DE-ELM在模擬電路故障診斷中的應(yīng)用

虞洋

摘要：利用DE-ELM這種單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，以橢圓濾波電路為例，用multisim對橢圓濾波電路進行仿真，最終通過建立DE-ELM模型用于模擬電路故障的分類，得到故障診斷的仿真結(jié)果。

關(guān)鍵詞：DE-ELM;模擬電路;仿真;故障診斷

中圖分類號：TP311? ? ? ? 文獻標(biāo)識碼：A? ? ? ? 文章編號：1009-3044（2019）02-0189-02

城市道路的運行離不開良好的規(guī)劃，這次我們研究的是關(guān)于路口信號燈時間的設(shè)計對交通的影響。

隨著現(xiàn)代科學(xué)技術(shù)與電子系統(tǒng)的飛速發(fā)展，各種各樣的電子設(shè)備已被廣泛應(yīng)用于科學(xué)研究、工業(yè)生產(chǎn)以及日常生活等領(lǐng)域當(dāng)中。研究如何運用現(xiàn)代故障診斷技術(shù)從大規(guī)模模擬電路中準(zhǔn)確地診斷出存在故障的子電路和元器件，成為實際應(yīng)用中急需盡快解決的課題。電子系統(tǒng)功能的不斷增加使得其結(jié)構(gòu)變得越來越復(fù)雜，由電子系統(tǒng)故障造成的損失相比于之前也大幅度增加。然而，電子系統(tǒng)的可靠性離不開模擬電路的可靠性，所以模擬電路可靠性的提升對于提高系統(tǒng)整體的可靠性具有舉足輕重的作用。人工神經(jīng)網(wǎng)絡(luò)目前已被廣泛應(yīng)用于故障診斷領(lǐng)域，但傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，比如BP神經(jīng)網(wǎng)絡(luò)由于采用梯度下降的學(xué)習(xí)算法而存在收斂速度慢，陷入局部極小值等問題。

極限學(xué)習(xí)機（ELM）是近幾年提出的一種新的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，具有模型簡單、學(xué)習(xí)速度快、泛化性 能好等優(yōu)點，但隨機產(chǎn)生的隱層權(quán)值和隱層閾值對ELM算法的分類效果有較大影響。而差分進化算法無須借助問題的特征信息即具有很強的全局尋優(yōu)能力，并且收斂速度很快。該優(yōu)化算法的基本思想就是采用結(jié)構(gòu)簡單的差分變異算子和“適者生存”的競爭策略來產(chǎn)生新的種群，并最終使種群能夠達到或接近優(yōu)化問題的全局最優(yōu)解。

本文以橢圓濾波電路為例，用multisim對橢圓濾波電路進行仿真，采用multisim中的靈敏度分析確定電路中對電路輸出響應(yīng)影響大的元器件。在橢圓濾波電路中，輸出響應(yīng)對R1，R2，R6，R13，C1，C5的變化更加敏感。針對這些元件將其中的電阻及電容的容差分別設(shè)置為5%和10%，由于電路中多個元器件同時發(fā)生故障的概率非常小，因此本文的故障類型設(shè)為單故障。設(shè)置各個元器件的值偏大或偏小作為電路的兩種單一故障，故即可獲得包含正常模式在內(nèi)的13種故障模式。

首先利用小波包變換對13組故障數(shù)據(jù)進行特征提取，再利用主成分分析對特征提取后的數(shù)據(jù)進行壓縮。然后利用差分進化算法的全局尋優(yōu)能力，選擇極限學(xué)習(xí)機網(wǎng)絡(luò)的權(quán)值和閾值，以提高學(xué)習(xí)精度，最后將訓(xùn)練好的DE-ELM模型用于模擬電路故障的分類。

差分進化算法包括初始化、變異、交叉和選擇四個環(huán)節(jié)，DE算法的具體數(shù)學(xué)描述如下：

步驟1? ?初始化：生成由NP個個體組成的初始種群。

步驟2? 個體評價：對于第T代個體計算每個個體的適應(yīng)度函數(shù)值;

步驟3? 變異操作：針對每一個在種群的個體，隨機生成與其對應(yīng)的三個互不相同的整數(shù)，且要求 四個數(shù)互不相同，然后生成變異個體;

為保證變異的有效性，需要對生成的變異個體進行檢查，判斷變異個體中的各個分量是否滿足邊界條件，若不滿足，則使用步驟1對其重新進行賦值操作。

步驟4? ?交叉：為了增加種群的多樣性，引入交叉操作。

步驟5? 選擇操作：為決定試驗個體是否會成為下一代種群中的個體，算法采用“貪婪選擇”策略進行選擇操作，即通過變異和交叉兩個過程操作生成的候選個體與目標(biāo)個體按下式進行競爭來選擇出個體。將試驗個體與目標(biāo)個體進行比較，其中具有較大適應(yīng)度函數(shù)值的選擇作為第[t+1]代的個體，用來替換第[t]代個體，同時，T=T+1。

步驟6? ?終止檢驗：假設(shè)種群滿足了終止條件或者[T>Tmax]，此時，得到最優(yōu)解并輸出;如果條件得不到滿足，則跳轉(zhuǎn)至步驟2執(zhí)行。

電路激勵信號為幅值為10V，頻率為2KHZ的正弦信號，針對電路的每一種故障模式，進行相應(yīng)的50次Monte-Carlo分析，將10次作為訓(xùn)練樣本，40次作為測試樣本，然后用小波包分解技術(shù)對電路的故障樣本集進行四層harr小波包分解，提取各個頻帶內(nèi)的頻率信號特征，并對小波包分解系數(shù)進行重構(gòu)，構(gòu)造具有16個頻帶能量的特征向量，并對其進行歸一化處理。得到的故障數(shù)據(jù)集的維度從110維降至16維。

接著對樣本進行預(yù)處理，經(jīng)過小波包變換進行降維之后的樣本數(shù)據(jù)集構(gòu)成總樣本矩陣[X∈R（650，16）]， 建立主元模型，選取其中6個主元即可使累計方差貢獻率達到99.99%.將樣本矩陣送入PCA進行數(shù)據(jù)壓縮處理維數(shù)降到6，即新的總樣本矩陣[X∈R650，6]，圖2為主成分分析分布圖。

將此數(shù)據(jù)集作為ELM算法仿真的輸入樣本集，進行對電路故障的分類。本文采取差分進化算法對于極限學(xué)習(xí)機的參數(shù)進行優(yōu)化，在DE算法中固定以下參數(shù)：

CR=0.8 ，F(xiàn)=1，Itermax= 50， NP=30

由于NP值越大，則種群的多樣性即越強，獲得最優(yōu)解的概率就越大。但弊端是，計算時間會變長。所以，權(quán)衡利弊一般我們會將NP的值取為20 至50的某一個數(shù)，在此我們使NP=30。

為了提高算法的精確度，我們將算法的最大迭代次數(shù)設(shè)為50。

故障診斷的仿真結(jié)果如下表所示：

以上診斷結(jié)果表明， 采用 ELM與DE-ELM對電路的故障進行分類均可達到良好的分類精度。當(dāng)增加隱層節(jié)點數(shù)時，ELM和DE-ELM的分類精度亦會隨之提高。而相對于ELM，DE-ELM可以在相同隱含層節(jié)點數(shù)的情況下達到更高的診斷精度，泛化能力更好。

參考文獻：

[1] 周江嫚，黃清秀，彭敏放，等.基于差分進化優(yōu)化ELM的模擬電路故障診斷[J].計算機工程與應(yīng)用，2014，（8）：221-225.

[2] 高斐，李洪儒，許葆華.基于ICPSO優(yōu)化的極限學(xué)習(xí)機在故障診斷中的應(yīng)用[J].中國機械工程，2013，（20）：2753-2757.

[3] 尹剛，張英堂，李志寧，等.自適應(yīng)集成極限學(xué)習(xí)機在故障診斷中的應(yīng)用[J].振動、測試與診斷，2013，（5）：897-901.

[4] ]楊士元.模擬系統(tǒng)的故障診斷與可靠性設(shè)計[M].北京：清華大學(xué)出版社，1993.

[5] 李晴，何怡剛，包偉.免疫螞蟻算法優(yōu)化的RBF網(wǎng)絡(luò)用于模擬電路故障診斷[J].儀器儀表學(xué)報。2010，（6）：1255-1261.

[6] 仇國慶，唐賢倫，莊陵，等.基于混沌粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機械故障診斷中的應(yīng)用[J].中國機械工程與應(yīng)用，2008， （21）：2642-2645.