基于ELM 網絡的雷達模擬電路故障診斷系統的研究

汪選勝,張　銳

(中國電子科技集團公司第三十八研究所,合肥 230088)

?

基于ELM 網絡的雷達模擬電路故障診斷系統的研究

汪選勝,張銳

(中國電子科技集團公司第三十八研究所,合肥 230088)

摘要：針對雷達某些具有非線性、復雜性的模擬電路,將ELM網絡應用于其故障診斷系統中,建立故障診斷模型,并選取具體的模擬電路進行系統診斷仿真。仿真結果表明系統故障診斷正確率高,驗證了本文故障診斷方法的工程應用能力,體現了ELM網絡的實際利用價值。

關鍵詞:雷達;ELM網絡;模擬電路;故障診斷

0引言

隨著電子技術的發展,現代設備復雜化程度在不斷增加,電子電路的后期維護就顯得尤為重要。在實際應用中,由于雷達模擬電路易受外界干擾等因素,使得模擬電路發生故障的概率比其他設備要大,同時某些具有非線性特性的模擬電路故障診斷難度大。因此,對雷達模擬電路的故障診斷技術進行深入的研究具有很重要的意義。

極限學習機(Extreme learning machine,稱之為ELM),新的神經網絡結構模型,是新加波的huang等人于2004年提出的一種單隱層前饋神經網絡(SLFNs)的全新的學習算法[1]。它不僅具有傳統神經網絡高度非線性化和并行處理能力的優點,還具備傳統算法無法比擬的優勢:數據處理的快速性、更好的泛化能力,以及不局限于隱含層節點激活函數的可微性。從出現至今,ELM網絡就以其具有的高效益、高性能的優勢得到了越來越多的應用。

本文將ELM網絡應用于雷達模擬電路的故障診斷系統中,并建立基于ELM 網絡的模擬電路故障診斷系統模型,利用神經網絡的非線性處理能力,以智能化的方法有效地保證較高的故障診斷正確率,并通過具體的模擬電路論證了該模型故障診斷的可行性,可以在雷達模擬電路故障診斷領域得到廣泛的應用。

1基于ELM 網絡的模擬電路故障診斷系統模型[2-5]

ELM網絡可用圖1表示為一個具有n個輸入、m個輸出的單隱層前向反饋神經網絡系統模型。該模型由3層結構構成,分別為輸入層、隱含層和輸出層。隱含層的節點數l由系統性能需求而定。

圖1　單隱層前向反饋神經網絡系統模型圖

系統設定隱含層的閥值為b。被診斷目標系統采集形成了Q個任意的樣本信息,從而ELM網絡的輸入輸出矢量對(yi,ti)∈Rn×Rm(i=1,2,…,Q)構成了訓練樣本集,輸入矩陣Y和輸出矩陣T分別對應為

(1)

則ELM網絡系統的訓練目標為

(2)

若取神經網絡隱含層節點的激活函數為g(x),則可以得到隱含層節點的輸出矩陣,即為矩陣H。

H(w1,w2,…,wl,b1,b2,…,bl,y1,y2,…,yl)

(3)

由此可以得到單隱層前饋神經網絡的輸出矩陣T。

(4)

單隱層前饋網絡系統的訓練目標是Hβ=T′,系統的實際輸出矩陣為輸出矩陣Z。

(5)

故此,可以得到單隱層前饋網絡系統的訓練目的,就是相同的輸入信息下以隱層節點的激活函數來使得系統輸出能零誤差的接近于給定的Q個任意的不同訓練樣本(yi,ti),即為

(6)

當給定權值w和閾值b后,單隱層前饋網絡訓練樣本學習的最終目的就轉變為求解線性系統Hβ=T′的最小二乘范數解的問題,即為

(7)

可以得到式(7)的解為

(8)

2基于ELM網絡的模擬電路故障診斷的應用

選取雷達某一射頻放大電路(見圖2)作為本課題的研究對象。由于神經網絡以其強大的自學習、非線性處理能力等優點,對單、軟故障的診斷具有良好的優勢,故基于ELM網絡的模擬電路故障診斷系統針對本電路的單、軟故障的診斷加以應用。

在電路仿真軟件PSPICE中,經過電路的仿真與靈敏度分析,選取R6↑、R6↓、R7↑、R8↑、R11↑、R11↓的狀態分別作為電路故障的6種狀態,加上正常狀態共有7種狀態信息。選定射頻放大電路輸出點out處的電壓作為樣本采集的來源。在Orcad/PSpice電路仿真軟件中,通過60次Monte-Carlo分析,得到60條頻率響應波形曲線。在每條曲線上,選取300個有效點,采集有效點的信息組成原始數據,從而構成60個300維的矢量信息,即為電路的原始故障特征信息。

圖2射頻放大電路圖

ELM網絡的輸入層節點個數為300,輸出層節點個數為7。確定無限可微的Sigmoid函數作為單隱層節點的激活函數,通過實驗試探的方法來確定ELM網絡的隱含層節點數目為95。

在Matlab軟件中,將其中的30組訓練樣本輸入到ELM網絡。經過訓練學習后,構建ELM網絡的模型結構,再將30組測試樣本輸入到已訓練好的ELM網絡中,得到診斷結果。鑒于測試樣本較多,僅列出在R11↑故障模式下采集到的10組電壓樣本。經過已訓練好的ELM網絡診斷后得到的輸出結果見表1。由于神經網絡輸出為矢量信息,負值的討論沒有意義,故對于負值的情況用0代替。

表1　R11↑模式下的網絡輸出結果期望

經過ELM網絡的自學習與訓練,確定網絡的結構,再將測試樣本輸入到單一的ELM網絡中進行測試,得到診斷結果輸出。設定ELM網絡的輸出偏差范圍是0.3,則可以得到測試樣本經ELM網絡故障診斷后其故障診斷正確率為98.6%。

當被診斷雷達模擬電路出現龐大、非線性結構時,應用基于ELM網絡的故障診斷方法,不僅能夠避免人工無法診斷的缺陷,而且能保證較高的故障診斷正確率,系統具備良好的智能化,體現了其應用的價值性與實用性。

3結束語

隨著雷達設備逐漸復雜化,系統的故障診斷難度也在不斷地增加,現有的故障診斷技術已不能滿足現代雷達模擬電路故障診斷的需求。本課題利用ELM神經網絡技術,構建了基于ELM網絡的雷達模擬電路故障診斷方法。通過具體的雷達模擬電路的故障診斷仿真分析,其結果表明了基于ELM 網絡的故障診斷系統故障診斷正確率高,可以很好地滿足技術發展的需求,體現了雷達維護的智能化,驗證了基于ELM網絡的模擬電路故障診斷方法的實用價值。

參考文獻:

[1]J Kim,H S Shin,K Shin,M Lee.Robust algorithm for arrhythmia classification in ECG using extreme learning machine[J].Biomedical engineering,2009,31(8):1-12.

[2]王承.基于神經網絡的模擬電路故障診斷方法研究[D].成都:電子科技大學,2005.

[3]Huang G B.Learning capability and storage capacity of two-hidden-layer feed forward networks[J].IEEE Transactions on Neural Networks,2003,14(2):274-281.

[4]Huang G B,L Chen,C K Siew.Universal approximation using incremental constructive feed forward networks with random hidden nodes[J].IEEE Transactions on Neural Networks,2006,17(4):879-892.

[5]DemPster A P.Upper and lower probabilities induced by a multivalve mapping[J].Annals of Mathematical Statistics,1967,38:325-339.

Fault diagnosis system of radar analog circuits based on ELM network

WANG Xuan-sheng, ZHANG Rui

(No.38 Research Institute of CETC, Hefei 230088)

Abstract:In view of some nonlinear and complex analog circuits of the radar, the ELM network is applied to the fault diagnosis system. The fault diagnosis model is established, and the specific analog circuit is selected to perform the fault diagnosis simulation. The simulation results indicate that the fault diagnosis system is of high accuracy, verifying the engineering application capability of the fault diagnosis method, and reflecting the practical application value of the ELM network.

Keywords:radar; ELM network; analog circuit; fault diagnosis

中圖分類號:TN710

文獻標志碼:A

文章編號:1009-0401(2016)01-0032-04

作者簡介:汪選勝(1987-),男,助理工程師,碩士,研究方向:模擬電路信號處理;張銳(1988-),男,助理工程師,碩士,研究方向:雷達信號處理。

收稿日期:2015-10-12;修回日期:2015-10-20