一种基于深度置信网络的电路间歇故障诊断方法专利检索-玻尔兹曼机人工神经网络机器学习人工智能专利检索查询-专利查询网

一种基于深度置信网络的电路间歇故障诊断方法

阅读：1014发布：2020-09-01

专利汇可以提供一种基于深度置信网络的电路间歇故障诊断方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于深度置信网络的电路间歇故障诊断方法。具体方法步骤如下：(1)利用电路故障诊断平台获得系统在不同运行状态下的时域监测信号，包括正常、间歇故障和永久故障数据；(2)采集的数据集分批次形成样本数据，样本采集点数相同，对样本数据进行[0,1]归一化并分为训练集和测试集；(3)建立一个多隐含层的DBN模型，由受限玻尔茨曼机(RBM)逐层叠加生成模型，根据样本维数确定DBN模型的输入节点数，用训练集无监督训练DBN模型；(4)根据故障类别确定DBN模型输出层节点数，用BP 算法对DBN模型的权重进行反向微调；(5)利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断。本发明能够有效地诊断电路系统中的间歇故障。，下面是一种基于深度置信网络的电路间歇故障诊断方法专利的具体信息内容。

权利要求

1.一种基于深度置信网络的电路间歇故障诊断方法，其特征在于，包括以下步骤：
步骤一：利用电路故障诊断平台获得系统在不同运行状态下的时域监测信号，主要包括正常运行状态、间歇故障状态和永久故障状态下的数据；
步骤二：对采集的数据集进行分批次形成样本数据，每一个样本的采集点数保持相同，对样本数据进行[0,1]归一化，将样本数据划分为训练集和测试集；
步骤三：建立一个多隐含层的DBN模型，DBN是由受限玻尔茨曼机(RBM)逐层叠加形成的生成模型，根据故障样本维数确定DBN模型的输入节点数，使用三种状态的训练集对DBN模型进行无监督训练；
步骤四：根据故障状态类别确定DBN模型输出层节点数，使用BP 算法对DBN模型的权重和阈值进行反向微调，也就是对深度置信网络进行有监督训练来减少训练误差和提高分类模型的准确率；
步骤五：利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断。
2.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法，其特征在于：所述步骤一的具体过程为：
通过向电路故障诊断平台故障注入点注入故障的方式来模拟间歇故障以及永久故障，故障注入的形式很多，电压电流型模拟量注入、阻抗性故障注入和开关量故障注入等。其中电压电流型模拟量注入主要是对电压电流信号进行白噪声、正弦波、方波以及随机信号等电磁干扰信号的叠加；阻抗型故障注入主要指的是由于加入的电容电感而引起相位发生变化；开关量故障注入主要指通过继电器等器件控制电路信号的通断来实现。在故障注入的基础上，通过随机改变故障时间实现电路中间歇故障的模拟，以获得正常状态、间歇故障状态以及永久故障状态下的大量数据。
3.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法，其特征在于：所述步骤二包括以下步骤：
(1)DBN网络是一个集特征提取和分类为一体的综合模型，其核心就是通过数据驱动的方式，从原始数据中自动学习一些特征。因此将采集到的3种类型的数据集A、B、C，各取60％作为训练集，剩下的40％作为测试集，每一个样本有500个数据点，因此DBN网络模型的输入层节点数是500。
(2)由于DBN模型的输入范围为[0，1]，因此对所有样本数据集进行线性归一化变换，使其范围限制在[0，1]内。由于诊断类别有3种，因此输出层节点数为3，分别表正常、间歇故障和永久故障三种类别。
4.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法，其特征在于：所述步骤三包括以下步骤：
(1)RBM模型是基于能量的神经网络，由一个可视层V与一个隐含层H组成。根据输入数据的维数确定第一个RBM可视层的节点数，也就是输入层节点数为500；
(2)输入数据到第一个RBM可视层单元V1，根据RBM训练算法得到隐含层单元状态h1和其重构单元状态V重构1，并记录下相关的学习参数θ1＝{a,b,w}；
(3)将学习过的第一个RBM隐含层单元状态h1输入到第二个RBM的可视层单元V2，根据RBM训练算法得到隐含层单元状态h2和其重构单元状态V重构2，并记录下相关的学习参数θ2＝{a,b,w}；
(4)上述RBM训练算法用的是CD1算法，算法的输入是训练数据的输入向量x，输出是梯度估计Δw,Δa,Δb。经过多次迭代优化了DBN的连接权重和阈值，提高了RMB的特征提取能力。
(5)重复步骤2)和3)，直到4层的限制玻尔兹曼机都学习完成。
(6)在完成步骤5)的基础上，对所有学习后的RBM进行展开，建立一个深度自编码网络。
5.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法，其特征在于：所述步骤四包括以下步骤：
(1)当训练完成后，通过在DBN的最顶层添加标签数据，对深度置信网络进行有监督训练，即使用反向传播算法(BP)对DBN的相关参数进行微调。
(2)分别将三类带标签数据，输入到DBN的最顶层中，通过BP算法微调深度置信网络的权重和阈值。通过对DBN进行有监督的训练将进一步减少训练误差和提高DBN分类模型的准确率。
6.根据权利要求1所述的一种基于深度置信网络的电路间歇故障诊断方法，其特征在于：所述步骤五包括以下步骤：
由于深度置信网络是一种将特征提取和分类器组合在一起的网络结构，所以基于深度置信网络的间歇故障诊断方法在自动提取高层次特征的基础上，将特征提取和分类过程组合在一起，具有一定的普适性。
在步骤四的基础上，将三种状态的测试集数据输入到训练好的DBN分类模型中，经过4层RBM隐层映射后，输出层节点数为诊断状态的数量，输入向量在输出层成功激活相应类别节点(正常状态1号节点，间歇故障2号节点，永久故障3号节点)。

说明书全文

一种基于深度置信网络的电路间歇故障诊断方法

技术领域

[0001] 本发明涉及基于深度学习的间歇故障诊断技术领域，特别涉及一种基于深度置信网络的电路间歇故障诊断技术。

背景技术

[0002] 当前，电路系统的各种形式故障已经越来越受到广大学者们的重视。电路故障是指电路系统的一个或多个特性或参数出现非正常的偏差,系统丧失了预定的功能。无论是元件、电路还是系统,由于制造工艺、使用寿命以及工作环境等条件的影响,故障的产生是不可避免的。从故障发生的过程来看,可以分为硬故障、软故障和间歇故障。硬故障表现为故障器件参数突然发生巨大的、永久性的变化, 例如短路、开路、元件损坏等。软故障表现为故障器件参数随着时间和环境的变化而超过该器件参数的容差范围。间歇故障表现为故障现象不连续、重现性差, 例如老化、容差不足、接触不良等。其中间歇故障的诊断已经成为亟待解决的难点问题之一。

[0003] 随着电子技术的迅猛发展，电路系统的复杂程度急剧增加，越来越多的电路同时包含了数字信号和模拟信号，使得电路系统的故障诊断难度越来越大。电路系统的故障，根据其发生的时间特征，可分为3类：永久故障、间歇故障和瞬时故障。其中，间歇故障指可由故障状态自行恢复正常的故障，通常会在首次发生后反复、同位置发生，其在时间上表现出时而发生时而不发生的间歇特征。间歇故障是导致运载火箭等电气系统机内测试故障检测率偏低和虚警率高的重要原因之一。直接导致不必要的修理、低战备完好率、过早的系统更换等问题，由此造成了巨大的资源浪费。

[0004] 在电路设备中，尤其是大规模集成电路中，由于制造工艺不佳和不规范使用等导致的芯片管脚和连线松动，以及环境中不同器件之间的电磁辐射和干扰等均会导致间歇故障的发生，另外，电路设备运行过程中温度、湿度和机械应力等环境条件也会导致间歇故障的发生。在电子电路系统中，间歇故障严重影响设备性能。例如，数字电子设备功能紊乱主要由间歇故障引起，而异常表现通常会在系统重启后消失，给故障检测带来困难。混合电路中间歇故障发生频率是永久故障的10～30倍，是造成系统失效的主要原因。数字电路系统中间歇故障占所有可能发生故障的90％，消耗了大部分维修费用。随着技术和检修手段的进步，针对数字电路系统永久故障的检测和维修费用不断降低，但针对间歇故障的检测和维修费用却变化不大。在大规模集成电路中，平均每7700小时发生一次永久故障，而平均每100小时就会发生一次间歇故障。在通信系统中，间歇故障也非常普遍，是影响通信质量和缩短设备寿命的重要因素。来自美军装备和电子工业的统计数据表明，在战场维修中，非永久故障(主要指间歇故障)占所有故障的50％以上，是造成电路设备暂时失效的重要原因，导致了不必要的维修、过早的设备更换等，造成了巨大的资源浪费。

发明内容

[0005] 本发明的目的是提出了一种基于深度置信网络的电路间歇故障诊断方法，本方法基于深度学习理论，深度置信网络是由多个限制玻尔兹曼机(RBM)组成的多隐含层神经网络，采用CD-k 算法去优化深度神经网络的连接权重，即首先使用无监督逐层训练的方式，有效挖掘待诊断设备中的故障特征，然后使用BP 算法通过反向的有监督微调，优化DBN的故障诊断能力。这种方法不依赖与信号处理技术与专家经验，具有较高的识别率。

[0006] 为达到上述目的，本发明的技术方案提供一种基于深度置信网络的电路间歇故障诊断方法，所述方法包括以下步骤：

[0007] 1)利用电路故障诊断平台获得系统在不同运行状态下的时域监测信号，主要包括正常运行状态、间歇故障状态和永久故障状态下的数据集；

[0008] 2)对采集的数据集进行分批次形成样本数据，每一个样本的采集点数保持相同，对样本数据进行[0,1]归一化，将样本数据划分为训练集和测试集；

[0009] 3)建立一个多隐含层的DBN模型，DBN是由受限玻尔茨曼机(RBM)逐层叠加形成的生成模型，根据故障样本维数确定DBN模型的输入节点数，使用三种状态的训练集对DBN模型进行无监督训练，有效提取各个状态的特征；

[0010] 4)根据故障状态类别确定DBN模型输出层节点数，使用BP算法对DBN 模型的权重和阈值进行反向微调，也就是对深度置信网络进行有监督训练来减少训练误差和提高分类模型的准确率；

[0011] 5)利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断，输出结果即为电路系统状态的分类识别结果。

[0012] 本发明达到的有益效果为：本发明与现有方法相比，DBN模型能够从原始时域信号中逐层提取故障特征，并获得较高的诊断准确率；与传统的特征提取方法相比，本文方法在不依赖信号处理技术和专家经验的情况下，仍然取得高于传统方法的分类精度；能通过深层结构能够从训练数据中学习一些复杂的非线性关系，从而实现对复杂数据分布的逼近，进而解决复杂现实世界中的问题；深度置信网络解决了传统浅层学习方法在面对复杂监测数据分布时，表达能力不足的问题。

[0013] 下面结合附图对本发明作进一步的说明。

附图说明

[0014] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

[0015] 图1为本发明所述基于深度置信网络的电路间歇故障诊断方法流程图。

[0016] 图2为本发明中深度置信网络中的RBM模型。

具体实施方式

[0017] 下面将结合附图和具体实施方式，对本发明作进一步的详细阐述：

[0018] 1.利用电路故障诊断平台获得系统在不同运行状态下的时域监测信号。具体实[0019] 施方式如下：

[0020] 通过向电路故障诊断平台故障注入点注入故障的方式来采集间歇故障以及永久故障数据，故障注入的形式很多，电压电流型模拟量注入、阻抗性故障注入和开关量故障注入等。其中电压电流型模拟量注入主要是对电压电流信号进行白噪声、正弦波、方波以及随机信号等电磁干扰信号的叠加；阻抗型故障注入主要指的是由于加入的电容电感而引起相位发生变化；开关量故障注入主要指通过继电器等器件控制电路信号的通断来实现。在故障注入的基础上，通过随机改变故障时间实现电路中间歇故障的模拟，以获得正常状态、间歇故障状态以及永久故障状态下的大量数据。

[0021] 2.对采集的数据集进行分批次形成样本数据，对样本数据进行[0,1]归一化，将[0022] 样本数据划分为训练集和测试集。具体实施措施如下：

[0023] (1)因此将采集到的3种类型的数据集A、B、C，各取60％作为训练集，剩下的40％作为测试集，每一个样本有500个数据点，因此DBN网络模型的输入层节点数是500。

[0024] (2)由于DBN模型的输入范围为[0，1]，因此对所有样本数据集进行线性归一化变换，使其范围限制在[0，1]内。由于诊断类别有3种，因此输出层节点数为3，分别表正常、间歇故障和永久故障三种类别。

[0025] 归一化公式如下：

[0026]

[0027] 该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。

[0028] 3.建立一个多隐含层的DBN模型，由受限玻尔茨曼机(RBM)逐层叠加以及[0029] 无监督训练生成模型。具体实施措施如下：

[0030] (1)根据故障样本维数确定DBN模型的输入节点数，因此输入节点数为 500。

[0031] (2)受限玻尔兹曼机本质上是一种能量模型，定义联合组态能量：

[0032]

[0033] 这里假设单元为二值单元，vi,hj分别为可视层单元i和隐藏层单元j的二值状态，ai，bj为各层的偏置，wij为层间单元权值。

[0034] 定义联合概率(3)，其中Z称为分配函数，由式(4)计算所得：

[0035]

[0036]

[0037] 由以上两式可得可视层的概率为

[0038]

[0039] 训练一个RMB模型，学习其中的参数Θ＝{W,a,b}，就是使似然概率 p(v|Θ)最大化，则对数似然函数对参数求导得：

[0040]

[0041] 则对比散度算法的更新准则为

[0042] Δwij＝ε(＜vihj＞data-＜vihj＞recon) (7)

[0043] 式中，ε为学习率，尖括号带下标表示在某个概率分布下求括号内值的期望，data分布的期望容易获得，而model分布的期望，需要执行很长时间的对比散度算法(CD算法)。

[0044] (3)RBM训练算法CD-k

[0045] 输入：一个训练样本x0，学习率ε，最大训练周期T，n、m分别为可视层和隐含元数。

[0046] 输出：连接权矩阵W，可视层偏置向量a，隐含层偏置向量b。

[0047] CD-k算法执行步骤：

[0048] 1)以训练数据集的输入为初始的可视层单元状态v(0)；

[0049] 2)根据可视层单元状态v(0)和公式(8)计算隐含层单元的状态h(0)；

[0050]

[0051] 3)根据隐含层单元的状态h(0)和公式(9)计算可视层单元的重构状态v(1)；

[0052]

[0053] 4)重复步骤2)和3)，直到达到最大的迭代次数k；

[0054] 5)使用公式(10)去更新权值矩阵W、可视层单元阈值a和隐含层单元阈值b；

[0055]

[0056] 更新结束，算法停止运行。

[0057] 4.根据故障状态类别确定DBN模型输出层节点数，使用BP算法对DBN模型[0058] 的权重和阈值进行反向微调。具体实施措施如下：

[0059] (1)反向微调也就是对深度置信网络进行有监督训练来减少训练误差和提高分类模型的准确率；

[0060] (2)BP算法步骤：

[0061] 1)输入训练集；

[0062] 2)对于训练集中的每个样本x，设置输入层对应的激活值a1：

[0063] 3)前向传播：

[0064]

[0065] 4)由于输出结果与实际结果有误差，则计算输出层产生的错误：

[0066] δL＝ΔaC⊙σ'(zL) (12)

[0067] 5)将上步所求的误差从输出层向隐藏层反向传播：

[0068] δl＝((wl+1)Tδl+1)⊙δ'(zl) (13)

[0069] 6)使用梯度下降，训练参数，不断迭代直至收敛：

[0070]

[0071] 5.利用训练好的DBN模型对测试集或待诊断数据进行间歇故障诊断。

[0072] 确定输出层节点数量为3，将三种状态的测试集数据输入到训练好的DBN 分类模型中，经过k层RBM隐层映射后，输入向量在输出层成功激活相应类别节点(正常状态1号节点，间歇故障2号节点，永久故障3号节点)。

标题	发布/更新时间	阅读量
基于深度信念网络和扫描叠加的微震源自动定位方法	2020-05-08	82
基于差分温度补偿的分布式光纤拉曼双端温度解调方法	2020-05-11	494
基于分布式光纤拉曼传感系统的双路高精度温度解调方法	2020-05-11	146
一种基于深度学习的智能家居入侵检测方法	2020-05-13	584
一种基于单相机比色测温系统的优化测温方法	2020-05-13	71
氧化锌压敏电阻微观特性模拟优化计算模型	2020-05-12	512
一种复合材料薄膜三维多相同步生长的模拟方法及系统	2020-05-16	762
一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法	2020-05-11	358
一种物联网边缘节点安全的神经网络监测模型	2020-05-11	970
基于深度信念网络的多姿态人脸识别的方法和装置	2020-05-15	555

一种基于深度置信网络的电路间歇故障诊断方法

一种基于深度置信网络的电路间歇故障诊断方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

该功能需要专业版企业版VIP权限，您可以：