[发明专利]基于连续小波分析和ELM网络的模拟电路故障诊断方法

说明书

基于连续小波分析和ELM网络的模拟电路故障诊断方法，包括数据获取：将模拟电路的输出响应分别通过Multisim仿真进行数据采样以获得输出响应数据集；特征提取：将电路的输出响应数据集分别作为训练与测试数据集进行连续小波分析以获得小波时频系数矩阵，这些系数矩阵通过分割得到八块相同大小的子矩阵，对子矩阵进行奇异值分解以计算每块子矩阵的Tsallis熵构成相应故障的特征向量；故障分类：各样本的特征向量提交给ELM网络以实现准确、迅速的故障分类。本发明方法对电路故障的特征提取效果较好，可以实现电路故障准确、高效的分类。

技术领域

本发明涉及模拟电路故障诊断方法，具体涉及一种基于连续小波分析和ELM网络的模拟电路故障诊断方法。

背景技术

模拟电路在电子消费品、工业、航天航空和军事等领域中发挥着极其重要的作用。一旦模拟电路发生故障，将会影响电子设备的性能和功能，并导致设备的反应迟缓、功能失效甚至引起灾难性后果。同时随着电子设备的复杂度和密集度在不断提高，其模拟电路存在非线性、器件容差性和响应连续性的特点，因此模拟电路故障定位和排除面临巨大挑战，如何设计出高准确性强实时性的模拟电路故障诊断方法成为该领域的热点与难点。

针对模拟电路的故障诊断，已有诸多学者采用小波分析和神经网络分别作为故障特征提取和故障分类的核心技术。相关文献如下：Spina R,Upadhyaya S.Linear circuitfault diagnosis using neuromorphic analyzers[J].Circuits&Systems II Analog&Digital Signal Processing IEEE Transactions on,1997,44(3):188-196.NegnevitskyM,Pavlovsky V.Neural Networks Approach to Online Identification of MultipleFailure of Protection Systems[J].IEEE Transactions on Power Delivery,2005,20(2):588-594.均直接将未经处理的电路输出响应信号作为神经网络的输入，但导致了神经网络训练时间过长，诊断精度过低；Aminian M,Aminian F.Neural-network basedanalog-circuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Transactions on Circuits&Systems II Analog&Digital Signal Processing,2000,47(2):151-156.将主元分析处理后的电路响应的低频小波系数作为故障特征提交给神经网络，虽提高了故障诊断的准确性，但对网络的复杂性未作实质性改进；另外，何星,王宏力,陆敬辉,等.基于优选小波包和ELM的模拟电路故障诊断[J].仪器仪表学报,2013,34(11):2614-2619.是通过计算小波包分析各节点系数的归一化能量值，并将其作为故障特征降低了神经网络的复杂性，但能量数值很小，特征区分不明显。此外，综合上述方法,现有技术存在以下问题:

1.上述方法在提取电路故障特征时，通常舍弃了细节小波系数而选取了近似小波系数的归一化能量值作为故障特征。从信息完整的角度来说被丢弃的细节系数对提取的特征全面反映故障信息具有相当的价值。2.传统的前馈神经网络(如：BP，RBF)是故障诊断领域中较为常用的分类器，但是均存在网络学习速度慢、容易陷入局部最优解及过训练等问题。

发明内容

针对现有技术存在的上述问题,本发明解决的技术问题是如何较为完整地获取故障响应的有用信息；如何有效的刻画故障特征，使得特征彼此之间区别明显；如何更加快速准确地实现故障分类，而提供一种采用连续小波分析和ELM网络分别作为故障特征提取和故障分类的模拟电路故障诊断方法。

本发明解决其技术问题所采用的技术方案是：