周世官，李國(guó)君，鄭 燕

(寧波工程學(xué)院 電子與信息工程學(xué)院，浙江 寧波 315016)

基于改進(jìn)液體狀態(tài)機(jī)的模擬電路故障診斷

周世官，李國(guó)君，鄭 燕

(寧波工程學(xué)院 電子與信息工程學(xué)院，浙江 寧波 315016)

針對(duì)標(biāo)準(zhǔn)液體狀態(tài)機(jī)存在的過層次化和病態(tài)同步兩個(gè)基本缺陷，結(jié)合遺傳算法和液體狀態(tài)機(jī)的特點(diǎn)，提出了一種基于改進(jìn)液體狀態(tài)機(jī)的故障診斷方法。該方法首先在液體狀態(tài)機(jī)訓(xùn)練前運(yùn)用遺傳算法對(duì)標(biāo)準(zhǔn)液體狀態(tài)機(jī)液體池中的大規(guī)模隨機(jī)稀疏網(wǎng)絡(luò)進(jìn)行迭代優(yōu)化，然后采用改進(jìn)液體狀態(tài)機(jī)進(jìn)行模擬電路故障模式的分類。仿真表明，和標(biāo)準(zhǔn)液體狀態(tài)機(jī)相比，改進(jìn)液體狀態(tài)機(jī)可以有效地提高模擬電路故障診斷的準(zhǔn)確率，對(duì)模擬電路的故障診斷研究有一定的實(shí)際意義。

液體狀態(tài)機(jī)；遺傳算法；故障診斷；模擬電路

隨著電路測(cè)試和診斷需求的增加。使電路故障診斷逐漸成為電路理論研究的熱點(diǎn)，并使其與電路分析、網(wǎng)絡(luò)綜合成為現(xiàn)代電路理論的三大分支之一[1]。近年來，隨著人工智能技術(shù)的發(fā)展，許多國(guó)內(nèi)外學(xué)者提出基于隱馬爾科夫、神經(jīng)網(wǎng)絡(luò)、小波分解、模糊理論、支持向量機(jī)等模擬電路故障診斷方法，并獲得了良好的效果[2-6]。其中，研究成果最多的是基于人工神經(jīng)網(wǎng)絡(luò)的方法，然而，由于人工神經(jīng)網(wǎng)絡(luò)技術(shù)本身還不夠完善，在設(shè)計(jì)階段需要大量的故障樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)速度較慢，訓(xùn)練時(shí)間較長(zhǎng)，影響了診斷系統(tǒng)的實(shí)用化。

液體狀態(tài)機(jī)(Liquid State Machine，LSM)是由文獻(xiàn)[7]提出的一種新型神經(jīng)網(wǎng)絡(luò)，LSM 液體池的構(gòu)成與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有較大差別，是大規(guī)模的隨機(jī)稀疏網(wǎng)絡(luò)，因此學(xué)習(xí)能力更強(qiáng)，具有良好的分類效果，適合做為模擬電路故障診斷的方法。然而，正是因?yàn)槠湟后w池是大規(guī)模隨機(jī)稀疏網(wǎng)絡(luò)，所以標(biāo)準(zhǔn)液體狀態(tài)機(jī)本身存在的過層次化和病態(tài)同步兩個(gè)基本缺陷，一定程度上影響了它的實(shí)用性，而采用遺傳算法優(yōu)化儲(chǔ)備池的改進(jìn)液體狀態(tài)機(jī)能夠在一定程序上改善這兩個(gè)基本缺陷。

1 液體狀態(tài)機(jī)的基本內(nèi)容

液體狀態(tài)機(jī)是用LIF(Leaky Integrate and Fire)神經(jīng)元來構(gòu)建的一個(gè)回歸神經(jīng)網(wǎng)絡(luò)[8]，但它又不同于一般的回歸型網(wǎng)絡(luò)，它有相應(yīng)的輸入、輸出的定義方式[9]。

圖1 液體狀態(tài)機(jī)結(jié)構(gòu)圖

如圖1所示，液體狀態(tài)機(jī)的結(jié)構(gòu)分為輸入層LM、中間映射層xM(t)及輸出層fM。形式上，輸入到輸出的中間有一個(gè)中間狀態(tài)xM(t)，就像平常的神經(jīng)網(wǎng)絡(luò)，也是完成從輸入到輸出的映射。但是，它的中間層采用了一種叫做Liquid Pool或Neural Circuit的特殊結(jié)構(gòu)[10]，姑且稱其為液體池。液體池一般是隨機(jī)生成x×y×z的長(zhǎng)方體結(jié)構(gòu)，池中的神經(jīng)元兩兩之間是否連接的確定方式為

(1)

其中，p(i,j)表示液體池中兩兩神經(jīng)元之間有無(wú)連接的概率；D(i,j)表示在液體池中2個(gè)神經(jīng)元之間的歐式距離；λ與C為控制參數(shù)。C隨著液體池中兩兩神經(jīng)元之間是興奮型還是抑制型而不同，實(shí)際上表示神經(jīng)元連接的疏密程度。液體狀態(tài)機(jī)從輸入層到中間映射層的連接是隨機(jī)確定的，一個(gè)輸入神經(jīng)元可以只與一個(gè)中間映射層的神經(jīng)元相連接，也可以與多個(gè)甚至所有的神經(jīng)元相連接。

液體狀態(tài)機(jī)的核心就是液體池，其工作就是將輸入序列u(·)轉(zhuǎn)化為高維的中間狀態(tài)xM(t)，可以描述為

xM(t)=(LMu)(t)

(2)

其中，LM可以看做是一個(gè)濾波的機(jī)制，這與支持向量機(jī)的原理一致。其能將輸入u(t)映射成中間狀態(tài)xM(t)，因?yàn)閿?shù)據(jù)在高維空間比在原始空間要更加容易區(qū)分，所以投射到高維狀態(tài)就會(huì)使輸入數(shù)據(jù)更易分類。

得到中間狀態(tài)xM(t)后，下一步就是得到想要的輸出。液體狀態(tài)機(jī)的輸出層就是實(shí)現(xiàn)從中間狀態(tài)xM(t)到輸出層y(t)的變化的，可以描述為

y(t)=fM(xM(t))

(3)

2 遺傳算法

遺傳算法(Genetic Algorithm，GA)是借鑒生物界的進(jìn)化規(guī)律演化而來的一類隨機(jī)搜索方法，由美國(guó)Michigan大學(xué)的J.Holland教授于1975年首先提出[11]。

圖2 遺傳算法的工作流程圖

遺傳算法是一種模擬達(dá)爾文生物進(jìn)化論的計(jì)算模型，該模型通過模擬自然進(jìn)化過程來搜索得到最優(yōu)解。它通過對(duì)生物進(jìn)化過程中繁殖、雜交和變異的自然選擇規(guī)律的模擬，在“適者生存，優(yōu)勝劣汰”的選擇原則下，經(jīng)過遺傳算法的遺傳操作(即3個(gè)基本算子是選擇、交叉和變異)使問題的最優(yōu)解得以生存，從而實(shí)現(xiàn)對(duì)問題的優(yōu)化[12]，其工作流程如圖2所示。

3 改進(jìn)液體狀態(tài)機(jī)

3.1 液體池優(yōu)化

在用遺傳算法對(duì)液體狀態(tài)機(jī)的液體池進(jìn)行優(yōu)化時(shí)只對(duì)液體池的連接權(quán)值進(jìn)行優(yōu)化，也就是說液體池的結(jié)構(gòu)在隨機(jī)生成后是固定不變的。對(duì)于遺傳算法初始種群中的每一個(gè)個(gè)體，它們按照這個(gè)結(jié)構(gòu)隨機(jī)生成初始化權(quán)值，按這種方法生成30個(gè)個(gè)體作為初始化種群。然后用上文介紹的遺傳算法對(duì)其進(jìn)行優(yōu)化。遺傳算法的適應(yīng)度函數(shù)是由這個(gè)需要優(yōu)化的液體池的分類能力決定的。這里采用文獻(xiàn)[13]提出的液體池分類能力計(jì)算方法，其定義如下

(4)

3.2 液體狀態(tài)機(jī)的訓(xùn)練

液體狀態(tài)機(jī)的輸入層只負(fù)責(zé)把信號(hào)輸入到中間映射層。中間映射層即液體池，它是一個(gè)由LIF神經(jīng)元組成的數(shù)量龐大，排列成點(diǎn)陣結(jié)構(gòu)的一個(gè)回歸模型，其中兩兩神經(jīng)元之間的連接是在液體池初步生成時(shí)隨機(jī)確定的，這里先用遺傳算法對(duì)液體池進(jìn)行優(yōu)化，液體池優(yōu)化后就不再改變，即中間映射層中的連接權(quán)值是不需要訓(xùn)練改變的。所以液體狀態(tài)機(jī)只需要訓(xùn)練輸出層。

液體狀態(tài)機(jī)訓(xùn)練輸出層的算法靈活多變。常見的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法都可用來訓(xùn)練輸出層，只要能夠達(dá)到需要的目標(biāo)及精度即可。文中的液體狀態(tài)機(jī)的輸出層采用單層感知器，訓(xùn)練采用文獻(xiàn)[14]提出的p-delta 算法。

若神經(jīng)元j的激活函數(shù)是g(x)，Wij是神經(jīng)元j的第i個(gè)權(quán)值，則權(quán)值改變

Δwij=α(tj-oj)g′(hj)

(5)

4 診斷實(shí)例

診斷實(shí)例選擇一個(gè)兩級(jí)阻容耦合放大電路，其電路圖如圖3所示。運(yùn)用上文介紹的改進(jìn)液體狀態(tài)機(jī)對(duì)其進(jìn)行故障診斷研究。由于改進(jìn)液體狀態(tài)機(jī)的訓(xùn)練需要大量樣本，所以采用文獻(xiàn)[15]提出的樣本自動(dòng)生成的方法。

圖3 兩級(jí)阻容耦合放大電路

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖

得到樣本后就可以按照上文提出的方法對(duì)改進(jìn)液體狀態(tài)機(jī)進(jìn)行訓(xùn)練，并把訓(xùn)練結(jié)果和標(biāo)準(zhǔn)液體狀態(tài)機(jī)以及普通BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果作比較。圖4、圖5和圖6分別為BP神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)液體狀態(tài)機(jī)和改進(jìn)液體狀態(tài)機(jī)的訓(xùn)練誤差圖。從圖中可以看出，改進(jìn)液體狀態(tài)機(jī)的訓(xùn)練誤差為5.44小于標(biāo)準(zhǔn)液體狀態(tài)機(jī)的訓(xùn)練誤差16.24，雖然訓(xùn)練代數(shù)為38代，大于標(biāo)準(zhǔn)液體狀態(tài)機(jī)的20代，但小于BP神經(jīng)網(wǎng)絡(luò)的132代。

圖5 標(biāo)準(zhǔn)液體狀態(tài)機(jī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖

圖6 改進(jìn)液體狀態(tài)機(jī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖

5 結(jié)束語(yǔ)

本文針對(duì)目前應(yīng)用最多的基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法進(jìn)行了研究，提出了一種基于改進(jìn)液體狀態(tài)機(jī)的模擬電路故障診斷方法。仿真實(shí)驗(yàn)結(jié)果表明，和標(biāo)準(zhǔn)液體狀態(tài)機(jī)相比，不僅訓(xùn)練精度明顯提高，而且訓(xùn)練時(shí)間基本一致；雖然訓(xùn)練精度比BP神經(jīng)網(wǎng)絡(luò)稍差，但由于改進(jìn)液體狀態(tài)機(jī)只需要訓(xùn)練輸出層，而且訓(xùn)練采用的p-delta算法運(yùn)算簡(jiǎn)潔；所以訓(xùn)練時(shí)間小于BP神經(jīng)網(wǎng)絡(luò)，且泛化能力更強(qiáng)，對(duì)模擬電路的故障診斷研究有一定的實(shí)際意義。

[1] Bandler J W, Salama A E. Fault diagnosis of analog circuits[J]. Proceedings of the IEEE,1985,73(8):1279-1325.

[2] 鄧勇,師奕兵,李炎駿,等.非線性模擬電路軟故障診斷方法[J].測(cè)控技術(shù),2013,32(3):22-25.

[3] Zhou S G, Li G J, Luo Z F, et al. Analog circuit fault diagnosis based on LVQ neural network[C].Iraq:First National Conference for Engineering Sciences (FNCES),2012.

[4] 何星,王宏力,陸敬輝,等.基于優(yōu)選小波包和ELM的模擬電路故障診斷[J].儀器儀表學(xué)報(bào),2013,34(11):2614-2619.

[5] Grzechca D E.Construction of an expert system based on fuzzy logic for diagnosis of analog electronic circuits[J].International Journal of Electronics & Telecommunications,2015,61(1):77-82.

[6] Zhang A,Chen C,Jiang B. Analog circuit fault diagnosis based UCISVM[J].Neurocomputing,2016(173):1752-1760.

[7] Markram H,Maass W,Natschl?ger T. Real-time computing without stable states: a new framework for neural computation based on perturbations[J]. Neural Computation， 2002,14(11):2531-2560.

[8] 黃江帥.基于液體狀態(tài)機(jī)的腦運(yùn)動(dòng)神經(jīng)系統(tǒng)的建模研究[D].武漢:華中科技大學(xué),2009.

[9] Maass W, Natschl?ger T, Markram H. Fading memory and kernel properties of generic cortical microcircuit models[J]. Journal of Physiology-Paris, 2004, 98(98):315-30.

[10] Chella A,Rizzo R.Biological & artificial intelligence environments[M].Netherlands:Springer,2005.

[11] Goldberg D E,Holland J H.Genetic algorithms and machine learning[J].Machine Learning,1988,3(2): 95-99.

[12] 李敏強(qiáng).遺傳算法的基本理論與應(yīng)用[M].北京:科學(xué)出版社,2002.

[13] Goodman E,Ventura D.Spatiotemporal pattern recognition via liquid state machines[C].CA,USA:The 2006 IEEE International Joint Conference on Neural Network Proceedings,2006.

[14] Auer P, Burgsteiner H, Maass W. The p-delta learning rule for parallel perceptrons[J].Submitted for Publication,2001(3):598-607.

[15] 竺瓊,胡志忠,浦建開.基于 SLPS 的模擬電路故障樣本自動(dòng)獲取技術(shù)[J].電子設(shè)計(jì)工程,2012,20(1):36-38.

聲 明

我刊《電子科技》2017年第30卷第4期第27頁(yè)，《基于聲全息技述的噪聲源識(shí)別與DSP實(shí)現(xiàn)》一文，由廣西高校自然科學(xué)基金資助，編號(hào)：2013YB172。特此聲明！

《電子科技》編輯部

Analog Circuit Fault Diagnosis Based on the Improved Liquid State Machine

ZHOU Shiguan, LI Guojun, ZHENG Yan

(School of Electronic and Information Engineering, Ningbo University of Technology, Ningbo 315016, China)

A fault diagnosis method based on the improved liquid state machine is proposed to solve the problem of pathological synchrony and over-stratification in the standard liquid state machine, which is based on the characteristics of genetic algorithm and liquid state machine. The method firstly uses the genetic algorithm to iteratively optimize the large-scale stochastic sparse network in the standard liquid state machine liquid pool before the liquid state machine training, and then uses the improved liquid state machine to classify the fault pattern of analog circuits. The simulation results show that compared with the standard liquid state machine, the improved liquid state machine can effectively improve the accuracy of analog circuit fault diagnosis.

liquid state machine; genetic algorithm; fault diagnosis; analog circuit

2016- 06- 19

周世官(1978-)，男，碩士，講師。神經(jīng)網(wǎng)絡(luò)應(yīng)用。

10.16180/j.cnki.issn1007-7820.2017.05.002

TN431.1；TP18

A

1007-7820(2017)05-005-04