[发明专利]一种基于改进型极限学习机的模拟电路故障识别方法

说明书

本发明公开了一种基于改进型极限学习机的模拟电路故障识别方法，先采用模拟电路在不同转折频率下的电压特征向量作为输入，再基于各熵率选取各个隐藏层神经元对应的输入向量，并通过多维粒子群算法生成达到最高相关度的权值和偏置，然后通过粒子群算法和迭代运算找到合适的影响参数，从而构造高效的隐藏层模型，最后通过该隐藏层模型训练出识别模拟电路故障的诊断模型，进而来识别模拟电路故障，具有故障识别精度高、速度快等特点。

技术领域

本发明属于电路故障识别及机器学习技术领域，更为具体地讲，涉及一种基于改进型极限学习机的模拟电路故障识别方法。

背景技术

随着现代电子技术的发展，模拟电路的集成度越来越高，电路的设计越来越复杂，如何有效的对模拟电路进行准确的状态监测以保障其可靠运行，已成为当前模拟电路领域的研究热点。

现有的模拟电路典型诊断方法主要包括基于解析模型的诊断法、基于信号分析的诊断方法以及基于知识的诊断法。

基于解析模型的诊断法，通过将被诊断模拟电路的可测信息和由模型表达(通常是电路传递函数)的系统先验信息进行比较，利用产生的残差进行分析和处理从而实现故障的诊断；其中，根据残差产生形式不同，又可分为电路状态估计法和电路参数估计法；基于信号处理的方法，则利用模拟电路关键输出节点的信号模型，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而检测出故障。典型的如小波变换方法、主元分析方法、相关函数法、自回归滑动平均法等。目前基于解析模型的方法得到比较深入的研究，但在实际情况中，常常难以获得电路特别是复杂模拟电路系统的精确数学模型，大大限制了基于解析模型诊断方法的使用范围。基于信号处理的方法，虽避开了电路解析建模的难点，但由于未能充分结合电路的结构特性，因此对复杂模拟电路的故障识别也存在一定的局限性，单一方法的诊断效果不佳。

近年来，人工智能及计算机技术的飞速发展，为故障诊断技术提供了新的理论基础，产生了基于知识的诊断方法，此方法由于不需要对象的精确数学模型，而且具有“智能”特性，因此是一种很有生命力的方法。

基于知识的故障诊断方法主要可以分为：专家系统故障诊断方法、模糊故障诊断方法、故障树故障诊断方法、神经网络故障诊断方法、SVM故障诊断方法、信息融合故障诊断方法等。

基于知识的故障诊断方法对于复杂电路系统和非线性系统有较高的实际意义。由于该方法充分考虑了人的智能因素，更符合对实际系统的自然推理，是一类很有前途的诊断方法。但该类方法的有些理论自身尚不成熟，成功应用于电路系统实际过程的不是很多，在其许多方面还有待进一步研究。现有的基于知识的诊断方法构造的诊断模型在输入变量的选择，模型的构造上多为事先固定，这样不但使得诊断模型缺少建模的灵活性，而且无需保留的节点和输入参数还在一定程度上影响了建模的精确性，同时带来了不必要的计算复杂度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进型极限学习机的模拟电路故障识别方法，结合粒子群算法和迭代运算进行改进型极限学习机的模型训练，进而来识别模拟电路故障，具有故障识别精度高、速度快等特点。

为实现上述发明目的，本发明为一种基于改进型极限学习机的模拟电路故障识别方法，其特征在于，包括以下步骤：

(1)、采集模拟电路在故障状态和健康状态下N组样本在不同转折频率的电压特征值，记为X＝{x₁,x₂,…,x_i,…,x_N}，其中，电压特征值x_i＝{x_i,1,x_i,2,…,x_i,k…,x_i,T}，x_i,k表示采集的第i个样本在第k个转折频率下的电压值，T为转折频率个数；