基于IWOA-ELM的模拟电路故障诊断方法.pdf

仪 表 技 术 与 传 感 器Instrument Technique and Sensor2024 年第 2 期基金项目:国家自然科学基金(51875180)收稿日期:2023-07-17基于 IWOA-ELM 的模拟电路故障诊断方法游达章1,2,刘 姗1,2,张业鹏1,2,李存靖31.湖北工业大学机械工程学院;2.湖北省现代制造质量工程重点实验室;3.湖北三六一一应急装备有限公司 摘要:针对模拟电路故障诊断中非线性和高维度输出信号带来的诊断困难问题,提出一种基于改进鲸鱼算法(IWOA)优化极限学习机(ELM)的模拟电路故障诊断方法。首先,采用主成分分析(PCA)法对初始故障电路特征进行降维;其次,在鲸鱼算法的基础上引入 Tent 映射来初始化种群,并且加入了非线性时变因子、自适应权重以及随机差分变异策略;再利用改进后的鲸鱼算法对 ELM 进行优化;最后将降维后的故障特征向量输入 ELM 中得到故障诊断结果。通过 Sallen-Key 带通滤波器电路以及 CSTV滤波器电路仿真测试实例表明:IWOA 优化 ELM 的故障诊断方法具有更优的故障诊断性能,故障诊断准确率高达 99.41%。关键词:模拟电路;故障诊断;特征提取;主成分分析;极限学习机;鲸鱼算法中图分类号:TP277,TN707 文献标识码:AAnalog Circuit Fault Diagnosis Method Based on IWOA-ELMYOU Dazhang1,2,LIU Shan1,2,ZHANG Yepeng1,2,LI Cunjing31.School of Mechanical Engineering,Hubei University of Technology;2.Hubei Key Lab of Manufacture Quality Engineering;3.Hubei 3611 Special Equipment Co.,LtdAbstract:Aiming at the hard problem of consciousness caused by nonlinear and high latitude output signals in analog circuit fault diagnosis,an analog circuit fault diagnosis method based on improved whale algorithm(IWOA)optimized extreme learning machine(ELM)was proposed.Firstly,principal component analysis(PCA)was used to reduce the dimensionality of initial fault circuit features;Secondly,based on the whale algorithm,a Tent map was introduced to initialize the population,and nonlinear time-varying factors,adaptive weights and random differential mutation strategies were added.Then the improved whale algorithm was reused to optimize ELM;Finally,the dimensionality reduced fault feature vectors were input into ELM to obtain the fault diag-nosis results.The simulation test examples of Sallen-Key bandpass filter circuit and CSTV filter circuit show that IWOA optimized ELM fault diagnosis method has better fault diagnosis performance with a fault diagnosis accuracy of up to 99.41%.Keywords:analog circuits;fault diagnosis;feature extraction;principal component analysis;limit learning machine;whale algorithm0 引言随着模拟集成电路日渐复杂,模拟电路故障的诊断难度也在增加,主要是因为模拟电路输入输出信号之间的非线性关系导致电路元件参数超出容差范围,产生混叠且辨识困难的多故障状态1。因此,针对模拟电路故障诊断的研究具有重要意义。在模拟电路故障诊断中,分类算法的选择是至关重要的一环,一个好的分类算法能够提高故障分类的准确度。神经网络2在故障诊断中是经典的分类器,应用在很多的研究工作中,但是神经网络的结构不固定、收敛速度较慢,分类精度有待提高。支持向量机(SVM)3在小样本以及非线性问题上有很大优势,但是该方法需要预设参数,并且计算速度较慢。极限学习机(ELM)为单隐含层神经网络,通过训练时随机地选择输入权值,极大地提高网络的收敛速度,并且没有太多的参数需要设置4。因此选择 ELM 作为分类器能提高故障诊断的效率,然而,由于 ELM 权值和阈值是随机产生的,会影响到分类的精度,故国内外学者引入了优化算法对 ELM 进行优化。文献5采用自适应狼群算法优化 ELM,引入了自适应策略来寻找更优的 ELM 权值和阈值,但是却难以保证种群的多样性,容易陷入局部最优。文献6将蝙蝠算法引用到ELM 的优化中,故障诊断准确度虽然得到了提升,但是蝙蝠算法本身存在着易陷入局部最优、收敛速度不够快的缺点,影响了故障诊断的效率。基于此,提出一种利用改进鲸鱼算法(IWOA)优化 ELM 并结合主成分分析(PCA)算法的故障数据降401 第 2 期游达章等:基于 IWOA-ELM 的模拟电路故障诊断方法 维来进行模拟电路故障诊断的方法,并用两种国际通用测试电路验证了所提方法的有效性。1 主成分分析(PCA)PCA 法是应用较多的降维方法之一,其原理是通过线性投影7,将 f 维特征映射到 k 维上(k0.5(21)2.2.3 游走觅食阶段鲸鱼利用种群中随机个体的位置导航寻找猎物,其数学模型可表示为:X(t+1)=Xrand(t)-AD3(22)D3=CXrand(t)-X(t)(23)式中:Xrand为当前群体中随机选取的鲸鱼个体位置向量;D3为随机选择的新目标与个体鲸鱼的距离。2.3 改进鲸鱼算法2.3.1 Tent 映射的种群初始化高质量的初始化种群能够提高算法的求解精度以及收敛速度11。混沌运动具有随机性、遍历性和初值敏感性,能使算法有更快的收敛速度12,有利于算法跳出局部最优解,并且增强算法的全局搜索能力。Tent 映射定义如下:Xt+1=Xtu 0Xtu1-Xt1-u uXt1(24)式中:X(t)为个体位置向量;u 为混沌参数。当 u=1/2 时,Tent 映射具有最典型的形式,这时,种群的遍历性和算法求解速度都达到最优状态。2.3.2 非线性时变因子WOA 算法的全局搜索能力和局部搜索能力随 a 的取值不同而变化13,由式(18)可知参数 a 随着迭代次数的增加而线性减小,这种线性的变化容易使算法陷入局部最优且效率低下14。因此,本文提出一种时变因子 a 随进化迭代次数的增加产生非线性变化的策略:a=1+cosltmax t0.5tmaxcos(t-0.5tmax)tmax 0.5tmaxttmax(25)2.3.3 自适应权重策略与随机差分变异策略针对鲸鱼算法在后期易陷入局部最优的问题,提出一种自适应权重策略15-17和随机差分变异策略18-19。自适应权重策略如下:601 第 2 期游达章等:基于 IWOA-ELM 的模拟电路故障诊断方法=1-ettmax-1e-1,X(t+1)=X(t)-AD1(26)X(t+1)=D2eblcos(2l)+X(t)(27)随机差分变异策略如下:X(t+1)=r1X(t)-X(t)+r2X(t)-X(t)(28)式中:r1和 r2为0,1的随机数;X(t)为种群中随机选取的个体。2.4 IWOA-ELM 模拟电路诊断方法模型的建立为了解决极限学习机随机产生的权值和阈值会影响故障诊断准确率的问题,本文通过改进鲸鱼算法,对极限学习机的权值和阈值进行迭代寻优,并将其与 PCA 算法结合用于特征优化后的故障诊断。在IWOA 算法中,适应度的选取很重要,本文将故障诊断的平均诊断准确率设置为 IWOA 算法的适应度值,并不断迭代寻找诊断准确率的最大值,再固定此时 ELM权值和阈值。基于 IWOA-ELM 模拟电路故障诊断方法流程图如图 2 所示。图 2 基于 IWOA-ELM 模拟电路故障诊断模型流程图3 模型有效性验证3.1 实例 13.1.1 Sallen-Key 带通滤波器电路故障设置在 NI Multisim 仿真软件中建立 Sallen-Key 带通滤波器电路图模型。电路各器件的参数如图 3 所示,设置电阻容差为 5%,电容容差为 10%。图 3 Sallen-Key 带通滤波器电路图设置 C1、C2、R2、R3为故障元件,其故障模式、元件参数如表 1 所示。表 1 Sallen-Key 带通滤波电路故障模式故障编号故障类型正常值/nF故障值/nFF2C1+55.5F3C2-54.5F4C2+55.5F5normol-故障编号故障类型正常值/k故障值/kF6R2-32.7F7R2+33.3F8R3-21.8F9R3+22.23.1.2 电路特征提取在 NI Multisim 中,对设置的故障类型分别进行100 次蒙特卡洛分析,然后进行瞬态分析,在输出点处获取故障类型的输出电压波形。对输出电压波形进行 5 层小波包20分解,得到 32 个节点能量谱作为故障特征,再采用 PCA 算法对其进行降维变换,选取积累贡献率达到 85%的前 7 个主成分构成故障特征向量。部分数据如表 2 所示。表 2 小波包与 PCA 优化过的部分故障特征向量故障编码1234567F1-2.117 90.645 0-0.611 21.771 80.259 11.718 20.820 9F2-3.118 3-1.409 6-2.201 4-0.957 02.874 5-1.841 50.542 9F3-1.490 41.341 04.713 4-1.935 11.499 0-0.586 3-2.156 3F42.581 65.255 9-0.204 71.413 9-0.743 2-2.127 10.426 4F53.203 8-1.832 3-1.191 21.859 80.217 9-0.583 5-2.739 3F6-1.957 21.766 5-0.512 71.556 9-0.067 21.552 7-0.646 6F7-4.324 3-2.814 00.852 90.537 0-2.839 4-1.086 7-0.634 5F81.698 30.609 0-2.709 6-3.595 2-1.380 31.224 81.202 4F94.494 4-2.718 91.828 00.439 40.291 00.944 31.538 7701 仪 表 技 术 与 传 感 器第 2 期3.1.3 故障诊断及结果分析随机从9 种故障模式共900 组样本中抽取80%样本作为训练样本,剩余 20%作为测试样本,将训练样本以及测试样本放入未优化过的 ELM 模型、鲸鱼算法优化极限学习机(WOA-ELM)模型以及本文所提IWOA-ELM 模型中进行对照试验。IWOA-ELM 和 WOA-ELM 在整个迭代过程适应度变化如图 4 所示。图 4 寻找最佳适应度曲线由图 4 可知,IWOA-ELM 在第 7 代左右即达到最大的适应度值,而 WOA-ELM 在第 30 代左右才达到其最大的适应度值。IWOA-ELM 比 WOA-ELM 更快达到更大的适应度值,说明 IWOA-ELM 的收敛速度更快。并且 IWOA-ELM 的最大适应度也比 WOA-ELM 的最大适应度大,说明 IWOA-ELM 的收敛精度更高,同时 IWOA-ELM 模型在一定程度上克服了WOA-ELM 陷入局部最优的问题。3 种模型的诊断结果如图5图7 所示。每种模型都经过10 次诊断测试取平均值,其诊断结果如表3 所示。由表 3 可知:IWOA-ELM 模型诊断效果最好,较未优化 ELM 模型故障诊断准确率增加约 5%,较 WOA-ELM 模型故障诊断准确率增加约 2%。图 5 Sallen-key 电路 ELM 诊断结果图 6 Sallen-key 电路 WOA-ELM 诊断结果图 7 Sallen-key 电路 IWOA-ELM 诊断结果表 3 Sallen-Key 带通滤波电路的诊断结果%诊断模型测试集平均准确率ELM94.34WOA-ELM97.33IWOA-ELM99.41 除了本文提出的 IWOA 优化 ELM 的模拟故障诊断方法外,采用文献21中的粒子群算法(PSO)优化ELM 以及黏菌算法(SMA)优化 ELM 的模拟故障诊断方法与本文提出的方法进行对比,其诊断结果如表 4所示。表 4 3 种诊断方法诊断对比%诊断模型测试集平均准确率PSO-ELM95.15SMA-ELM97.24IWOA-ELM99.41 分析表 4 可知,3 种模拟电路故障诊断方法中,本文所提 IWOA-ELM 模型的诊断准确率最高。3.2 实例 23.2.1 CSTV 滤波器仿真电路故障设置在 NI Multisim 仿真软件中建立 CSTV 滤波器电路图模型。各元器件参数设置如图 8 所示,电阻和电容801 第 2 期游达章等:基于 IWOA-ELM 的模拟电路故障诊断方法 容差分别设置为 5%和 10%。图 8 CSTV 滤波器电路图设置故障元器件为 R1、R2、C1、C2、R5,其故障模式、元件参数见表 5。表 5 CSTV 滤波器电路故障模式故障编号故障类型正常值/nF故障值/nFF1normol-F2C1+2040F3C1-2010F4C2+2040F5C2-2010故障编号故障类型正常值/k故障值/kF6R1+1020F7R2+1020F8R5+1020F9R5-1053.2.2 特征提取故障数据采集以及处理方法同实例 1,部分数据如表 6 所示。表 6 小波包与 PCA 优化过的部分故障特征向量故障编码123F1-0.349 30.543 00.658 7F2-0.909 11.043 1-0.613 9F3-1.348 2-0.212 5-0.352 5F4-1.215 60.805 5-0.361 1F5-1.180 0-0.758 2-0.259 0F6-0.637 61.170 50.248 6F7-0.617 6-0.740 20.620 5F8-1.466 0-1.704 8-0.077 6F97.598 4-0.234 3-0.628 53.2.3 故障诊断及结果分析分别采用 ELM、WOA-ELM、IWOA-ELM 3 种模型进行诊断,训练集以及测试集划分同实例一,故障诊断结果如图 9图 11 所示。每种模型都经过10 次诊断测试取平均值,其诊断结果如表 7 所示。图 9 CSTV 电路 ELM 诊断结果图 10 CSTV 电路 WOA-ELM 诊断结果图 11 CSTV 电路 IWOA-ELM 诊断结果表 7 CSTV 滤波电路的诊断结果%诊断模型测试集平均准确率ELM92.53WOA-ELM95.73IWOA-ELM98.46 由表 7 可知:IWOA-ELM 模型诊断效果最好,较未优化 ELM 模型故障诊断准确率增加约 6%,较 WOA-ELM 模型诊断准确率增加约 3%。与实例一相同,同样将文献21中的两种方法与本文提出的 IWOA 优化 ELM 的故障诊断方法进行对比,诊断结果如表 8 所示。901 仪 表 技 术 与 传 感 器第 2 期表 8 3 种诊断方法诊断对比%诊断模型测试集平均准确率PSO-ELM94.37SMA-ELM96.18IWOA-ELM98.46 由表 8 可知:3 种模拟电路故障诊断方法中,本文所提 IWOA-ELM 模型的诊断准确率最高。4 结束语1)利用 PCA 法对电路故障特征降维,不仅最大程度地保留了故障信息,还有利于提高后续故障诊断模型的诊断准确率。2)将 WOA 算法引入到 ELM 中权值和阈值的优化中,不断迭代寻找最大识别准确率,再固定此时的权值和阈值,重构 ELM 模型。相比于 ELM 模型故障诊断,WOA-ELM 模型故障诊断准确率有明显提升。3)对 WOA 算法进行优化,构成 IWOA-ELM 故障诊断模型,在 Sallen-Key 电路以及 CSTV 电路中,故障诊断准确率相对于 ELM 模型分别提高约 5%和 6%,相较 WOA-ELM 模型分别提高约 2%和 3%。4)将 IWOA-ELM 故障诊断方法与 PSO-ELM 以及 SMA-ELM 2 种故障诊断方法对比,结果表明 IWOA-ELM 故障诊断准确率最高,证明了 IWOA 优化 ELM的有效性。接下来将考虑针对模拟电路故障特征的获取以及优化方法进行研究,以进一步提高模拟电路故障诊断的准确率。参考文献:1 王力,贾欣雨.基于 PSO-PF-SVM 的模拟电路故障诊断J.江苏大学学报(自然科学版),2023,44(2):221-228.2 BINU D,KARIYAPPA B S,RIDEN N.A new rider optimi-zation algorithm-based neural network for fault diagnosis in analog circuits J.IEEE Transactions on Instrumentation and Measurement,2018,68(1):2-26.3 LONG B,XIAN W M,LI M,et al.Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with mahalanobis distanceJ.Neurocomput-ing,2014,133:237-248.4 吕广红,付智辉,吴翔,等.基于 LE-ELM 的热力参数传感器故障诊断J.仪表技术与传感器,2017(10):93-97.5 颜学龙,汪斌斌.自适应狼群算法优化 ELM 的模拟电路故障诊断J.计算机工程与科学,2019,41(2):246-252.6 陈绍炜,柳光峰,冶帅,等.基于蝙蝠算法优化 ELM 的模拟电路故障诊断研究J.电子测量技术,2015,38(2):138-141.7 刘锋.基于 PCA-SAPSO-BP 神经网络的瓦斯涌出量预测研究J.煤矿安全,2023,54(4):60-68.8HUANG G B,ZHU Q Y,KHEONG S C.Extreme learning machine:theory and applications J.Elsevier BV,2006(1):489-501.9 WATKINS W A,SCHEVILL W E.Aerial observation of feeding behavior in four baleen whales:eubalaena glacialis,balaenoptera borealis,megaptera novaeangliae,and balae-noptera physalusJ.Journal of Mammalogy,1979(1):155-163.10 武泽权,牟永敏.一种改进的鲸鱼优化算法J.计算机应用研究,2020,37(12):3618-3621.11 黄元春,张凌波.改进的鲸鱼优化算法及其应用J.计算机工程与应用,2019,55(21):220-226.12 MIRJALILI S,GANDOMI A H.Chaotic gravitational con-stants for the gravitational search algorithm J.Applied Soft Computing,2017,53:407-419.13 龙文,伍铁斌,唐斌.收敛因子非线性变化的鲸鱼优化算法J.兰州理工大学学报,2017,43(6):102-107.14 吴泽忠,宋菲.基于改进螺旋更新位置模型的鲸鱼优化算法J.系统工程理论与实践,2019,39(11):2928-2944.15 郭振洲,王平,马云峰.基于自适应权重和柯西变异的鲸鱼优化算法J.微电子学与计算机,2017,34(9):20-25.16 周建新,霍彤明.基于小生境技术的改进鲸鱼优化算法J.仪表技术与传感器,2022(7):89-94.17 王磊,刘晶晶,齐俊艳,等.基于测距修正及改进鲸鱼优化的 DV-HOP 定位算法J.仪表技术与传感器,2022(2):116-121.18 曹文梁.随机差分变异粒子群混合优化算法J.电子测量与仪器学报,2017,31(6):928-933.19 覃溪,龙文.基于随机差分变异的改进鲸鱼优化算法J.中国科技论文,2018,13(8):937-942.20 胡鸿志,岑德炼,吴汝琴,等.基于小波包和 BAGRNN 的模拟电路故障诊断方法J.微电子学与计算机,2018,35(4):42-45.21林知微,王成吉,刘宗朋.模拟电路中黏菌算法优化ELM 故障诊断模型研究J.传感器与微系统,2023,42(6):47-50.作者简介:游达章(1975),教授,博士,主要从事机器人与智能控制、故障预测与可靠性技术方面的研究。E-mail:2052563465 刘姗(2001),硕士研究生,主要研究模拟电路故障诊断。E-mail:lsfc888888 011