[发明专利]一种基于深度置信网络特征提取的模拟电路故障诊断方法

说明书

一种基于深度置信网络特征提取的模拟电路故障诊断方法，包括以下步骤：(1)采集被测模拟电路的时域响应信号，采集到的时域响应信号为被测模拟电路的输出电压信号；(2)对采集的电压信号进行基于深度置信网络的特征提取，其中深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群算法优化获取；(3)构建基于支持向量机的故障诊断模型，其中支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取；(4)将测试数据经深度置信网络特征提取后，生成测试数据的特征数据，输入基于支持向量机的故障诊断模型，输出故障诊断结果。本发明可增强模拟电路故障诊断中特征提取的效果，提高故障诊断正确率，有效地检测出模拟电路的各类故障。

技术领域

本发明涉及机器学习及电子电路工程领域，具体涉及一种基于深度置信网络特征提取的模拟电路故障诊断方法。

背景技术

模拟电路广泛地应用于家用电器﹑工业生产线﹑汽车以及航空航天等设备中，模拟电路的故障将会引起设备的性能下降﹑功能失灵﹑反应迟缓以及其他电子故障。正确的故障识别有助于电路的及时维护，因此对模拟电路进行故障诊断，是十分必要的。

针对模拟电路的故障诊断，已有研究工作引入小波分析、小波分形分析(即小波变换后进行分形分析)、峭度和熵、BP神经网络、支持向量机等研究方法。在模拟电路故障诊断中，首要的问题是提取出各个故障类别之间区分度高和重叠程度低的特征，便于后续的高效故障诊断。因此，如果要提高模拟电路故障诊断的正确率，需要应用高效的特征提取方法。

深度置信网络(deep belief network，DBN)是一种新颖的故障特征提取方法，一般认为，深度置信网络可以提取出测量信号的深度和固有特征。深度置信网络中受限玻尔兹曼机(restricted boltzmann machines，RBM)的学习率对深度置信网络的结构参数有较大影响，一般采用经验法或者尝试法，取值于0.01-0.5之间，效率较低且较难获得精准和有效数值。

发明内容

本发明要解决的技术问题是，针对现有模拟电路故障诊断存在的上述不足，提供一种基于深度置信网络特征提取的模拟电路故障诊断方法，增强模拟电路故障诊断中特征提取的效果，提高故障诊断正确率，有效检测出模拟电路的各类故障。

本发明为解决上述技术问题所采用的技术方案是：

一种基于深度置信网络特征提取的模拟电路故障诊断方法，包括以下步骤：

(1)采集被测模拟电路的时域响应信号，采集到的时域响应信号为被测模拟电路的输出电压信号，即训练数据；

(2)对采集的电压信号进行基于深度置信网络的特征提取，提取后的数据即为训练数据的特征数据，其中深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化获取；

(3)构建基于支持向量机(support vector machines,SVM)的故障诊断模型，其中支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取；

(4)将测试数据经深度置信网络特征提取后，生成测试数据的特征数据，输入基于支持向量机的故障诊断模型，输出故障诊断结果，即检测出模拟电路的故障。

按上述方案，所述步骤(1)中，被测模拟电路输入端采用脉冲激励，输出端采样电压信号，采集的被测模拟电路的输出电压信号为训练数据。

按上述方案，所述步骤(2)中，深度置信网络是由多个受限玻尔兹曼机逐个堆叠而形成，每个受限玻尔兹曼机都由1个可见层v和1个隐含层h构成，每个可见层v由多个可见层单元构成，每个隐含层h也由多个隐含层单元构成，所述可见层为每个受限玻尔兹曼机的输入层，所述隐含层为每个受限玻尔兹曼机的输出层，每个受限玻尔兹曼机的输出层作为下一个受限玻尔兹曼机的输入层，受限玻尔兹曼机的学习率对受限玻尔兹曼机的参数有下述影响：