專利名稱：基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種模擬電路故障診斷方法。
背景技術(shù)：
在電子設(shè)備中，模擬電路是最易發(fā)生故障的薄弱環(huán)節(jié)，對(duì)模擬電路進(jìn)行故障診斷可提高電子設(shè)備的維修性。由于模擬電路缺乏良好的故障模型，電路響應(yīng)與元件參數(shù)間存在著復(fù)雜的非線性關(guān)系以及測(cè)點(diǎn)數(shù)目的限制等，模擬電路故障診斷研究尚未成熟。在這種情況下，基于人工智能的方法被引入模擬電路故障診斷中，這類方法將模擬電路故障診斷看作模式識(shí)別問(wèn)題。由于具有良好的非線性映射能力、自學(xué)習(xí)適應(yīng)能力等，神經(jīng)網(wǎng)絡(luò)在模擬電路智能診斷方法中最為常用。但是，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)如采用BP反向傳播算法訓(xùn)練的多層感知器，存在著易陷入局部最小、訓(xùn)練算法復(fù)雜等問(wèn)題。在智能診斷方法中，首先需要從被診斷電路中獲取能夠表征電路特性的信息，即獲得電路在各種工作狀態(tài)下所表現(xiàn)出來(lái)的特征。一般地，選擇取值變化對(duì)電路輸出影響較大的器件作為故障注入單元，為充分研究電路在不同容差條件下所表現(xiàn)出的特性，設(shè)置電路中電阻和電容工作在允許容差的范圍之內(nèi)，一般為士5%或士 10%。當(dāng)電路中的元器件均工作在允許容差內(nèi)時(shí)，電路屬于無(wú)故障狀態(tài)；當(dāng)作為故障注入單元的器件中的任何一個(gè)高出或低于其正常取值的一定范圍時(shí)，而其他器件在允許容差內(nèi)工作，則認(rèn)為電路發(fā)生故障。為了獲得電路在各種狀態(tài)下的工作信息，一般向電路輸入端輸入單位脈沖信號(hào)，并采集電路的單位脈沖響應(yīng)信號(hào)。為全面反映電路的工作狀態(tài)，輸出信號(hào)的采樣間隔一般設(shè)置較小，采樣點(diǎn)數(shù)較多， 導(dǎo)致特征維數(shù)高，為后續(xù)的故障分類器訓(xùn)練帶來(lái)困難，且計(jì)算復(fù)雜度高，直接影響診斷效^ ο

發(fā)明內(nèi)容
本發(fā)明是為了解決采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的診斷精度較低的問(wèn)題，從而提供一種基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法?；谖⒎诌M(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，它由以下步驟實(shí)現(xiàn)步驟一、采用單位脈沖信號(hào)激勵(lì)模擬電路工作，獲得電路待診斷響應(yīng)信號(hào)，采集模擬電路的單位脈沖響應(yīng)輸出信號(hào)；步驟二、采用小波變換法對(duì)步驟一采集到的模擬電路的單位脈沖響應(yīng)輸出信號(hào)進(jìn)行處理，獲得故障特征；步驟三、將步驟二獲得的故障特征作為數(shù)據(jù)樣本，并輸入至回聲狀態(tài)網(wǎng)絡(luò)中，采用微分進(jìn)化算法進(jìn)行訓(xùn)練，并建立模擬電路故障診斷模型；
步驟四、采用小波變換法對(duì)步驟一獲得的電路待診斷響應(yīng)信號(hào)進(jìn)行處理，獲得故障數(shù)據(jù)，并將所述故障數(shù)據(jù)輸入至步驟三中建立的模擬電路故障診斷模型中，獲得并輸出故障診斷結(jié)果；步驟三中建立模擬電路故障診斷模型是采用回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的方法實(shí)現(xiàn)的。步驟三中所述采用微分進(jìn)化算法進(jìn)行訓(xùn)練的具體方法是步驟A、設(shè)定參數(shù)及特征空間范圍，初始化回聲狀態(tài)網(wǎng)絡(luò)的主要參數(shù)，所述參數(shù)包括儲(chǔ)備池處理單元個(gè)數(shù)、內(nèi)部連接權(quán)譜半徑、輸入伸縮尺度和儲(chǔ)備池稀疏程度；構(gòu)建初始種群；步驟B、對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行回聲狀態(tài)網(wǎng)絡(luò)訓(xùn)練，采用數(shù)據(jù)樣本計(jì)算分類錯(cuò)誤率，并將所述錯(cuò)誤率作為適應(yīng)度評(píng)價(jià)函數(shù)值，獲得每個(gè)個(gè)體的適應(yīng)度評(píng)價(jià)函數(shù)值；步驟C、對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行變異和交叉操作，得到臨時(shí)種群，計(jì)算所述臨時(shí)種群適應(yīng)度評(píng)價(jià)函數(shù)值；步驟D、對(duì)臨時(shí)種群中的每個(gè)個(gè)體進(jìn)行選擇，得到新種群；重復(fù)步驟C至步驟D，直到進(jìn)化代數(shù)達(dá)到預(yù)設(shè)的最大進(jìn)化代數(shù)或當(dāng)種群中最佳個(gè)體的適應(yīng)度值小于預(yù)設(shè)的閾值時(shí)，將最后一次迭代的最佳個(gè)體作為同步優(yōu)化結(jié)果。步驟A中所述構(gòu)建初始種群的方法是采用下列公式Xj = X1j + rand. (xj - xLj\j = \,2,... D隨機(jī)產(chǎn)生；式中rand為
之間的隨機(jī)數(shù)，<和<分別代表第j維變量的下界和上界；D為故障特征的維數(shù)。步驟B中所述對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行回聲狀態(tài)網(wǎng)絡(luò)訓(xùn)練的方法為步驟Bi、設(shè)置參數(shù)，所述參數(shù)包括儲(chǔ)備池處理單元個(gè)數(shù)、內(nèi)部連接權(quán)譜半徑、輸入伸縮尺度和儲(chǔ)備池稀疏程度；步驟B2、初始化輸入連接權(quán)矩陣Win及內(nèi)部連接權(quán)矩陣W ；步驟B3、將每個(gè)個(gè)體所選擇的訓(xùn)練樣本的特征輸入至已初始化的回聲狀態(tài)網(wǎng)絡(luò)中，并收集狀態(tài)變量；步驟B4、將步驟B3收集的狀態(tài)變量輸入至儲(chǔ)備池處理單元的激活函數(shù)中進(jìn)行處理，獲得最終的狀態(tài)變量；步驟B5、采用偽逆算法求解輸出權(quán)矩陣W°ut，得到訓(xùn)練完畢的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練完成。步驟C中所述對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行變異操作的過(guò)程中，將變異操作后得到的中間個(gè)體記為Vi,e+1，即VijG+1 = Crl,G+F. (Xr2,G_Xr3,G)其中Γι, r2, r3 e {1,2,…，NP}且 ^ 乒 r2 乒 r3 乒 i，NP為種群規(guī)模；F e
為變異因子；三個(gè)個(gè)體均從種群中隨機(jī)選取。步驟C中，所述對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行交叉操作中，將變異得到的中間個(gè)體VijG+1 = (vlijG+1, v2ijG+1, vDijG+1)
和目標(biāo)個(gè)體Xi, G — (xli G X2i，G，...，xDi, G)按照公式
權(quán)利要求
1.基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征是 它由以下步驟實(shí)現(xiàn)步驟一、采用單位脈沖信號(hào)激勵(lì)模擬電路工作，獲得電路待診斷響應(yīng)信號(hào)，采集模擬電路的單位脈沖響應(yīng)輸出信號(hào)；步驟二、采用小波變換法對(duì)步驟一采集到的模擬電路的單位脈沖響應(yīng)輸出信號(hào)進(jìn)行處理，獲得故障特征；步驟三、將步驟二獲得的故障特征作為數(shù)據(jù)樣本，并輸入至回聲狀態(tài)網(wǎng)絡(luò)中，采用微分進(jìn)化算法進(jìn)行訓(xùn)練，并建立模擬電路故障診斷模型；步驟四、采用小波變換法對(duì)步驟一獲得的電路待診斷響應(yīng)信號(hào)進(jìn)行處理，獲得故障數(shù)據(jù)，并將所述故障數(shù)據(jù)輸入至步驟三中建立的模擬電路故障診斷模型中，獲得并輸出故障診斷結(jié)果；步驟三中建立模擬電路故障診斷模型是采用回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的方法實(shí)現(xiàn)的。
2.根據(jù)權(quán)利要求1所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟三中所述采用微分進(jìn)化算法進(jìn)行訓(xùn)練的具體方法是步驟A、設(shè)定參數(shù)及特征空間范圍，初始化回聲狀態(tài)網(wǎng)絡(luò)的主要參數(shù)，所述參數(shù)包括 儲(chǔ)備池處理單元個(gè)數(shù)、內(nèi)部連接權(quán)譜半徑、輸入伸縮尺度和儲(chǔ)備池稀疏程度；構(gòu)建初始種群；步驟B、對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行回聲狀態(tài)網(wǎng)絡(luò)訓(xùn)練，采用數(shù)據(jù)樣本計(jì)算分類錯(cuò)誤率，并將所述錯(cuò)誤率作為適應(yīng)度評(píng)價(jià)函數(shù)值，獲得每個(gè)個(gè)體的適應(yīng)度評(píng)價(jià)函數(shù)值；步驟C、對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行變異和交叉操作，得到臨時(shí)種群，計(jì)算所述臨時(shí)種群適應(yīng)度評(píng)價(jià)函數(shù)值；步驟D、對(duì)臨時(shí)種群中的每個(gè)個(gè)體進(jìn)行選擇，得到新種群；重復(fù)步驟C至步驟D，直到進(jìn)化代數(shù)達(dá)到預(yù)設(shè)的最大進(jìn)化代數(shù)或當(dāng)種群中最佳個(gè)體的適應(yīng)度值小于預(yù)設(shè)的閾值時(shí)，將最后一次迭代的最佳個(gè)體作為同步優(yōu)化結(jié)果。
3.根據(jù)權(quán)利要求2所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟A中所述構(gòu)建初始種群的方法是采用下列公式χ. = xf + rand · (Xui -xf), / = V2---Dj Jv j ] ”j隨機(jī)產(chǎn)生；式中rand為
之間的隨機(jī)數(shù)，分別代表第j維變量的下界和上界；D為故障特征的維數(shù)。
4.根據(jù)權(quán)利要求2所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟B中所述對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行回聲狀態(tài)網(wǎng)絡(luò)訓(xùn)練的方法為步驟Bi、設(shè)置參數(shù)，所述參數(shù)包括儲(chǔ)備池處理單元個(gè)數(shù)、內(nèi)部連接權(quán)譜半徑、輸入伸縮尺度和儲(chǔ)備池稀疏程度；步驟B2、初始化輸入連接權(quán)矩陣Win及內(nèi)部連接權(quán)矩陣W ；步驟B3、將每個(gè)個(gè)體所選擇的訓(xùn)練樣本的特征輸入至已初始化的回聲狀態(tài)網(wǎng)絡(luò)中，并收集狀態(tài)變量；步驟B4、將步驟B3收集的狀態(tài)變量輸入至儲(chǔ)備池處理單元的激活函數(shù)中進(jìn)行處理，獲得最終的狀態(tài)變量；步驟B5、采用偽逆算法求解輸出權(quán)矩陣W°ut，得到訓(xùn)練完畢的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練完成。
5.根據(jù)權(quán)利要求2所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟C中所述對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行變異操作的過(guò)程中， 將變異操作后得到的中間個(gè)體記為Vwm即
6.根據(jù)權(quán)利要求2所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟C中，所述對(duì)當(dāng)前種群中的每個(gè)個(gè)體，進(jìn)行交叉操作中，將變異得到的中間個(gè)體
7.根據(jù)權(quán)利要求2所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟D中，對(duì)候選個(gè)體Uugh進(jìn)行適應(yīng)度評(píng)價(jià)，然后根據(jù)公式,G+l )么 RX1 ,Gh;'G+1 = I X,G,其他確定是否在下一代中用候選個(gè)體替換當(dāng)前目標(biāo)個(gè)體；f為適應(yīng)度評(píng)價(jià)函數(shù)。
8.根據(jù)權(quán)利要求2所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟D中，對(duì)臨時(shí)種群中的每個(gè)個(gè)體進(jìn)行選擇的方法是在變異、 交叉操作之后，由父代個(gè)體與新產(chǎn)生的候選個(gè)體進(jìn)行競(jìng)爭(zhēng)，根據(jù)優(yōu)勝劣汰的規(guī)則獲得最終的選擇結(jié)果。
9.根據(jù)權(quán)利要求2所述的基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，其特征在于步驟D中，最佳個(gè)體為該代種群中適應(yīng)度值最小的個(gè)體。
全文摘要
基于微分進(jìn)化算法和回聲狀態(tài)網(wǎng)絡(luò)靜態(tài)分類的模擬電路故障診斷方法，涉及一種模擬電路故障診斷方法，它解決了采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的診斷精度較低的問(wèn)題。其方法采用單位脈沖信號(hào)激勵(lì)模擬電路工作，獲得電路待診斷響應(yīng)信號(hào)，并采集模擬電路的單位脈沖響應(yīng)輸出信號(hào)；采用小波變換法對(duì)采集到的模擬電路的單位脈沖響應(yīng)輸出信號(hào)進(jìn)行處理，將獲得故障特征作為數(shù)據(jù)樣本，輸入至回聲狀態(tài)網(wǎng)絡(luò)中，采用微分進(jìn)化算法進(jìn)行訓(xùn)練，建立模擬電路故障診斷模型；采用小波變換法對(duì)電路待診斷響應(yīng)信號(hào)進(jìn)行處理，獲得故障數(shù)據(jù)，輸入至模擬電路故障診斷模型中，獲得并輸出故障診斷結(jié)果。本發(fā)明適用于模擬電路的故障診斷。
文檔編號(hào)G01R31/02GK102253301SQ20111009927
公開(kāi)日2011年11月23日 申請(qǐng)日期2011年4月20日 優(yōu)先權(quán)日2011年4月20日
發(fā)明者彭宇, 楊智明, 王建民, 趙光權(quán), 郭嘉, 雷苗 申請(qǐng)人:哈爾濱工業(yè)大學(xué)