汪選勝,張　銳

(中國電子科技集團(tuán)公司第三十八研究所,合肥 230088)

?

基于ELM 網(wǎng)絡(luò)的雷達(dá)模擬電路故障診斷系統(tǒng)的研究

汪選勝,張銳

(中國電子科技集團(tuán)公司第三十八研究所,合肥 230088)

摘要：針對雷達(dá)某些具有非線性、復(fù)雜性的模擬電路,將ELM網(wǎng)絡(luò)應(yīng)用于其故障診斷系統(tǒng)中,建立故障診斷模型,并選取具體的模擬電路進(jìn)行系統(tǒng)診斷仿真。仿真結(jié)果表明系統(tǒng)故障診斷正確率高,驗(yàn)證了本文故障診斷方法的工程應(yīng)用能力,體現(xiàn)了ELM網(wǎng)絡(luò)的實(shí)際利用價(jià)值。

關(guān)鍵詞:雷達(dá);ELM網(wǎng)絡(luò);模擬電路;故障診斷

0引言

隨著電子技術(shù)的發(fā)展,現(xiàn)代設(shè)備復(fù)雜化程度在不斷增加,電子電路的后期維護(hù)就顯得尤為重要。在實(shí)際應(yīng)用中,由于雷達(dá)模擬電路易受外界干擾等因素,使得模擬電路發(fā)生故障的概率比其他設(shè)備要大,同時(shí)某些具有非線性特性的模擬電路故障診斷難度大。因此,對雷達(dá)模擬電路的故障診斷技術(shù)進(jìn)行深入的研究具有很重要的意義。

極限學(xué)習(xí)機(jī)(Extreme learning machine,稱之為ELM),新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型,是新加波的huang等人于2004年提出的一種單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)的全新的學(xué)習(xí)算法[1]。它不僅具有傳統(tǒng)神經(jīng)網(wǎng)絡(luò)高度非線性化和并行處理能力的優(yōu)點(diǎn),還具備傳統(tǒng)算法無法比擬的優(yōu)勢:數(shù)據(jù)處理的快速性、更好的泛化能力,以及不局限于隱含層節(jié)點(diǎn)激活函數(shù)的可微性。從出現(xiàn)至今,ELM網(wǎng)絡(luò)就以其具有的高效益、高性能的優(yōu)勢得到了越來越多的應(yīng)用。

本文將ELM網(wǎng)絡(luò)應(yīng)用于雷達(dá)模擬電路的故障診斷系統(tǒng)中,并建立基于ELM 網(wǎng)絡(luò)的模擬電路故障診斷系統(tǒng)模型,利用神經(jīng)網(wǎng)絡(luò)的非線性處理能力,以智能化的方法有效地保證較高的故障診斷正確率,并通過具體的模擬電路論證了該模型故障診斷的可行性,可以在雷達(dá)模擬電路故障診斷領(lǐng)域得到廣泛的應(yīng)用。

1基于ELM 網(wǎng)絡(luò)的模擬電路故障診斷系統(tǒng)模型[2-5]

ELM網(wǎng)絡(luò)可用圖1表示為一個(gè)具有n個(gè)輸入、m個(gè)輸出的單隱層前向反饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型。該模型由3層結(jié)構(gòu)構(gòu)成,分別為輸入層、隱含層和輸出層。隱含層的節(jié)點(diǎn)數(shù)l由系統(tǒng)性能需求而定。

圖1　單隱層前向反饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型圖

系統(tǒng)設(shè)定隱含層的閥值為b。被診斷目標(biāo)系統(tǒng)采集形成了Q個(gè)任意的樣本信息,從而ELM網(wǎng)絡(luò)的輸入輸出矢量對(yi,ti)∈Rn×Rm(i=1,2,…,Q)構(gòu)成了訓(xùn)練樣本集,輸入矩陣Y和輸出矩陣T分別對應(yīng)為

(1)

則ELM網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練目標(biāo)為

(2)

若取神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的激活函數(shù)為g(x),則可以得到隱含層節(jié)點(diǎn)的輸出矩陣,即為矩陣H。

H(w1,w2,…,wl,b1,b2,…,bl,y1,y2,…,yl)

(3)

由此可以得到單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸出矩陣T。

(4)

單隱層前饋網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練目標(biāo)是Hβ=T′,系統(tǒng)的實(shí)際輸出矩陣為輸出矩陣Z。

(5)

故此,可以得到單隱層前饋網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練目的,就是相同的輸入信息下以隱層節(jié)點(diǎn)的激活函數(shù)來使得系統(tǒng)輸出能零誤差的接近于給定的Q個(gè)任意的不同訓(xùn)練樣本(yi,ti),即為

(6)

當(dāng)給定權(quán)值w和閾值b后,單隱層前饋網(wǎng)絡(luò)訓(xùn)練樣本學(xué)習(xí)的最終目的就轉(zhuǎn)變?yōu)榍蠼饩€性系統(tǒng)Hβ=T′的最小二乘范數(shù)解的問題,即為

(7)

可以得到式(7)的解為

(8)

2基于ELM網(wǎng)絡(luò)的模擬電路故障診斷的應(yīng)用

選取雷達(dá)某一射頻放大電路(見圖2)作為本課題的研究對象。由于神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的自學(xué)習(xí)、非線性處理能力等優(yōu)點(diǎn),對單、軟故障的診斷具有良好的優(yōu)勢,故基于ELM網(wǎng)絡(luò)的模擬電路故障診斷系統(tǒng)針對本電路的單、軟故障的診斷加以應(yīng)用。

在電路仿真軟件PSPICE中,經(jīng)過電路的仿真與靈敏度分析,選取R6↑、R6↓、R7↑、R8↑、R11↑、R11↓的狀態(tài)分別作為電路故障的6種狀態(tài),加上正常狀態(tài)共有7種狀態(tài)信息。選定射頻放大電路輸出點(diǎn)out處的電壓作為樣本采集的來源。在Orcad/PSpice電路仿真軟件中,通過60次Monte-Carlo分析,得到60條頻率響應(yīng)波形曲線。在每條曲線上,選取300個(gè)有效點(diǎn),采集有效點(diǎn)的信息組成原始數(shù)據(jù),從而構(gòu)成60個(gè)300維的矢量信息,即為電路的原始故障特征信息。

圖2射頻放大電路圖

ELM網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)個(gè)數(shù)為300,輸出層節(jié)點(diǎn)個(gè)數(shù)為7。確定無限可微的Sigmoid函數(shù)作為單隱層節(jié)點(diǎn)的激活函數(shù),通過實(shí)驗(yàn)試探的方法來確定ELM網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)目為95。

在Matlab軟件中,將其中的30組訓(xùn)練樣本輸入到ELM網(wǎng)絡(luò)。經(jīng)過訓(xùn)練學(xué)習(xí)后,構(gòu)建ELM網(wǎng)絡(luò)的模型結(jié)構(gòu),再將30組測試樣本輸入到已訓(xùn)練好的ELM網(wǎng)絡(luò)中,得到診斷結(jié)果。鑒于測試樣本較多,僅列出在R11↑故障模式下采集到的10組電壓樣本。經(jīng)過已訓(xùn)練好的ELM網(wǎng)絡(luò)診斷后得到的輸出結(jié)果見表1。由于神經(jīng)網(wǎng)絡(luò)輸出為矢量信息,負(fù)值的討論沒有意義,故對于負(fù)值的情況用0代替。

表1　R11↑模式下的網(wǎng)絡(luò)輸出結(jié)果期望

經(jīng)過ELM網(wǎng)絡(luò)的自學(xué)習(xí)與訓(xùn)練,確定網(wǎng)絡(luò)的結(jié)構(gòu),再將測試樣本輸入到單一的ELM網(wǎng)絡(luò)中進(jìn)行測試,得到診斷結(jié)果輸出。設(shè)定ELM網(wǎng)絡(luò)的輸出偏差范圍是0.3,則可以得到測試樣本經(jīng)ELM網(wǎng)絡(luò)故障診斷后其故障診斷正確率為98.6%。

當(dāng)被診斷雷達(dá)模擬電路出現(xiàn)龐大、非線性結(jié)構(gòu)時(shí),應(yīng)用基于ELM網(wǎng)絡(luò)的故障診斷方法,不僅能夠避免人工無法診斷的缺陷,而且能保證較高的故障診斷正確率,系統(tǒng)具備良好的智能化,體現(xiàn)了其應(yīng)用的價(jià)值性與實(shí)用性。

3結(jié)束語

隨著雷達(dá)設(shè)備逐漸復(fù)雜化,系統(tǒng)的故障診斷難度也在不斷地增加,現(xiàn)有的故障診斷技術(shù)已不能滿足現(xiàn)代雷達(dá)模擬電路故障診斷的需求。本課題利用ELM神經(jīng)網(wǎng)絡(luò)技術(shù),構(gòu)建了基于ELM網(wǎng)絡(luò)的雷達(dá)模擬電路故障診斷方法。通過具體的雷達(dá)模擬電路的故障診斷仿真分析,其結(jié)果表明了基于ELM 網(wǎng)絡(luò)的故障診斷系統(tǒng)故障診斷正確率高,可以很好地滿足技術(shù)發(fā)展的需求,體現(xiàn)了雷達(dá)維護(hù)的智能化,驗(yàn)證了基于ELM網(wǎng)絡(luò)的模擬電路故障診斷方法的實(shí)用價(jià)值。

參考文獻(xiàn):

[1]J Kim,H S Shin,K Shin,M Lee.Robust algorithm for arrhythmia classification in ECG using extreme learning machine[J].Biomedical engineering,2009,31(8):1-12.

[2]王承.基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D].成都:電子科技大學(xué),2005.

[3]Huang G B.Learning capability and storage capacity of two-hidden-layer feed forward networks[J].IEEE Transactions on Neural Networks,2003,14(2):274-281.

[4]Huang G B,L Chen,C K Siew.Universal approximation using incremental constructive feed forward networks with random hidden nodes[J].IEEE Transactions on Neural Networks,2006,17(4):879-892.

[5]DemPster A P.Upper and lower probabilities induced by a multivalve mapping[J].Annals of Mathematical Statistics,1967,38:325-339.

Fault diagnosis system of radar analog circuits based on ELM network

WANG Xuan-sheng, ZHANG Rui

(No.38 Research Institute of CETC, Hefei 230088)

Abstract:In view of some nonlinear and complex analog circuits of the radar, the ELM network is applied to the fault diagnosis system. The fault diagnosis model is established, and the specific analog circuit is selected to perform the fault diagnosis simulation. The simulation results indicate that the fault diagnosis system is of high accuracy, verifying the engineering application capability of the fault diagnosis method, and reflecting the practical application value of the ELM network.

Keywords:radar; ELM network; analog circuit; fault diagnosis

中圖分類號:TN710

文獻(xiàn)標(biāo)志碼:A

文章編號:1009-0401(2016)01-0032-04

作者簡介:汪選勝(1987-),男,助理工程師,碩士,研究方向:模擬電路信號處理;張銳(1988-),男,助理工程師,碩士,研究方向:雷達(dá)信號處理。

收稿日期:2015-10-12;修回日期:2015-10-20