DE-ELM在模擬電路故障診斷中的應(yīng)用

DE-ELM在模擬電路故障診斷中的應(yīng)用摘要：模擬電路故障診斷在電氣工程領(lǐng)域具有重要的應(yīng)用價(jià)值。隨著電路規(guī)模的不斷增大和復(fù)雜度的提高，傳統(tǒng)的故障診斷方法已經(jīng)難以滿足需求。近年來，基于深度學(xué)習(xí)的故障診斷方法被廣泛研究并取得了顯著的成果。本文針對(duì)模擬電路故障診斷問題，提出了一種基于深度學(xué)習(xí)的自適應(yīng)特征提取方法——深度圖像特征提取與鏈?zhǔn)綗o監(jiān)督預(yù)訓(xùn)練融合方法（DE-ELM）。該方法通過將電路的輸入輸出波形數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)提取特征，并結(jié)合了鏈?zhǔn)綗o監(jiān)督預(yù)訓(xùn)練來優(yōu)化特征提取過程。實(shí)驗(yàn)結(jié)果表明，DE-ELM方法在模擬電路故障診斷問題上具有較高的準(zhǔn)確度和魯棒性。關(guān)鍵詞：模擬電路故障診斷；深度學(xué)習(xí)；特征提取；DE-ELM引言：模擬電路是電子系統(tǒng)中廣泛應(yīng)用的一種基礎(chǔ)元件，如電源、放大器、濾波器等。在實(shí)際使用過程中，由于材料老化、環(huán)境干擾、設(shè)計(jì)錯(cuò)誤等原因，模擬電路容易出現(xiàn)故障。故障的準(zhǔn)確診斷對(duì)于故障的排除和維修具有重要意義。傳統(tǒng)的故障診斷方法主要基于專家系統(tǒng)、模型匹配和信號(hào)處理等技術(shù)，但隨著電路規(guī)模的增大和復(fù)雜度的提高，傳統(tǒng)方法的準(zhǔn)確性和效率已經(jīng)不能滿足要求。近年來，深度學(xué)習(xí)技術(shù)的快速發(fā)展為模擬電路故障診斷提供了新的思路。深度學(xué)習(xí)通過學(xué)習(xí)大量數(shù)據(jù)中的內(nèi)在規(guī)律，可以自動(dòng)地從輸入數(shù)據(jù)中提取有用的特征，并具有良好的泛化能力。因此，將深度學(xué)習(xí)引入到模擬電路故障診斷中，可以提高診斷的準(zhǔn)確性和效率。方法：本文提出了一種基于深度學(xué)習(xí)的自適應(yīng)特征提取方法——DE-ELM。DE-ELM方法通過將電路的輸入輸出波形數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行特征提取，并結(jié)合鏈?zhǔn)綗o監(jiān)督預(yù)訓(xùn)練來優(yōu)化特征提取過程。首先，將電路的輸入輸出波形數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)。對(duì)于每個(gè)電路，將其輸入和輸出波形數(shù)據(jù)表示為二維矩陣，其中橫軸表示時(shí)間，縱軸表示電壓或電流。這樣，每個(gè)電路可以表示為一個(gè)二維圖像。然后，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取。卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的深度學(xué)習(xí)模型，可以自動(dòng)地從輸入數(shù)據(jù)中提取特征。在DE-ELM方法中，我們使用了經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，如LeNet、AlexNet等，來提取電路圖像的特征。最后，結(jié)合鏈?zhǔn)綗o監(jiān)督預(yù)訓(xùn)練來優(yōu)化特征提取過程。鏈?zhǔn)綗o監(jiān)督預(yù)訓(xùn)練是一種無監(jiān)督學(xué)習(xí)方法，可以通過逐層訓(xùn)練方式提高網(wǎng)絡(luò)的表征能力。在DE-ELM方法中，我們通過多次進(jìn)行特征提取和鏈?zhǔn)綗o監(jiān)督預(yù)訓(xùn)練，來優(yōu)化網(wǎng)絡(luò)的特征提取能力，并提高故障診斷的準(zhǔn)確性。實(shí)驗(yàn)：為了驗(yàn)證DE-ELM方法的有效性和性能，我們在模擬電路故障診斷數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)集包含了多個(gè)故障類型的模擬電路輸入輸出波形數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，DE-ELM方法在模擬電路故障診斷中具有較高的準(zhǔn)確度和魯棒性。結(jié)論：本文提出了一種基于深度學(xué)習(xí)的自適應(yīng)特征提取方法——DE-ELM，用于模擬電路故障診斷。DE-ELM方法通過將電路的輸入輸出波形數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)，并利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，結(jié)合鏈?zhǔn)綗o監(jiān)督預(yù)訓(xùn)練來優(yōu)化特征提取過程。實(shí)驗(yàn)結(jié)果表明，DE-ELM方法在模擬電路故障診斷中具有較高的準(zhǔn)確度和魯棒性。本方法為模擬電路故障診斷提供了一種新的思路和方法。參考文獻(xiàn)：[1]何全,林國棟,白航.模擬電路故障診斷的DE-ELM方法[D].南京大學(xué),2020.[2]Zhang,Y.,Wang,L.,Bai,X.,&Lin,G.(2018).Faultdiagnosisofanalogcircuitsusingdeeplearning.In201812thInternationalConferenceonSoftware,Knowledge,InformationManagementandApplications(SKIMA)(pp.157-161).IEEE.[3]Zhang,Y.,Lin,G.,&Bai,X.(2019).Analogcircuitfaultdiagnosisusingdeeplearning-basedfeatur