基于回声状态网络同步优化的模拟电路故障诊断方法技术

基于回声状态网络同步优化的模拟电路故障诊断方法，涉及一种模拟电路故障诊断方法。它解决了采用传统神经网络进行模拟电路故障诊断的诊断精度较低的问题。其方法：采用单位脉冲信号激励模拟电路工作，获得电路待诊断响应信号，采集模拟电路的单位脉冲响应输出信号；采用小波变换法对模拟电路的单位脉冲响应输出信号进行处理，获得故障特征并作为数据样本输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，建立模拟电路故障诊断模型；采用小波变换法对电路待诊断响应信号进行处理，获得故障数据，将所述故障数据输入至模拟电路故障诊断模型中，获得并输出故障诊断结果。本发明专利技术适用于模拟电路故障诊断。

【技术实现步骤摘要】

本专利技术涉及一种模拟电路故障诊断方法。
技术介绍
在电子设备中，模拟电路是最易发生故障的薄弱环节，对模拟电路进行故障诊断可提高电子设备的维修性。由于模拟电路缺乏良好的故障模型，电路响应与元件参数间存在着复杂的非线性关系以及测点数目的限制等，模拟电路故障诊断研究尚未成熟。在这种情况下，基于人工智能的方法被引入模拟电路故障诊断中，这类方法将模拟电路故障诊断看作模式识别问题。由于具有良好的非线性映射能力、自学习适应能力等，神经网络在模拟电路智能诊断方法中最为常用。但是，传统的神经网络如采用BP反向传播算法训练的多层感知器，存在着易陷入局部最小、训练算法复杂等问题。在智能诊断方法中，首先需要从被诊断电路中获取能够表征电路特性的信息，即获得电路在各种工作状态下所表现出来的特征。一般地，选择取值变化对电路输出影响较大的器件作为故障注入单元，为充分研究电路在不同容差条件下所表现出的特性，设置电路中电阻和电容工作在允许容差的范围之内，一般为士5%或士 10%。当电路中的元器件均工作在允许容差内时，电路属于无故障状态；当作为故障注入单元的器件中的任何一个高出或低于其正常取值的一定范围时，而其他器件在允许容差内工作，则认为电路发生故障。为了获得电路在各种状态下的工作信息，一般向电路输入端输入单位脉冲信号，并采集电路的单位脉冲响应信号。为全面反映电路的工作状态，输出信号的采样间隔一般设置较小，采样点数较多， 导致特征维数高，为后续的故障分类器训练带来困难，直接影响诊断效果。因此，一般需要对诊断数据进行特征提取，改善诊断效果。目前，主要采用小波变换等信号处理方法来进行模拟电路故障数据特征提取。但是，当特征数量较大时，往往需要采用特征选择的方法来进行进一步的维数约减，以减少特征数量。特征选择与故障分类器的设计有关，若不考虑故障分类器的参数设置，单独进行特征选择，将导致诊断适应性较差，精度较低。
技术实现思路
本专利技术是为了解决采用传统神经网络进行模拟电路故障诊断的诊断精度较低的问题，从而提供一种。，它由以下步骤实现步骤一、采用单位脉冲信号激励模拟电路工作，获得电路待诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；步骤三、将步骤二获得的故障特征作为数据样本，并输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，并根据同步优化选择结果建立模拟电路故障诊断模型；步骤四、采用小波变换法对步骤一获得的电路待诊断响应信号进行处理，获得故障数据，并将所述故障数据输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。步骤三中建立模拟电路故障诊断模型是采用回声状态网络静态分类的方法实现的。步骤三中所述采用微分进化算法进行参数与特征的同步优化选择的具体方法是步骤A、设定参数及特征空间范围，初始化回声状态网络的主要参数，所述参数包括储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；初始化特征，构建初始种群；步骤B、对当前种群中的每个个体，进行回声状态网络训练，采用数据样本计算分类错误率，并将所述错误率作为适应度评价函数值，获得每个个体的适应度评价函数值；步骤C、对当前种群中的每个个体，进行变异和交叉操作，得到临时种群，计算所述临时种群适应度评价函数值；步骤D、对临时种群中的每个个体进行选择，得到新种群；重复步骤C至步骤D，直到进化代数达到预设的最大进化代数或当种群中最佳个体的适应度值小于预设的阈值时，将最后一次迭代的最佳个体作为同步优化结果。步骤A中所述构建初始种群的方法是采用下列公式Xj = Xlj + rand · (xj= 1 2, ...D随机产生；式中rand为之间的随机数，<和<分别代表第j维变量的下界和上界；D为故障特征的维数。步骤B中，所述对当前种群中的每个个体，进行回声状态网络训练的方法为步骤Bi、设置参数，所述参数包括储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；步骤B2、初始化输入连接权矩阵Win及内部连接权矩阵W ；步骤B3、将个体所选择的训练样本的特征输入至已初始化的回声状态网络中，并收集状态变量；步骤B4、将步骤B3收集的状态变量输入至储备池处理单元的激活函数中进行处理，获得最终的状态变量；步骤B5、采用伪逆算法求解输出权矩阵W°ut，得到训练完毕的网络结构，训练完成。步骤C中，所述对当前种群中的每个个体，进行变异操作的过程中，将变异操作后得到的中间个体记为Vi,e+1，即VijG+1 = Xrl,G+F· (Xr2,G-Xr3,G)其中巧，r2，r3e {1，2，…，NP}且 R1 ≠r2 ≠r3 ≠i，NP为种群规模；F e 为变异因子；三个个体均从种群中随机选取。 步骤C中，所述对当前种群中的每个个体，进行交叉操作中，将变异得到的中间个体VijG+1 = (vlijG+1, v2ijG+1, —, VDijG+1)和目标个体Xi, G — (Xii，G' X2i，G'…'XDi，G)‘将所述中间个体和目标个体按照公式本文档来自技高网...

【技术保护点】
１．基于回声状态网络同步优化的模拟电路故障诊断方法，其特征是：它由以下步骤实现：步骤一、采用单位脉冲信号激励模拟电路工作，获得电路待诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；步骤三、将步骤二获得的故障特征作为数据样本，并输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，并根据同步优化选择结果建立模拟电路故障诊断模型；步骤四、采用小波变换法对步骤一获得的电路待诊断响应信号进行处理，获得故障数据，并将所述故障数据输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。

【技术特征摘要】
1.基于回声状态网络同步优化的模拟电路故障诊断方法，其特征是它由以下步骤实现步骤一、采用单位脉冲信号激励模拟电路工作，获得电路待诊断响应信号，并采集模拟电路的单位脉冲响应输出信号；步骤二、采用小波变换法对步骤一采集到的模拟电路的单位脉冲响应输出信号进行处理，获得故障特征；步骤三、将步骤二获得的故障特征作为数据样本，并输入至回声状态网络中，采用微分进化算法进行参数与特征的同步优化选择，并根据同步优化选择结果建立模拟电路故障诊断模型；步骤四、采用小波变换法对步骤一获得的电路待诊断响应信号进行处理，获得故障数据，并将所述故障数据输入至步骤三中建立的模拟电路故障诊断模型中，获得并输出故障诊断结果。2.根据权利要求1所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤三中建立模拟电路故障诊断模型是采用回声状态网络静态分类的方法实现的。3.根据权利要求1所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤三中所述采用微分进化算法进行参数与特征的同步优化选择的具体方法是步骤A、设定参数及特征空间范围，初始化回声状态网络的主要参数，所述参数包括 储备池处理单元个数、内部连接权谱半径、输入伸缩尺度和储备池稀疏程度；初始化特征， 构建初始种群；步骤B、对当前种群中的每个个体，进行回声状态网络训练，采用数据样本计算分类错误率，并将所述错误率作为适应度评价函数值，获得每个个体的适应度评价函数值；步骤C、对当前种群中的每个个体，进行变异和交叉操作，得到临时种群，计算所述临时种群适应度评价函数值；步骤D、对临时种群中的每个个体进行选择，得到新种群；重复步骤C至步骤D，直到进化代数达到预设的最大进化代数或当种群中最佳个体的适应度值小于预设的阈值时，将最后一次迭代的最佳个体作为同步优化结果。4.根据权利要求3所述的基于回声状态网络同步优化的模拟电路故障诊断方法，其特征在于步骤A中所述构建初始种群的方法是采用下列公式...

【专利技术属性】
技术研发人员：彭宇，杨智明，郭嘉，刘大同，雷苗，王建民，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：93