【技术实现步骤摘要】
本专利技术涉及电磁干扰诊断方法，更具体地说，涉及一种基于深度学习的电磁干扰诊断方法。
技术介绍
1、目前人们所处的电子和系统环境越来越复杂，设备和设备之间会产生相应的电磁干扰，为了保证设备和系统的正常运行，电磁干扰检测成为了保障电磁环境安全的必要手段，它可以避免或者减少电磁干扰问题产生的影响。面对电磁干扰问题，最好的办法就是在设计初期以及问题发生时及时对问题进行干扰诊断。
2、传统的电磁干扰问题主要还是依赖于人工干预，需要通过工程师的个人经验进行故障查找。但是由于现在的设备和系统集成度越来越高，内部结构复杂，并且各功能模块相互耦合，导致电磁干扰诊断变得困难。并且对于工程师来说很难快速准确的诊断出电磁干扰源，则需要寻找一种无需人工参与自动化的快速检测方式。
3、近几年，深度学习已经在许多故障检测领域有着很好的表现，其有自动学习的能力，可以通过构建不同深度的网络很好的学习数据和分类之间的映射关系，避免了人工特征提取的不全面和不准确性。针对电磁干扰领域，有学者使用resnet网络构建电磁干扰诊断模型，以及使用基于cnn模型的度量学习方法进行电磁兼容故障诊断，虽然以上方法实现了诊断能力，但是并没有针对电磁干扰小样本情况采取相应的措施，并且在模型输入上并没有做相应处理，诊断可靠性还需提高。说明目前需要考虑的不仅要在寻找合适的诊断模型，同时还需要针对小样本特性进行研究。
技术实现思路
1、本专利技术要解决的技术问题在于，针对电磁干扰诊断不及时，诊断准确率低等问题，提供一
2、本专利技术解决其技术问题所采用的技术方案是：构造一种基于深度学习的电磁干扰诊断方法，包括以下步骤：
3、1、一种基于深度学习的电磁干扰诊断方法，其特征在于，包括以下步骤：
4、s1、获取历史电磁干扰测试数据，为不同故障分类使用dm-wgan网络各自的自适应地生成高质量的伪样本，将得到伪样本和历史数据样本混合得到扩充后的样本集；
5、s2、对s1得到的样本集，采用小波包分解方法进行4层分解，并计算分解系数的能量综合特征值，得到降维后的一维能量综合特征矩阵；
6、s3、对s1得到的样本集，采用自适应阈值峰值提取法，得到降维后的一维峰值特征矩阵；
7、s4、搭建基于emsc的多通道double-1d-cnn模型，将s2、s3中得到的一维能量综合特征矩阵和峰值特征矩阵输入到模型中进行训练，通过不断迭代，得到训练完成后的电磁干扰诊断模型；
8、s5、将待预测数据进行s2、s3降维处理获得一维能量综合特征矩阵和峰值特征矩阵，再通过s4中训练完成的基于emsc的多通道double-1d-cnn模型进行电磁干扰诊断，从而得到待预测数据故障分类。
9、2、根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤s1中，对所述生成高质量的伪样本xv具体为：
10、s101、获取的历史的电磁干扰故障测试数据为信号，将样本分为训练集和测试集，同时获取到正常的测试数据为信号xz；
11、s102、对训练集中信号xa都进行故障分割，将信号中超标频段数据提取，得到超标频段集xc；
12、s103、构建dm-wgan网络，对s102步骤得到的信号xc，生成相应的大量超标频段扩充样本xc'；
13、s104、构建dm-wgan网络，将s101步骤得到的xz数据集和s103步骤得到的xc'数据进行线性叠加组合(xz+xc')，(xz+xc')与故障测试数据xa同时作为dm-wgan网络输入，最终不断迭代训练，生成大量扩充的故障伪样本xv；
14、s105、将s104得到的大量扩充故障伪样本xv和训练集混合，得到扩充后的训练集xa′；
15、3、根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤s2中，对所述一维能量综合特征矩阵具体为：
16、s201、选择小波包函数，选用symlet小波函数进行小波分解，具体的，在固定尺度下定义一组小波包的函数表达式：
17、
18、其中,hk、gk表示低通滤波系数和高通滤波系数，μ为小波包；
19、s202、将xa′分为三个频段x1′(30mhz-200mhz)、x2′(200mhz-400mhz)和x3′(400mhz-1ghz)；
20、s203、设置小波包分解层数为4，分别对x1′、x2′、x3′的进行分解，第4层分解时每个频段得到8个低频分解频段和8个高频分解频段，综合起来48个分解频段；
21、s204、每个分解频段求其对应的能量综合特征矩阵p，最后得到能量综合特征矩阵大小为1×144；
22、4、根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤s3中，对所述一维峰值特征矩阵具体为：
23、s301、设样本中其中一个原始信号为xa1′，滑动窗口大小为w，计算窗口范围内数据的二范数和标准差；
24、s302、设置自适应阈值，判断是否为需要保留下来的峰值信息；
25、s303、从头遍历数据样本xa1′，得到降维后的一维峰值特征矩阵；
26、5、根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤s4中，对所述基于emsc的多通道double-1d-cnn模型具体为：
27、s401、分别针对这两个特征向量构建基于emsc的多通道double-1d-cnn模型，进行特征提取，构建的两个模型的输出特征通过通道融合得到的双通道的输出特征图；
28、s402、使用步骤s2、s3处理后的训练集数据的能量综合特征和峰值特征向量作为模型输入；
29、s403、进行多轮迭代训练，得到训练完成的基于emsc的多通道double-1d-cnn模型；
30、6、根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤s5中，对所述电磁干扰诊断具体为：
31、s501、获取到待预测电磁干扰测试数据xp；
32、s502、使用小波包方法对数据进行处理，得到降维后的一维特征矩阵；
33、s503、使用自适应阈值峰值提取法对数据进行处理，得到降维后的峰值特征；
34、s504、将s502、s503步骤处理后得到的特征矩阵，送入到已经训练好的基于emsc的多通道double-1d-cnn模型中，实现电磁干扰诊断。
35、综上所述，本专利技术有益效果是：
36、1.本专利技术针对电磁干扰检测样本数过少的问题，提出一种针对信号故障数据增强的dm-wgan方法，为不同故障源分类自适应地生成高质量的多样化的伪样本，解决了小样本问题带来的故障信息缺失和模型精度不高、性能低的问题。
37、2.本专利技术是基于深度学习的电磁干扰诊断方法本文档来自技高网...
【技术保护点】
1.一种基于深度学习的电磁干扰诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤S1中，对所述生成高质量的伪样本Xv具体为：
3.根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤S2中，对所述一维能量综合特征矩阵具体为：
4.根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤S3中，对所述一维峰值特征矩阵具体为：
5.根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤S4中，对所述基于EMSC的多通道double-1D-CNN模型具体为：
6.根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤S5中，对所述电磁干扰诊断具体为：
【技术特征摘要】
1.一种基于深度学习的电磁干扰诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤s1中，对所述生成高质量的伪样本xv具体为：
3.根据权利要求1所述的一种基于深度学习的电磁干扰诊断方法，其特征在于，步骤s2中，对所述一维能量综合特征矩阵具体为：
4.根据权利要求1所述的一种...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。