[发明专利]基于ELM算法的水下航行器电路故障诊断方法

说明书

本发明属于故障诊断领域，具体的涉及基于ELM算法的水下航行器电路故障诊断方法，包括：搜集水下航行器电路的故障现象和故障原因，建立样本数据集；根据样本数据集，采用极限学习机ELM算法对学习网络进行训练，得到学习模型；给学习模型输入新的数据；利用最近相邻匹配算法，将学习模型的输出结果与已知故障类型进行匹配；根据匹配结果诊断水下航行器电路。本发明可以在样本较少的情况下，对较快速和准确的对水下航行器电路进行诊断。

技术领域

本发明属于故障诊断领域，具体的涉及基于ELM算法的水下航行器电路故障诊断方法。

背景技术

近年来，故障诊断领域发展迅速，各种故障诊断方法层出不穷，故障诊断的精确度也逐步提高。电气设备故障诊断，新能源汽车故障诊断，无人飞行器故障诊断，以及可扩展的故障诊断方法等等。

在现有技术中，传统的诊断方法是采用传统的人工神经网络，网络的隐层节点参数是通过一定的迭代算法进行多次优化并最终确定的。这些迭代步骤往往会使参数的训练过程占用大量的时间。并且，现有算法很容易产生局部最优解，从而使网络训练过程的效率得不到保证。

目前的对于水下航行器电路故障诊断方法较少，而且现有的少数的诊断方法中，要么处理速度过慢，要么故障样本需求量过大，要么成本太高，并且没有合适的方法去减小干扰因子的影响力。

发明内容

本发明要解决的技术问题在于，克服现有技术的不足，提供基于ELM算法的水下航行器电路故障诊断方法，其可以在样本较少的情况下，对较快速和准确的对水下航行器电路进行诊断。

本发明所涉及的基于ELM算法的水下航行器电路故障诊断方法，包括以下步骤：

搜集水下航行器电路的故障现象和故障原因，建立样本数据集；

根据样本数据集，采用ELM算法对学习网络进行训练，得到学习模型；

给学习模型输入新的数据；

利用最近相邻匹配算法，将学习模型的输出结果与已知故障类型进行匹配；

根据匹配结果诊断水下航行器电路。

进一步地，所述采用ELM算法对学习网络进行训练，之后还包括，

利用最近相邻匹配算法，将训练中学习网络的输出结果与已知故障类型进行匹配，得到学习模型的误差值；

判断学习模型的误差值是否在允许范围内：

若学习模型的误差值在允许范围内，则进入给学习模型输入新的数据；

若学习模型的误差值不在允许范围内，则返回采用ELM算法对学习网络进行训练。

更进一步地，所述搜集水下航行器电路的故障现象和故障原因，建立样本数据集，具体包括：

搜集水下航行器电路的故障现象和故障原因；

将所述故障现象和故障原因分别等效为现象样本数据和原因样本数据；

对所述现象样本数据和圆心样本数据进行标准归一化处理，分别得到故障现象数据集和故障原因数据集；

将故障现象数据集和故障原因数据集构成样本数据集。

再进一步地，所述根据样本数据集，采用ELM算法对学习网络进行训练，得到学习模型，包括：

设样本数据集为(X，J)，所述X代表故障现象数据集，J代表故障原因数据集；

根据样本数据集为(X，J)，计算学习网络的输出值；

构建所述学习网络的输出方程，所述输出方程为学习模型。