專利名稱：基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法
技術領域：
本發(fā)明涉及一種模擬電路故障診斷方法。
背景技術：
在電子設備中，模擬電路是最易發(fā)生故障的薄弱環(huán)節(jié)，對模擬電路進行故障診斷可提高電子設備的維修性。由于模擬電路缺乏良好的故障模型，電路響應與元件參數間存在著復雜的非線性關系以及測點數目的限制等，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別問題。由于具有良好的非線性映射能力、自學習適應能力等，神經網絡在模擬電路智能診斷方法中最為常用。但是，傳統的神經網絡如采用BP反向傳播算法訓練的多層感知器，存在著易陷入局部最小、訓練算法復雜等問題。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)下所表現出來的特征。一般地，選擇取值變化對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出的特性，設置電路中電阻和電容工作在允許容差的范圍之內，一般為士5%或士 10%。當電路中的元器件均工作在允許容差內時，電路屬于無故障狀態(tài)；當作為故障注入單元的器件中的任何一個高出或低于其正常取值的一定范圍時，而其他器件在允許容差內工作，則認為電路發(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，并采集電路的單位脈沖響應信號。為全面反映電路的工作狀態(tài)，輸出信號的采樣間隔一般設置較小，采樣點數較多， 如果采用靜態(tài)分類器作為故障診斷模型，一般需要采用小波變換等信號處理方法對故障數據進行特征提取，以降低維數將故障數據轉換為靜態(tài)特征，但是特征提取步驟對故障診斷性能有一定影響，若特征提取方法選擇或使用不當，將導致故障診斷精度較低。

發(fā)明內容
本發(fā)明是為了解決采用傳統神經網絡進行模擬電路故障診斷的診斷精度較低的問題，從而提供一種基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法?；诨芈暊顟B(tài)網絡動態(tài)分類的模擬電路故障診斷方法，它由以下步驟實現 步驟一、采用單位脈沖信號激勵模擬電路工作，獲得電路待診斷響應信號；采集模擬電路的單位脈沖響應輸出信號，并將所述單位脈沖響應輸出信號作為故障數據樣本；步驟二、將步驟一獲得的故障數據樣本輸入至回聲狀態(tài)網絡中進行訓練，并根據訓練結果建立模擬電路故障診斷模型；步驟三、將步驟一獲得的電路待診斷響應信號作為故障數據，并輸入至步驟二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果。步驟二中建立模擬電路故障診斷模型是采用回聲狀態(tài)網絡動態(tài)分類的方法實現的。
步驟二中所述將步驟一獲得的故障數據樣本輸入至回聲狀態(tài)網絡中進行訓練的具體方法為步驟A、設置參數，所述參數包括儲備池處理單元個數、內部連接權譜半徑、輸入伸縮尺度和儲備池稀疏程度；步驟B、初始化回聲狀態(tài)網絡，輸入連接權矩陣Win及內部連接權矩陣W ；步驟C、將故障數據樣本輸入已初始化的回聲狀態(tài)網絡中，收集回聲狀態(tài)網絡的狀態(tài)變量及輸出變量；其中，對于狀態(tài)變量，僅收集每一個故障數據樣本的最后一個狀態(tài)變量；步驟D、求解輸出權矩陣W°ut，獲得訓練結果。步驟B中所述輸入連接權矩陣Win及內部連接權矩陣W的方法為按照均勻分布隨機生成。步驟C中，所述的收集回聲狀態(tài)網絡的狀態(tài)變量及輸出變量的具體方法是將狀態(tài)變量及輸出變量分別輸入至回聲狀態(tài)網絡儲備池處理單元激活函數及輸出單元激活函數中處理，所述回聲狀態(tài)網絡儲備池處理單元采用的激活函數為雙曲正切函數，輸出單元采用的激活函數為恒等函數。所述回聲狀態(tài)網絡的狀態(tài)變量收集的方法為對每一個故障數據樣本，u(n) = (U1 (η), . . .，Um (η))，將u (η)的每一個數據點 U1(Ii), ... ,um(η)依次輸入公式Xi (n) = tanh (WinUi (η) +Wxi^1 (η))計算狀態(tài)變量；式中，m為故障數據樣本序列長度；當i =m時，計算得到u (η)對應的狀態(tài)變量χ (n) = (X1 (η)，. . .，χΝ (η))τ，即對于狀態(tài)變量，僅收集每一個故障數據樣本的最后一個狀態(tài)變量；i = 1、2、……、K，K為整數；設故障數據樣本數量為a，將回聲狀態(tài)網絡的狀態(tài)變量χ (η)收集至矩陣M
權利要求
1.基于回聲狀態(tài)網絡動態(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現步驟一、采用單位脈沖信號激勵模擬電路工作，獲得電路待診斷響應信號；采集模擬電路的單位脈沖響應輸出信號，并將所述單位脈沖響應輸出信號作為故障數據樣本；步驟二、將步驟一獲得的故障數據樣本輸入至回聲狀態(tài)網絡中進行訓練，并根據訓練結果建立模擬電路故障診斷模型；步驟三、將步驟一獲得的電路待診斷響應信號作為故障數據，并輸入至步驟二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果。
2.根據權利要求1所述的基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法，其特征在于步驟二中建立模擬電路故障診斷模型是采用回聲狀態(tài)網絡動態(tài)分類的方法實現的。
3.根據權利要求1所述的基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法，其特征在于步驟二中所述將步驟一獲得的故障數據樣本輸入至回聲狀態(tài)網絡中進行訓練的具體方法為步驟A、設置參數，所述參數包括儲備池處理單元個數、內部連接權譜半徑、輸入伸縮尺度和儲備池稀疏程度；步驟B、初始化回聲狀態(tài)網絡，輸入連接權矩陣Win及內部連接權矩陣W; 步驟C、將故障數據樣本輸入已初始化的回聲狀態(tài)網絡中，收集回聲狀態(tài)網絡的狀態(tài)變量及輸出變量；其中，對于狀態(tài)變量，僅收集每一個故障數據樣本的最后一個狀態(tài)變量； 步驟D、求解輸出權矩陣W°ut，獲得訓練結果。
4.根據權利要求3所述的基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法，其特征在于步驟B中所述輸入連接權矩陣Win及內部連接權矩陣W的方法為按照均勻分布隨機生成。
5.根據權利要求3所述的基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法，其特征在于步驟C中，所述的收集回聲狀態(tài)網絡的狀態(tài)變量及輸出變量的具體方法是將狀態(tài)變量及輸出變量分別輸入至回聲狀態(tài)網絡儲備池處理單元激活函數及輸出單元激活函數中處理，所述回聲狀態(tài)網絡儲備池處理單元采用的激活函數為雙曲正切函數，輸出單元采用的激活函數為恒等函數。
6.根據權利要求5所述的基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法，其特征在于所述回聲狀態(tài)網絡的狀態(tài)變量收集的方法為對每一個故障數據樣本，u(n) = (Ul(n)，...，um(n))，將u(n)的每一個數據點U1 (n), . . . , um (η)依次輸入公式Xi (n) = tanh (WinUi (η) +Wxi^1 (η))計算狀態(tài)變量；式中，m為故障數據樣本序列長度；當i =m時，計算得到u (η)對應的狀態(tài)變量χ (n) = U1 (η)，. . .，％ (η))τ，即對于狀態(tài)變量，僅收集每一個故障數據樣本的最后一個狀態(tài)變量；i = 1、2、……、K，K為整數； 設故障數據樣本數量為a，將回聲狀態(tài)網絡的狀態(tài)變量χ (η)收集至矩陣M
7.根據權利要求5所述的基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法，其特征在于所述回聲狀態(tài)網絡的輸出變量的收集方法為將輸出變量收集至矩陣T T =[屯，屯，···，da]T e RaXL式中，Cl1, d2，. . .，da分別為a個故障數據樣本對應的故障類別標識；L為輸出單元數。
8.根據權利要求5所述的基于回聲狀態(tài)網絡動態(tài)分類的模擬電路故障診斷方法，其特征在于步驟D中求解輸出權矩陣W°ut的采用偽逆算法實現，即Wout = (Jr1T)L
全文摘要
基于回聲狀態(tài)網絡動態(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。它解決了采用傳統神經網絡進行模擬電路故障診斷的診斷精度較低的問題。其方法采用單位脈沖信號激勵模擬電路工作，獲得電路待診斷響應信號；采集模擬電路的單位脈沖響應輸出信號，并將所述單位脈沖響應輸出信號作為故障數據樣本；將故障數據樣本輸入至回聲狀態(tài)網絡中進行訓練，并根據訓練結果建立模擬電路故障診斷模型；將獲得的電路待診斷響應信號作為故障數據，并輸入至模擬電路故障診斷模型中，獲得并輸出故障診斷結果。本發(fā)明適用于模擬電路故障診斷。
文檔編號G01R31/3163GK102262211SQ20111009928
公開日2011年11月30日 申請日期2011年4月20日 優(yōu)先權日2011年4月20日
發(fā)明者彭宇, 楊智明, 王少軍, 王建民, 郭嘉 申請人:哈爾濱工業(yè)大學