[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

摘要

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。

主权项

1.一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,…,xi,…,xN}，其中，电压特征值xi＝{xi,1,xi,2,…,xi,k…,xi,T}，xi,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；构建各样本的期望输出向量Y＝{y1,y2,…,yi,…,yN}，其中，yi＝{yi,1,yi,2,…yi,j,...,yi,M}，M为故障状态总数，yi,j为第i个组电压值构成的输入下模拟电路第j种故障的标记值，若该种输入下表现为第j种故障，则yi,j记为1，否则记为0；(2)、随机生成待选池中的神经元(W,b)＝{(w₁,b₁),(w₂,b₂),…(w_l,b_l),…,(w_L,b_L)}，其中，L为神经元的总个数，为第l个神经元的权重，为第l个神经元对应t₀个电压特征值的权重，b_l为第l个神经元的偏置；设置极限学习机中的神经元权重和偏置为空集，设置神经网络模型输出层的权重β为空集；神经网络模型当前输出初始化为0，设置当前神经网络模型的神经元个数n为0；(3)、更新更新粒子群中的神经元参数获取最优神经元；(3.1)、初始化粒子群中的神经元权重为空集，并将粒子群中神经元的偏置设置为待选池中的神经元偏置将粒子群中神经元对应的已选频率特征值构成的集合记为并将初始化为空集，记输入电压特征值个数t为0；(3.2)、计算各个备选频率下采集到的各个故障的电压特征值在极限学习机模型下的熵率Rent(xk)；(3.3)、选取备选电压特征值中熵率最大的转折频率下所有故障模式的电压特征值加入到中，并将输入电压特征值总数t自加1；将待选池中的各个神经元对应该转折频率的权重w_best＝{w_1,best,w_2,best,...,w_L,best}添加到粒子群神经元的权重中；(3.4)、采用多粒子群优化算法对粒子群中的神经元的权重和偏置进行更新；(3.4.1)、设置粒子群优化算法的最大迭代次数Tmax，初始化粒子群优化算法的迭代次数t＝1，粒子群中的全局最优解的相关度cgbest初始化为0，全局最优神经元的权重wgbest初始化为空集，偏置bgbest初始化为0；粒子群中的各个神经元的最优解的相关度cpbest,l初始化为0，全局最优神经元的权重wpbest,l初始化为空集，偏置bpbest,l初始化为0；随机设定粒子群中节点权重的增加值vw＝{vw1,vw2,...,vwL}和偏置的增加值vb＝{vb1,vb2,...,vbL}；(3.4.2)、计算粒子群中各个神经元的输出hl，得到输出集合h＝{h1,h2,…hl,…hL}；其中，hl＝{hl,1,hl,1,…,hl,N}为粒子群中第l个神经元的输出；计算粒子群中各个神经元与期望输出的相关度c_l，(3.4.3)、更新粒子群中对应的全局最优解参量；(3.4.4)、更新粒子群中对应的个体最优解；(3.4.5)、根据全局最优解和个体最优解，更新粒子群中的神经元参数；vwl＝r1vwlT+r2(wpbest,l‑vwl)T+r3(wgbest‑vwl)Tvbl＝r4vbl+r5(bpbest,l‑bl)+r6(bgbest‑bl)其中，r1,r2,r3为t*1的随机矩阵，r4,r5,r6为随机数；(3.4.6)、判断当前迭代次数t算法到迭代最大次数Tmax，如果未达到，则令t＝t+1，再返回步骤(3.4.2)；如果达到，则将全局最优解的神经元作为最优神经元，然后进入步骤(4)；(4)、将获取的最优神经元对应的权重w_gbest和偏置b_gbest添加到神经网络模型的隐藏层中；(5)、计算最优神经元在影响系数为1时的输出权重其中，h_gbest为添加的神经元对应的输出，I为n*n的单位矩阵，n为当前极限学习机中神经元的个数，为极限学习机中的神经元输出，为的伪逆运算；(6)、生成最优神经元对应的影响系数；(6.1)、随机生成影响参数粒子群a＝{a₁,a₂,…,a_P}，P为粒子群中个体的个数；随机生成粒子群的影响参数更新增量av＝{av₁,av₂,...,av_P}，初始化粒子群的全局最优精度MSE_gbest和个体最优精度MSE_pbest,p为设定的极限值MSE_max，全局最优解a_gbest和个体最优解对应的影响参数a_pbest,p初始化为1；设置最大迭代次数当前迭代次数初始化为1；(6.2)、在粒子群中各个影响参数下更新极限学习机输出(6.3)、将设为极限学习机的当前输出，再返回步骤S3生成完整的极限学习机模型的隐藏层神经元和输出值(6.4)、计算极限学习机的训练精度MSEp；(6.5)、根据预测精度MSEp更新粒子群的全局最优解训练精度和全局最优解对应的影响参数；(6.6)、更新粒子群中个体最优解的相关系数：(6.7)、更新粒子群中的参数：avp＝avp+r7(apbest,p‑ap)+r8(agbest‑ap)a＝a+av其中，r7和r8为随机数；(6.8)、判断迭代次数是否达到迭代最大次数如果未达到，则令再返回步骤(6.2)；如果达到，则设定最优神经元的输出权重为n自加1，并记录下当前极限学习机的训练精度再进入步骤(7)；(7)、判断当前极限学习机中神经元的数量n是否达到最大值nmax，如果没有达到条件，则返回步骤(3)；如果达到条件，则进入步骤(8)；(8)、统计极限学习机训练精度最小对应的神经元个数n_opt，然后取生成的极限学习机的前n_opt个神经元组成最终生成的极限学习机模型神经元并求出对应的隐藏层输出(9)、利用隐藏层输出求得输出层权值其中，为的伪逆矩阵；(10)、对待检测模拟电路故障进行识别时，将该故障下的电压特征值代入极限学习机的隐藏层得到相应的隐藏层输出求得极限学习机的输出向量再将中最大值对应的故障记为极限学习机识别的故障类型。