DE-ELM在模拟电路故障诊断中的应用

2019-03-15虞洋

电脑知识与技术 2019年2期

关键词：模拟电路仿真故障诊断

虞洋

摘要：利用DE-ELM这种单隐层前馈神经网络学习算法，以椭圆滤波电路为例，用multisim对椭圆滤波电路进行仿真，最终通过建立DE-ELM模型用于模拟电路故障的分类，得到故障诊断的仿真结果。

关键词：DE-ELM;模拟电路;仿真;故障诊断

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2019）02-0189-02

城市道路的运行离不开良好的规划，这次我们研究的是关于路口信号灯时间的设计对交通的影响。

随着现代科学技术与电子系统的飞速发展，各种各样的电子设备已被广泛应用于科学研究、工业生产以及日常生活等领域当中。研究如何运用现代故障诊断技术从大规模模拟电路中准确地诊断出存在故障的子电路和元器件，成为实际应用中急需尽快解决的课题。电子系统功能的不断增加使得其结构变得越来越复杂，由电子系统故障造成的损失相比于之前也大幅度增加。然而，电子系统的可靠性离不开模拟电路的可靠性，所以模拟电路可靠性的提升对于提高系统整体的可靠性具有举足轻重的作用。人工神经网络目前已被广泛应用于故障诊断领域，但传统的人工神经网络，比如BP神经网络由于采用梯度下降的学习算法而存在收敛速度慢，陷入局部极小值等问题。

极限学习机（ELM）是近几年提出的一种新的单隐层前馈神经网络学习算法，相比于传统的神经网络模型，具有模型简单、学习速度快、泛化性能好等优点，但随机产生的隐层权值和隐层阈值对ELM算法的分类效果有较大影响。而差分进化算法无须借助问题的特征信息即具有很强的全局寻优能力，并且收敛速度很快。该优化算法的基本思想就是采用结构简单的差分变异算子和“适者生存”的竞争策略来产生新的种群，并最终使种群能够达到或接近优化问题的全局最优解。

本文以椭圆滤波电路为例，用multisim对椭圆滤波电路进行仿真，采用multisim中的灵敏度分析确定电路中对电路输出响应影响大的元器件。在椭圆滤波电路中，输出响应对R1，R2，R6，R13，C1，C5的变化更加敏感。针对这些元件将其中的电阻及电容的容差分别设置为5%和10%，由于电路中多个元器件同时发生故障的概率非常小，因此本文的故障类型设为单故障。设置各个元器件的值偏大或偏小作为电路的两种单一故障，故即可获得包含正常模式在内的13种故障模式。

首先利用小波包变换对13组故障数据进行特征提取，再利用主成分分析对特征提取后的数据进行压缩。然后利用差分进化算法的全局寻优能力，选择极限学习机网络的权值和阈值，以提高学习精度，最后将训练好的DE-ELM模型用于模拟电路故障的分类。

差分进化算法包括初始化、变异、交叉和选择四个环节，DE算法的具体数学描述如下：

步骤1 初始化：生成由NP个个体组成的初始种群。

步骤2 个体评价：对于第T代个体计算每个个体的适应度函数值;

步骤3 变异操作：针对每一个在种群的个体，随机生成与其对应的三个互不相同的整数，且要求四个数互不相同，然后生成变异个体;

为保证变异的有效性，需要对生成的变异个体进行检查，判断变异个体中的各个分量是否满足边界条件，若不满足，则使用步骤1对其重新进行赋值操作。

步骤4 交叉：为了增加种群的多样性，引入交叉操作。

步骤5 选择操作：为决定试验个体是否会成为下一代种群中的个体，算法采用“贪婪选择”策略进行选择操作，即通过变异和交叉两个过程操作生成的候选个体与目标个体按下式进行竞争来选择出个体。将试验个体与目标个体进行比较，其中具有较大适应度函数值的选择作为第[t+1]代的个体，用来替换第[t]代个体，同时，T=T+1。

步骤6 终止检验：假设种群满足了终止条件或者[T>Tmax]，此时，得到最优解并输出;如果条件得不到满足，则跳转至步骤2执行。

电路激励信号为幅值为10V，频率为2KHZ的正弦信号，针对电路的每一种故障模式，进行相应的50次Monte-Carlo分析，将10次作为训练样本，40次作为测试样本，然后用小波包分解技术对电路的故障样本集进行四层harr小波包分解，提取各个频带内的频率信号特征，并对小波包分解系数进行重构，构造具有16个频带能量的特征向量，并对其进行归一化处理。得到的故障数据集的维度从110维降至16维。

接着对样本进行预处理，经过小波包变换进行降维之后的样本数据集构成总样本矩阵[X∈R（650，16）]，建立主元模型，选取其中6个主元即可使累计方差贡献率达到99.99%.将样本矩阵送入PCA进行数据压缩处理维数降到6，即新的总样本矩阵[X∈R650，6]，图2为主成分分析分布图。

将此数据集作为ELM算法仿真的输入样本集，进行对电路故障的分类。本文采取差分进化算法对于极限学习机的参数进行优化，在DE算法中固定以下参数：

CR=0.8 ，F=1，Itermax= 50， NP=30

由于NP值越大，则种群的多样性即越强，获得最优解的概率就越大。但弊端是，计算时间会变长。所以，权衡利弊一般我们会将NP的值取为20 至50的某一个数，在此我们使NP=30。

为了提高算法的精确度，我们将算法的最大迭代次数设为50。

故障诊断的仿真结果如下表所示：

以上诊断结果表明，采用 ELM与DE-ELM对电路的故障进行分类均可达到良好的分类精度。当增加隐层节点数时，ELM和DE-ELM的分类精度亦会隨之提高。而相对于ELM，DE-ELM可以在相同隐含层节点数的情况下达到更高的诊断精度，泛化能力更好。

参考文献：

[1] 周江嫚，黄清秀，彭敏放，等.基于差分进化优化ELM的模拟电路故障诊断[J].计算机工程与应用，2014，（8）：221-225.

[2] 高斐，李洪儒，许葆华.基于ICPSO优化的极限学习机在故障诊断中的应用[J].中国机械工程，2013，（20）：2753-2757.

[3] 尹刚，张英堂，李志宁，等.自适应集成极限学习机在故障诊断中的应用[J].振动、测试与诊断，2013，（5）：897-901.

[4] ]杨士元.模拟系统的故障诊断与可靠性设计[M].北京：清华大学出版社，1993.