TL
mp
，m＝1
…
N；
[0013][0014]其中，y
qi
等于0或1，当y
qi
等于1时表示train_set
p
中第q个样本加载的标签为i，当y
qi
等于0时表示train_set
p
中第q个样本加载的标签不为i；
[0015](5.3)、利用L
Pt
进行反向传播更新多输入残差网络；
[0016](5.4)、重复步骤(5.2)
‑
(5.3)t次，直至将train_set中的样本全部输入至多输入残差网络，从而完成本轮训练，然后保存本轮训练完成后的训练损失和多输入残差网络模型model
m
；
[0017](5.5)、将validation_set输入至本轮保存的多输入残差网络模型model
m
，预测出标签值，再计算验证精度Vacc
m
；
[0018][0019]其中，e
r
等于1或0，若validation_set中第r个样本通过模型model
m
预测得到的标签与validation_set中该样本所加载的标签相同则取值为1，否则取值为0；
[0020](5.6)、重复步骤(5.2)
‑
(5.5)N轮，得到N个多输入残差网络模型及验证精度，记为model＝[model1…
model
m
…
model
N
],Vacc＝[Vacc1…
Vacc
m
…
Vacc
N
]；
[0021](5.7)、利用Vacc中最大值所在的索引index
max
，得到N轮训练后的最优模型model
max
＝model[index
max
]，并作为待测模拟滤波电路的故障预测模型；
[0022](6)、按照步骤(1)
‑
(2)所述方法获取待测模拟滤波电路在未知故障状态下的一组特征向量，然后输入至故障预测模型，从而得到待测模拟滤波电路所处的故障状态i。
[0023]本专利技术的专利技术目的是这样实现的：
[0024]本专利技术基于多输入残差网络的模拟滤波电路故障诊断方法，先设置蒙特卡洛分析相关参数，通过蒙特卡洛统计分析方法对模拟滤波电路进行仿真分析，得到不同故障状态下模拟滤波电路输出端的电压信号；再利用经验小波变换得到电压信号的模态分量，将其分别组成训练集和测试集，将训练集用于训练多输入ResNet，将测试集用于测试，并保存测试精度最高时对应的多输入ResNet模型及参数Parameters；最后通过训练好的多输入ResNet模型和Parameters诊断模拟滤波电路未知的故障状态。
[0025]本专利技术基于多输入残差网络的模拟滤波电路故障诊断方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多输入残差网络的模拟滤波电路故障诊断方法，其特征在于，包括以下步骤：(1)、利用蒙特卡洛分析方法对待测模拟滤波电路进行仿真分析，获取k种故障状态下电路输出端k
×
n组采样点数为M的电压信号v
ij
(t)，i＝1,2,
…
,k,j＝1,2,
…
,n，n表示在待测模拟滤波电路的输出端采集电压信号的组数；(2)、利用传统的经验小波变换算法对电压信号v
ij
(t)进行分解，得到的m个模态分量，其中第q个模态分量表示为ewt
ijq
(t)，q＝1,2,
…
,m，然后将m个模态分量组成特征向量ewt
ij
＝[ewt
ij1
；ewt
ij2
；
…
；ewt
ijq
(t)；
…
；ewt
ijm
]；(3)、将k种故障状态下的n个ewt
ij
按照r1:r2的比例随机分配，分别组成训练数据集验证数据集(4)、将ewt
ij
所对应的故障状态的序号i作为标签，为训练数据集和验证数据集分别加载标签，构建多输入残差网络模型的训练集和验证集(5)、搭建多输入残差网络，用train_set进行多输入残差网络模型的训练，用validation_set对train_set训练的模型进行验证，得到最优的多输入残差网络模型model
max
；(5.1)、设置设置多输入残差网络模型的训练轮次为N，每一轮训练时输入的样本大小设置为batch_size；train_set完全输入到多输入残差网络需t次迭代，每次迭代向多输入残差网络输入记为train_set
p
，p＝1
…
t，(5.2)、train_set
p
输入至多输入残差网络，通过Softmax函数预测出train_set
p
中第q个样本的预测标签属于加载标签i的概率pro
qi
，q＝1
…
batch_size，计算本次迭代中train_set
p
训练多输入残差网络所得到的训练损失TL
mp
，m＝1
…
N；其中，y
qi
等于0或1，当y
qi
等于1时表示train_set
p
中第q个样本加载的标签为i，当y
qi
等于0时表示train_set
p
中第q个样本加载的标签不为i；(5.3)、利用L
Pt
进行反向传播更新多输入残差网络；(5.4)、重复步骤(5.2)
‑
(5.3)t次，直至将train_set中的样本全部输入至多输入残差
网络，从而完成本轮训练，...

【专利技术属性】
技术研发人员：刘震，刘雪梅，王俊海，龙兵，周秀云，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：