一种基于图神经网络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图神经网络的模拟电路故障诊断方法。该方法在构建故障样本图时，将样本间的结构特征形成结构间的约束，也就是样本节点间的边；在图神经网络对故障样本图进行处理时，提取结构特征和样本的数据特征对样本进行故障状态分类。故障样本图中的这一结构约束，不仅帮助模型提取到更多的有效特征以进行故障分类，从而提升了模型的故障诊断准确率；同时也起到了样本聚类的效果，在训练集样本比例较低的少样本学习中使模型同样具有较好的训练效果。较好的训练效果。较好的训练效果。

【技术实现步骤摘要】
一种基于图神经网络的模拟电路故障诊断方法


[0001]本专利技术涉及模拟电路故障诊断
，更具体的说是涉及一种基于图神经网络的模拟电路故障诊断方法。

技术介绍

[0002]在典型电子设备中，相较于数字电路，模拟电路的故障诊断难度更大、故障发生率更高，规模占比仅为20％的模拟电路却有可能发生80％以上的故障，模拟电路的故障诊断技术制约着整个电子系统故障诊断技术的发展。模拟电路故障按程度可以分为软故障和硬故障。软故障是指电路元件的参数出现超出预定容差范围的偏移而造成的故障，会引起设备性能异常而电路仍能工作。硬故障是指电路元件的某个参数突然出现过大的变化而造成的故障，会导致电子设备发生突发性瘫痪，从而造成重大损失。发生软故障时电路的故障特征没有发生硬故障时明显，导致软故障诊断的难度更大，但为了避免严重损失的发生，仍应在软故障阶段及时将故障诊断出来。提高模拟电路故障诊断准确率，特别是模拟电路软故障诊断准确率，对提升电子设备整体的可靠性至关重要。
[0003]模拟电路的故障诊断方法经历了人工观察法、基于复杂模型的传统诊断法、基于数据驱动的智能诊断法三个发展阶段。随着设备的电路系统中的模拟电路规模越来越大、结构越来越复杂，对其进行诊断的难度也越来越大，前两个阶段的故障诊断方法已不适用于大多数电路。基于数据驱动的智能诊断法结合及机器学习、神经网络、及其他人工智能技术等，无需通过电路拓扑结构、已知参数等建立复杂的诊断模型，便能对不同类型的故障状态进行辨别，在模拟电路故障诊断领域具有很大的优势。近些年，诸如小波变换预处理、一维卷积神经网络、深度置信网络、自适应神经模糊系统等数据信息处理技术的不断发展，也为基于数据驱动的智能诊断方法提供了源源不断的技术支持。虽然结合人工智能技术的基于数据驱动的智能诊断法自其发展至今一直是故障诊断领域研究的主流，但由于受一般人工智能技术自身原理限制，往往只能处理数据结构规则的故障样本数据，从而忽略了样本间的结构特征；为保留样本间的结构特征，可以将故障样本集构建为样本排列结构和顺序不规则的图结构数据。图神经网络就是一种直接定义在图结构数据上进行计算的神经网络，图卷积神经网络是图神经网络的变体模型之一，通过聚合邻居节点和中心节点本身的节点特征，对中心节点进行特征更新，完成一次图卷积计算；堆叠多层图卷积网络，完成对故障样本图中样本的数据特征和样本间的结构特征进行提取，可以有效提高模拟电路故障诊断模型的故障诊断准确率。
[0004]因此，如何提供准确率高的一种基于图神经网络的模拟电路故障诊断方法是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于图神经网络的模拟电路故障诊断方法。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于图神经网络的模拟电路故障诊断方法，包括以下步骤：
[0008]S1.采样电路输出端的脉冲响应信号构建故障样本数据集，每类故障状态均包括至少一组样本数据；
[0009]S2.将所述故障样本数据集分为训练集和测试集；
[0010]S3.以采样样本为节点V，样本的多维数据特征为节点特征，形成节点特征矩阵X，计算节点两两之间的余弦相似度；每个节点与固定数量个最为相似的邻居节点之间的连接关系E作为边，构建故障样本图，所述固定数量通过所述故障样本图中同一类别的训练集样本节点间的连接准确度确定；
[0011]S4.初始化图神经网络参数，在训练阶段，所有节点参与节点特征的前向传输，并仅在训练集节点上进行损失函数的计算及对应参数的优化更新，循环上述过程至模型收敛，建立基于图神经网络的故障诊断分类模型；
[0012]S5.利用基于图神经网络的故障诊断分类模型预测测试集节点的类别标签，输出诊断结果。
[0013]优选的，S3的具体内容包括：
[0014]S31.选择故障样本为节点，样本数据为节点特征，特征维度为N；根据节点特征构建节点间的连接关系：
[0015]针对故障样本集中的任意两个样本x
i
和y
i
，其中i＝1,2,
…
,N，计算两个样本x
i
和y
i
余弦相似度r的方法为：
[0016][0017]其中，余弦相似度定义为样本向量间的夹角余弦值；绝对值越接近1，则样本向量的夹角越接近于0，表明两个样本越相似；
[0018]S32.循环计算每个节点与其余节点的余弦相似度，认为每个节点与固定数量个最为相似的节点属于同一故障状态，在同一故障状态下的节点之间的连接关系作为边；
[0019]S33.确定节点和节点间的连接关系后，构建得到故障样本图。
[0020]优选的，S4中节点特征的前向传输的具体内容包括：
[0021]S411.将所述故障样本图输入所述图神经网络，所述故障样本图节点的连接关系E采用邻接矩阵A表示：
[0022][0023]其中N表示样本数量；
[0024]S412.基于图神经网络的故障诊断分类模型对节点特征进行更新，具体内容包括：
[0025](1)完成节点特征更新，其中第l+1层的节点特征矩阵为：
[0026]H
(l+1)
＝σ(AH
(l)
W
(l)
)
[0027]其中，H
(l)
为第l层的节点特征矩阵，W
(l)
为第l层的权重矩阵，最终输出矩阵为Z，σ(
·
)表示非线性激活函数；
[0028](2)根据邻接矩阵A得到聚合节点本身特征的矩阵
[0029][0030](3)通过聚合节点本身特征的矩阵对节点特征进行更新，具体内容包括：
[0031]获取度矩阵D，所述度矩阵D为对角阵，主对角线上的元素表示对应节点的度，在所述度矩阵D的基础上，将主对角线元素为对应节点的度加一得到使用对进行归一化得到
[0032][0033][0034]根据对图卷积网络层进行改进，改进后的图卷积网络层为：
[0035][0036]堆叠图卷积网络层，获得节点特征的隐式表达，送至下游分类层。
[0037]优选的，S411中将所述故障样本图输入所述图神经网络前进行初始化图神经网络的超参数，所述超参数包括图卷积神经网络层数、隐藏层的节点特征维度、学习率和迭代次数。
[0038]优选的，S4中在训练集节点上进行损失函数的计算及对应参数的优化更新的具体内容包括：
[0039]S421.选择激活函数；在图卷积网络层间激活函数为relu函数，在图神经网络层与分类层间激活函数为log(softmax)函数，其中：
[0040]relu(x)＝max(0，x)
[0041][0042]log(soffmax)函数将节点特征最终的隐式表达映射至(
‑
∞，0)的概率区间内，选取概率最大的类别作为对应样本节点的分类结果；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的模拟电路故障诊断方法，其特征在于，包括以下步骤：S1.采样电路输出端的脉冲响应信号构建故障样本数据集，每类故障状态均包括至少一组样本数据；S2.将所述故障样本数据集分为训练集和测试集；S3.以采样样本为节点V，样本的多维数据特征为节点特征，形成节点特征矩阵X，计算节点两两之间的余弦相似度；每个节点与固定数量个最为相似的邻居节点之间的连接关系E作为边，构建故障样本图，所述固定数量通过所述故障样本图中同一类别的训练集样本节点间的连接准确度确定；S4.初始化图神经网络参数，在训练阶段，所有节点参与节点特征的前向传输，并仅在训练集节点上进行损失函数的计算及对应参数的优化更新，训练至模型收敛，建立基于图神经网络的故障诊断分类模型；S5.利用基于图神经网络的故障诊断分类模型预测测试集节点的类别标签，输出诊断结果。2.根据权利要求1所述的一种基于图神经网络的模拟电路故障诊断方法，其特征在于，S3的具体内容包括：S31.选择故障样本为节点，样本数据为节点特征，特征维度为N；根据节点特征构建节点间的连接关系：针对故障样本集中的任意两个样本x
i
和y
i
，其中i＝1,2,
…
,N，计算两个样本x
i
和y
i
余弦相似度r的方法为：其中，余弦相似度定义为样本向量间的夹角余弦值；绝对值越接近1，则样本向量的夹角越接近于0，表明两个样本越相似；S32.循环计算每个节点与其余节点的余弦相似度，认为每个节点与固定数量个最为相似的节点属于同一故障状态，在同一故障状态下的节点之间的连接关系作为边；S33.确定节点和节点间的连接关系后，构建得到故障样本图。3.根据权利要求1所述的一种基于图神经网络的模拟电路故障诊断方法，其特征在于，S4中节点特征的前向传输的具体内容包括：S411.将所述故障样本图输入所述图神经网络，所述故障样本图节点的连接关系E采用邻接矩阵A表示：其中N表示样本数量；S412.基于图神经网络的故障诊断分类模型对节点特征进行更新，具体内容包括：(1)完成节点特征更新，其中第l+1层的节点特征矩阵为：H
(l+1)
＝σ(AH
(l)
W
(l)
)其中，H
(l)
为第l层的节点特征矩阵，W
(l)
为第l层的权重矩阵，最终输出矩阵为Z，σ(
·
)
表示非...

【专利技术属性】
技术研发人员：杨京礼，李晔，高天宇，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：