基于集成改进ELM的模拟电路故障诊断.docVIP

基于集成改进ELM的模拟电路故障诊断 　　【摘要】本文提出一种基于旋转森林的集成极端学习机分类方法，用以提高模拟电路故障诊断的准确性。算法对采样后的数据进行小波分解获得故障特征，采用旋转森林增加集成极端学习机基分类器之间的差异性。实验结果表明，采用本文方法对模拟电路进行在线故障诊断具有较高的准确性。 　　【关键词】旋转森林;极端学习机;模拟电路;故障诊断 　　1.引言 　　有理论表明，在复杂电子系统中，模拟电路部分最易发生故障，但由于其自身具有非线性，以及包含元件的容差性等特点使得针对模拟电路的故障建模困难，传统的故障字典法等方法已很难适应。为了实现模拟电路故障模式的准确分类，本文提出一种基于旋转森林（Rotation Forest，ROF）的极端学习机（Extreme Learning Machine，ELM）集成模拟电路故障诊断方法。 　　2.极端学习机算法 　　极端学习机[1]（ELM，Extreme Learning Machine）在随机给定输入权值与神经元参数的基础上，将传统前馈神经网络参数训练问题转化为求解线性方程组，以直接计算输出权值的最小二乘解的方式完成网络训练过程。 　　3.旋转森林算法 　　ROF[2]是针对集成分类器间的差异性和集成分类器的准确性两个方面提出的。设x=[x1，x2，…，xn]T表示有n个特征的一个样本，N个数据点构成一个初始训练集，用一个N×n的矩阵X表示，Y=[y1，y2，…，yN]T表示这N个点的标记。D1，D2，…，DL表示L个基分类器，F则表示特征集。区别于bagging、boost和随机森林算法，它是通过以下步骤构造每一个基分类器Di（0≤i≤L）的训练集： 　　1）将特征集F划分为K个不相交的子集。每个子集大约有M=n/K个特征。 　　2）Fi，j表示第Di分类器的训练集的第j个特征子集，随机去掉某一类的样本，并对剩下的样本进行75%的重采样。对Fi，j进行主成分分析（PCA）后得到Mj个主成分ai，j（1），ai，j（2）， …，ai，j（M）。 　　3）重复步骤2）K次，把K个主要成分系数放入一个稀疏“旋转”矩阵Ri，主对角线元素为j个特征子集的主成分，其余元素为零。 　　根据原始特征集的顺序按列重排这个矩阵，得到旋转矩阵Ria，最后得到Di分类器的训练集为XRia。 　　重复以上步骤L次，得到各个分类器的训练集XR1a，XR2a， …，XRLa。 　　4.基于ROF的模拟电路故障ELM集成诊断 　　步骤1：通过灵敏度分析，选择参数变化对输出相应影响较大的元件; 　　步骤2：设定故障模式，并针对每种故障模式利用Monte Carlo仿真获取训练样本数据; 　　步骤3：对获取的故障样本数据进行小波包分解，提取底层各项系数计算归一化能量值，作为故障特征; 　　步骤4：设输入故障初始样本X，样本包括D个故障特征，ELM神经网络集成分类器个数为L，采用第2节中的步骤得到的训练集XR1a，XR2a， …，XRLa训练各个分类器，得到集成分类器组：Ω={C1，C2，…，CL}; 　　步骤5：分别使用L个分类器对测试故障样本集进行诊断，采用多数投票法获得集成各分类器的输出。 　　5.实例分析 　　本文以文献[3]中的带通滤波器电路为例来验证所提出算法的有效性。电路施加1V，频率为1kHz的正弦信号，仿真时间为0-0.5s，时间步长为1ms。利用Multisim10.0软件进行灵敏度分析，发现C1、C2、R2和R3对输出响应最明显，因此选择这4种元件作为引起的双故障的故障源。发生故障时，各故障元件分别偏离正常值±50%。这里对表1中包括无故障在内的9种双故障进行分析。针对每种故障模式分别进行50次Monte Carlo分析，共获取450组故障样本数据，选择db3小波函数对故障样本数据进行3层小波包分解，并以第3层各项分解系数归一化能量作为故障特征，得到450×8的故障特征矩阵。选择各模式30组样本作为训练样本，其余20组样本作为测试样本。C1、C2、R2和R3。 　　表1 双故障分类 　　故障模式 故障描述 类别 　　Df0 NF 1 　　Df1 C1↑amp;C2↑ 2 　　Df2 C1↑amp;R2↑ 3 　　Df3 C1↓amp;R3↑ 4 　　Df4 C2↓amp;R2↑ 5 　　Df5 C2↑amp;R3↓ 6 　　Df6 C2↑amp;R2↓ 7 　　Df7 R2↑amp; R3↑ 8 　　Df8 R2↓amp;R3↓ 9 　　为了验证采用本文算法进行诊断的效果，选择集成RBF神经网络模型进行对比，集分类器个数均选择为10。在离线故障诊断中，两种模型训练准确率均为100%，但采用本文方法的测试准确率达到