基于ELM 网络的雷达模拟电路故障诊断系统的研究

汪选胜,张　锐

(中国电子科技集团公司第三十八研究所,合肥 230088)



基于ELM 网络的雷达模拟电路故障诊断系统的研究

汪选胜,张锐

(中国电子科技集团公司第三十八研究所,合肥 230088)

摘要：针对雷达某些具有非线性、复杂性的模拟电路,将ELM网络应用于其故障诊断系统中,建立故障诊断模型,并选取具体的模拟电路进行系统诊断仿真。仿真结果表明系统故障诊断正确率高,验证了本文故障诊断方法的工程应用能力,体现了ELM网络的实际利用价值。

关键词:雷达;ELM网络;模拟电路;故障诊断

0引言

随着电子技术的发展,现代设备复杂化程度在不断增加,电子电路的后期维护就显得尤为重要。在实际应用中,由于雷达模拟电路易受外界干扰等因素,使得模拟电路发生故障的概率比其他设备要大,同时某些具有非线性特性的模拟电路故障诊断难度大。因此,对雷达模拟电路的故障诊断技术进行深入的研究具有很重要的意义。

极限学习机(Extreme learning machine,称之为ELM),新的神经网络结构模型,是新加波的huang等人于2004年提出的一种单隐层前馈神经网络(SLFNs)的全新的学习算法[1]。它不仅具有传统神经网络高度非线性化和并行处理能力的优点,还具备传统算法无法比拟的优势:数据处理的快速性、更好的泛化能力,以及不局限于隐含层节点激活函数的可微性。从出现至今,ELM网络就以其具有的高效益、高性能的优势得到了越来越多的应用。

本文将ELM网络应用于雷达模拟电路的故障诊断系统中,并建立基于ELM 网络的模拟电路故障诊断系统模型,利用神经网络的非线性处理能力,以智能化的方法有效地保证较高的故障诊断正确率,并通过具体的模拟电路论证了该模型故障诊断的可行性,可以在雷达模拟电路故障诊断领域得到广泛的应用。

1基于ELM 网络的模拟电路故障诊断系统模型[2-5]

ELM网络可用图1表示为一个具有n个输入、m个输出的单隐层前向反馈神经网络系统模型。该模型由3层结构构成,分别为输入层、隐含层和输出层。隐含层的节点数l由系统性能需求而定。

图1　单隐层前向反馈神经网络系统模型图

系统设定隐含层的阀值为b。被诊断目标系统采集形成了Q个任意的样本信息,从而ELM网络的输入输出矢量对(yi,ti)∈Rn×Rm(i=1,2,…,Q)构成了训练样本集,输入矩阵Y和输出矩阵T分别对应为

(1)

则ELM网络系统的训练目标为

(2)

若取神经网络隐含层节点的激活函数为g(x),则可以得到隐含层节点的输出矩阵,即为矩阵H。

H(w1,w2,…,wl,b1,b2,…,bl,y1,y2,…,yl)

(3)

由此可以得到单隐层前馈神经网络的输出矩阵T。

(4)

单隐层前馈网络系统的训练目标是Hβ=T′,系统的实际输出矩阵为输出矩阵Z。

(5)

故此,可以得到单隐层前馈网络系统的训练目的,就是相同的输入信息下以隐层节点的激活函数来使得系统输出能零误差的接近于给定的Q个任意的不同训练样本(yi,ti),即为

(6)

当给定权值w和阈值b后,单隐层前馈网络训练样本学习的最终目的就转变为求解线性系统Hβ=T′的最小二乘范数解的问题,即为

(7)

可以得到式(7)的解为

(8)

2基于ELM网络的模拟电路故障诊断的应用

选取雷达某一射频放大电路(见图2)作为本课题的研究对象。由于神经网络以其强大的自学习、非线性处理能力等优点,对单、软故障的诊断具有良好的优势,故基于ELM网络的模拟电路故障诊断系统针对本电路的单、软故障的诊断加以应用。

在电路仿真软件PSPICE中,经过电路的仿真与灵敏度分析,选取R6↑、R6↓、R7↑、R8↑、R11↑、R11↓的状态分别作为电路故障的6种状态,加上正常状态共有7种状态信息。选定射频放大电路输出点out处的电压作为样本采集的来源。在Orcad/PSpice电路仿真软件中,通过60次Monte-Carlo分析,得到60条频率响应波形曲线。在每条曲线上,选取300个有效点,采集有效点的信息组成原始数据,从而构成60个300维的矢量信息,即为电路的原始故障特征信息。

图2射频放大电路图

ELM网络的输入层节点个数为300,输出层节点个数为7。确定无限可微的Sigmoid函数作为单隐层节点的激活函数,通过实验试探的方法来确定ELM网络的隐含层节点数目为95。

在Matlab软件中,将其中的30组训练样本输入到ELM网络。经过训练学习后,构建ELM网络的模型结构,再将30组测试样本输入到已训练好的ELM网络中,得到诊断结果。鉴于测试样本较多,仅列出在R11↑故障模式下采集到的10组电压样本。经过已训练好的ELM网络诊断后得到的输出结果见表1。由于神经网络输出为矢量信息,负值的讨论没有意义,故对于负值的情况用0代替。

表1　R11↑模式下的网络输出结果期望

经过ELM网络的自学习与训练,确定网络的结构,再将测试样本输入到单一的ELM网络中进行测试,得到诊断结果输出。设定ELM网络的输出偏差范围是0.3,则可以得到测试样本经ELM网络故障诊断后其故障诊断正确率为98.6%。

当被诊断雷达模拟电路出现庞大、非线性结构时,应用基于ELM网络的故障诊断方法,不仅能够避免人工无法诊断的缺陷,而且能保证较高的故障诊断正确率,系统具备良好的智能化,体现了其应用的价值性与实用性。

3结束语

随着雷达设备逐渐复杂化,系统的故障诊断难度也在不断地增加,现有的故障诊断技术已不能满足现代雷达模拟电路故障诊断的需求。本课题利用ELM神经网络技术,构建了基于ELM网络的雷达模拟电路故障诊断方法。通过具体的雷达模拟电路的故障诊断仿真分析,其结果表明了基于ELM 网络的故障诊断系统故障诊断正确率高,可以很好地满足技术发展的需求,体现了雷达维护的智能化,验证了基于ELM网络的模拟电路故障诊断方法的实用价值。

参考文献:

[1]J Kim,H S Shin,K Shin,M Lee.Robust algorithm for arrhythmia classification in ECG using extreme learning machine[J].Biomedical engineering,2009,31(8):1-12.

[2]王承.基于神经网络的模拟电路故障诊断方法研究[D].成都:电子科技大学,2005.

[3]Huang G B.Learning capability and storage capacity of two-hidden-layer feed forward networks[J].IEEE Transactions on Neural Networks,2003,14(2):274-281.

[4]Huang G B,L Chen,C K Siew.Universal approximation using incremental constructive feed forward networks with random hidden nodes[J].IEEE Transactions on Neural Networks,2006,17(4):879-892.

[5]DemPster A P.Upper and lower probabilities induced by a multivalve mapping[J].Annals of Mathematical Statistics,1967,38:325-339.

Fault diagnosis system of radar analog circuits based on ELM network

WANG Xuan-sheng, ZHANG Rui

(No.38 Research Institute of CETC, Hefei 230088)

Abstract:In view of some nonlinear and complex analog circuits of the radar, the ELM network is applied to the fault diagnosis system. The fault diagnosis model is established, and the specific analog circuit is selected to perform the fault diagnosis simulation. The simulation results indicate that the fault diagnosis system is of high accuracy, verifying the engineering application capability of the fault diagnosis method, and reflecting the practical application value of the ELM network.

Keywords:radar; ELM network; analog circuit; fault diagnosis

中图分类号:TN710

文献标志码:A

文章编号:1009-0401(2016)01-0032-04

作者简介:汪选胜(1987-),男,助理工程师,硕士,研究方向:模拟电路信号处理;张锐(1988-),男,助理工程师,硕士,研究方向:雷达信号处理。

收稿日期:2015-10-12;修回日期:2015-10-20