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個體按下式進行競爭來選擇出個體。將試驗個體與目標個體進行比較，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.