一种基于制造技术

一种基于

【技术实现步骤摘要】
一种基于DL
‑
LLC的模拟电路软故障诊断方法、装置及设备


[0001]本专利技术涉及模拟电路故障诊断

。

技术介绍

[0002]由大量电子电路组成的部件成为电子设备的关键部件，因此提高电子电路的稳定性与可靠性，是保障电子设备正常高效工作的必要条件
。
电子电路主要可分为模拟电路和数字电路，现代电子设备中大部分的电路是数字电路，但
80
％的电路故障都是由模拟电路造成的
。
另外，由于模拟电路具有元件的非线性和容差
、
故障模型的低效
、
可测节点不足
、
测量的不确定性等特点，使得对模拟电路进行故障诊断非常困难
。
因此提出针对模拟电路的高效故障诊断方法是很有必要的
。
[0003]模拟电路故障通常分为硬故障和软故障，硬故障是指电路中的无源器件的短路或者开路故障，通常会导致电路的拓扑结构被破坏，软故障通常指电路中元器件参数偏移超出了容差范围，电路在硬故障状态下通常会停止工作甚至造成严重的破坏，但是电路在软故障状态下通常还能继续工作，更进一步的说，在软故障的初期阶段，即早期故障，由于故障元件超出容差的程度不高，早期故障的故障特征往往不明显，使得诊断的难度提高，需要更加精确的故障诊断方法
。
[0004]近几年，基于深度学习的模拟电路故障诊断方法取得了不错的效果，但是深度学习模型需要从特定电路中得到大量的数据，在样本较少的情况下不能取得较高的精度，而且需要使用复杂的非线性分类器进行分类，增加了测试的时间
。
[0005]因此，如何提供一种能够采用简单线性分类器且能通过少量样本取得较高分类精度的模拟电路软故障诊断方法，成为本领域亟待解决的技术问题
。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提供了一种基于
DL
‑
LLC
的模拟电路软故障诊断方法
、
装置及设备，该方法采用字典学习和局部约束线性编码的方式，能提取更加完备的线性特征，同时保留并增强信号的固有局部特征，能用简单的线性分类器取得良好的故障诊断结果
。
[0007]基于同一专利技术构思，本专利技术具有四个独立的技术方案：
[0008]1、
一种基于
DL
‑
LLC
的模拟电路软故障诊断方法，包括：
[0009]采集模拟电路软故障数据集；
[0010]将所述模拟电路软故障数据集分为训练集和测试集，并进行预处理和局部特征提取，得到局部非线性特征；
[0011]将所述训练集的局部非线性特征输入线性字典特征编码模型进行训练，得到每类故障特征的完备字典集以及训练集线性编码特征；
[0012]基于所述训练集线性编码特征训练分类器；
[0013]将所述测试集的局部非线性特征输入所述每类故障特征的完备字典集，得到测试
集线性编码特征，并将所述测试集线性编码特征输入训练好的所述分类器，实现故障类别诊断
。
[0014]进一步地，所述预处理和局部特征提取，包括如下步骤：
[0015]对所述训练集和所述测试集包含的信号分别进行连续小波变换，得到训练集时频图和测试集时频图；
[0016]基于尺度不变特征变换对所述训练集时频图和所述测试集时频图进行局部特征提取，得到局部非线性特征描述符，用于表征所述局部非线性特征
。
[0017]进一步地，所述线性字典特征编码模型包括依次连接的字典学习层
、
特征编码层
、
池化层和全连接层，所述字典学习层和特征编码层一一对应设置，且有多层；
[0018]训练时，构造每个故障类别的字典组成字典集，并基于所述训练集的局部非线性特征训练所述每个故障类别的字典对应的完备字典，并计算所述训练集中每个训练样本的线性编码特征
。
[0019]进一步地，将所述训练集的局部非线性特征输入线性字典特征编码模型进行训练，包括如下步骤：
[0020]将所述训练集的局部非线性特征输入第一字典学习层，训练得到第一初步完备字典集；
[0021]第一特征编码层利用所述第一字典学习层得到的第一初步完备字典集，将所述训练集的局部非线性特征投射至局部坐标系中，得到第一线性编码特征；
[0022]除第一字典学习层外，其他所述字典学习层依次采用前一字典学习层得到的初步完备字典集作为输入，最后一个字典学习层输出每类故障的完备字典；
[0023]除第一特征编码层以外，其他所述特征编码层依次利用前一字典学习层得到的初步完备字典集，同时计算前一特征编码层计算出的线性编码特征和本层特征编码层的距离作为约束项，计算得到本层的线性编码特征；
[0024]将各个特征编码层计算得到的线性编码特征输入所述池化层和所述全连接层，得到最终的线性编码特征
。
[0025]进一步地，所述第一字典学习层的损失函数表示如下：
[0026][0027]其中，表示第一字典学习层中包含
k
个原子的第
i
类字典，
e
i
代表字典更新中的稀疏因数，
λ
为拉格朗日因数，
F
i
表示输入的局部非线性特征；
[0028]其他所述字典学习层的损失函数表示如下：
[0029][0030][0031]其中，
N
l
＝
c
×
k
l
，
c
表示故障的类别数，
k
l
表示第
l
层的字典原子的个数，
e
il
表示第
l
层的稀疏因数，
D
il
‑1表示第
l
‑1层字典学习层中包含
k
个原子的第
i
类字典，表示第
l
层的字典激活基向量之一
。
[0032]进一步地，第一线性编码特征通过如下公式优化得到：
[0033][0034][0035]其中，
C
表示线性特征集，
s
表示输入的局部非线性特征描述符的个数，
α
表示位置适配器的惩罚系数，
⊙
代表按矩阵元素相乘，代表每个输入的局部非线性特征对应的第一线性编码特征，代表衡量输入的局部非线性特征
F
i
和
D
i1
距离的位置适配器，它赋予每个基向量不同的自由度，此自由度与它与输入的局部非线性特征相似度成正比，表示计算
F
i
和的欧几里得距离，
σ
用于调整位置适配器的权值衰减速度
。
[0036]进一步地，所述分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
DL
‑
LLC
的模拟电路软故障诊断方法，其特征在于，包括：采集模拟电路软故障数据集；将所述模拟电路软故障数据集分为训练集和测试集，并进行预处理和局部特征提取，得到局部非线性特征；将所述训练集的局部非线性特征输入线性字典特征编码模型进行训练，得到每类故障特征的完备字典集以及训练集线性编码特征；基于所述训练集线性编码特征训练分类器；将所述测试集的局部非线性特征输入所述每类故障特征的完备字典集，得到测试集线性编码特征，并将所述测试集线性编码特征输入训练好的所述分类器，实现故障类别诊断
。2.
根据权利要求1所述的模拟电路软故障诊断方法，其特征在于，所述预处理和局部特征提取，包括如下步骤：对所述训练集和所述测试集包含的信号分别进行连续小波变换，得到训练集时频图和测试集时频图；基于尺度不变特征变换对所述训练集时频图和所述测试集时频图进行局部特征提取，得到局部非线性特征描述符，用于表征所述局部非线性特征
。3.
根据权利要求1所述的模拟电路软故障诊断方法，其特征在于，所述线性字典特征编码模型包括依次连接的字典学习层
、
特征编码层
、
池化层和全连接层，所述字典学习层和特征编码层一一对应设置，且有多层；训练时，构造每个故障类别的字典组成完备字典集，并基于所述训练集的局部非线性特征训练所述每个故障类别的字典对应的完备字典，并计算所述训练集中每个训练样本的线性编码特征
。4.
根据权利要求3所述的模拟电路软故障诊断方法，其特征在于，将所述训练集的局部非线性特征输入线性字典特征编码模型进行训练，包括如下步骤：将所述训练集的局部非线性特征输入第一字典学习层，训练得到第一初步完备字典集；第一特征编码层利用所述第一字典学习层得到的第一初步完备字典集，将所述训练集的局部非线性特征投射至局部坐标系中，得到第一线性编码特征；除第一字典学习层外，其他所述字典学习层依次采用前一字典学习层得到的初步完备字典集作为输入，最后一个字典学习层输出每类故障的完备字典；除第一特征编码层以外，其他所述特征编码层依次利用前一字典学习层得到的初步完备字典集，同时计算前一特征编码层计算出的线性编码特征和本层特征编码层的距离作为约束项，计算得到本层的线性编码特征；将各个特征编码层计算得到的线性编码特征输入所述池化层和所述全连接层，得到最终的线性编码特征
。5.
根据权利要求4所述的模拟电路软故障诊断方法，其特征在于，所述第一字典学习层的损失函数表示如下：
其中，表示第一字典学习层中包含
k
个原子的第
i
类字典，
e
i
代表字典更新中的稀疏因数，
λ
为拉格朗日因数，
F
i
表示输入的局部非线性特征；其他所述字典学习层的损失函数表示如下：其他所述字典学习层...

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