[发明专利]基于SFO优化深度极限学习机的模拟电路故障诊断方法

说明书

本发明公开了一种基于SFO优化深度极限学习机的模拟电路故障诊断方法，包括输入数据；数据预处理；将训练集样本作为深度极限学习机（DELM）的输入，对其进行训练；以测试集分类错误率作为适应度函数，通过旗鱼算法（SFO）找到一组最优的基于极限学习机的自动编码器（ELM‑AE）的初始权重，并且优化这个初始权重，再使用优化的ELM‑AE训练DELM模型，使得DELM错误率最低；通过步骤四返回最优的初始权重参数，然后利用优化得到的权重训练DELM模型，构建最优的DELM模型；利用最优的DELM模型对故障进行分类。该方法相比没有优化的DELM来说，SFO优化的DELM的诊断准确率有所提高，证明了隐藏层参数的选择影响着诊断精度，而且SFO算法有比较好的全局搜索能力。

技术领域

本发明涉及模拟电路故障诊断领域，尤其涉及一种基于旗鱼算法(SFO)优化深度极限学习机的模拟电路故障诊断方法。

背景技术

随着电子系统在军事、通信、航空航天、医疗、家用电器等领域的广泛应用，提高电子系统的稳定性、安全性和可维护性已成为电路领域的基本问题。模拟电路是电子系统的重要组成部分，在电子系统的可靠运行中起着至关重要的作用。然而，电路故障可能导致机器的性能下降，严重时会造成紧急停机，危及人民的生命和财产安全。因此，利用模拟电路的故障诊断来提高电子系统的安全性和可靠性是非常重要的，开发一种有效的模拟电路故障诊断方法对于保证电子系统的可靠运行具有重要意义。

极限学习机(Extreme Learning Machine，ELM)是一种针对单隐含层前馈神经网络(Single-hidden Layer Feedforward Neural Network，SLFN)的算法，具有训练参数少、学习速度快，泛化性能好等优点。以往的算法中，特征提取通常采用小波分析、主成分分析(principal Component Analysis，PCA)、线性判别分析和顺序向前搜索等方法。然而，以上方法存在不足，如PCA只适合提取线性特征，小波分析方法并不能保留数据之间的相关性，顺序向前搜索方法提取特征参数时只能增加特征却不能删除等等。

发明内容

针对模拟电路故障诊断中故障类间特征相似度较高不易诊断以及极限学习机隐层参数难以选择的问题，本发明提供一种基于SFO优化深度极限学习机的模拟电路故障诊断方法。

实现本发明目的的技术方案如下：

一种基于SFO优化深度极限学习机的模拟电路故障诊断方法，包括如下步骤：

步骤一，输入数据：

设置电路故障，对于故障类型分别进行200次蒙特卡洛分析，采集2个周期内的输出端波形并保存作为电路输出数据；

步骤二，数据预处理：

针对每个故障样本，取前M个故障数据点，M∈[200，400]，每个故障都能获得N个M维的样本，一共13*N个原始故障样本，对故障样本添加标签，然后从中随机选取80％作为训练集数据，20％作为测试集数据；

步骤三，将训练集样本作为深度极限学习机(Deep Extreme Learning Machine，简称DELM)的输入，对其进行训练；

步骤四，以测试集分类错误率作为适应度函数，通过旗鱼算法(SFO)找到一组最优的基于极限学习机的自动编码器(ELM-AE)的初始权重，并且优化这个初始权重，再使用优化的ELM-AE训练DELM模型，使得DELM错误率最低；

步骤五，通过步骤四返回最优的初始权重参数，然后利用优化得到的权重训练DELM模型，构建最优的DELM模型；

步骤六，利用最优的DELM模型对故障进行分类。

进一步地，步骤四中，旗鱼算法(SFO)包括如下步骤：

S4-1，初始化旗鱼和沙丁鱼的种群和参数；