基于多核共空間模式的超限學(xué)習(xí)機聚類診斷方法研究.pdf

1、數(shù)字電路因其集成度高、應(yīng)用性強、可靠性好等特點，比模擬電路的發(fā)展更迅速。模擬電路因其測試與故障診斷技術(shù)研究的困難，也使得研究者們對數(shù)字電路投入了更多的人力、物力和財力，導(dǎo)致模擬電路在整個電路系統(tǒng)研究領(lǐng)域中所占的配比較少。但整個電路系統(tǒng)的可靠性很大程度上取決于模擬電路的可靠性，因此模擬電路的故障診斷對于電路系統(tǒng)至關(guān)重要。
　　目前模擬電路的特征提取方法諸如小波分析、曲線波特征提取、主成分分析、獨立成分分析等都具有一定的局限性。在高維

2、數(shù)據(jù)特征數(shù)據(jù)提取過程中，往往需要更多的節(jié)點來增加數(shù)據(jù)的提取，導(dǎo)致了網(wǎng)絡(luò)的復(fù)雜化;曲線波分析對數(shù)據(jù)冗余的處理在重構(gòu)過程中影響了數(shù)據(jù)的精度;PCA方法雖然能夠在某方面有效的減少了樣本，但因為最小方差的投影而降低了數(shù)據(jù)的準(zhǔn)確度;獨立成分分析主要針對高階的統(tǒng)計來揭示隱藏在數(shù)據(jù)中的獨立的統(tǒng)計學(xué)本質(zhì)，但目標(biāo)函數(shù)的優(yōu)化及聚類卻仍然存在問題;經(jīng)典的神經(jīng)網(wǎng)絡(luò)算法如BP神經(jīng)網(wǎng)絡(luò)，RBF徑向基神經(jīng)網(wǎng)絡(luò)，Hopfield神經(jīng)網(wǎng)絡(luò)，ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)，LVQ學(xué)

3、習(xí)向量量化，支持向量機等在訓(xùn)練時間及聚類診斷準(zhǔn)確率等也突出表現(xiàn)為效率低，聚類識別率低等問題。
　　本文提出了共空間模式(common spatial patterns CSP)的特征提取方法，結(jié)合快速神經(jīng)網(wǎng)絡(luò)超限學(xué)習(xí)機方法進行聚類診斷進行研究，主要內(nèi)容和創(chuàng)新性為:
　　1、將CSP引入模擬電路故障診斷特征提取，提出了基于共空間模式的模擬電路故障診斷方法:對模擬電路故障多類樣本數(shù)據(jù)進行PCA特征提取，減少樣本參數(shù)及其維數(shù)，實現(xiàn)

4、對來自多個通道的源數(shù)據(jù)降維，獲取數(shù)據(jù)量較小的特征數(shù)據(jù)，再采用CSP(MKCSP)方法將多類特征數(shù)據(jù)在同一個子空間上進行映射，求出其正交、白化和對角化矩陣變換后的投影，使多類故障模式間的投影方差最大，從而減少故障模式之間的重疊區(qū)間，提高故障診斷正確率。
　　2、提出了超限學(xué)習(xí)機的故障聚類診斷方法:基于對多種人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法模型進行研究，深入學(xué)習(xí)并仿真了其算法模型、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機訓(xùn)練性能以及模擬電路故障聚類診斷識別率的效果，其都存

5、在著需要反復(fù)迭代，直到逼近某一函數(shù)值，訓(xùn)練過程難以把握，訓(xùn)練時間相對都較長，故障診斷識別率相對都較低等問題。本文基于Huang等人在單隱層前饋神經(jīng)網(wǎng)絡(luò)(single-hidden layer feedforwardnetworks，SLFNs)的基礎(chǔ)上，設(shè)置合適的隱藏層節(jié)點數(shù)，為輸入權(quán)值和隱藏層偏差進行隨機賦值，隨機產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值，利用Moore-Penrose廣義逆求得的最小范數(shù)最小二乘解作為網(wǎng)絡(luò)輸

6、出權(quán)值，在訓(xùn)練學(xué)習(xí)的過程中不需要任何調(diào)整，只需要設(shè)置隱含層神經(jīng)元的個數(shù)，即可快速獲得全局唯一具有良好泛化性能的最優(yōu)解。
　　3、結(jié)合共空間模式特征提取方法和超限學(xué)習(xí)機的模擬電路故障聚類診斷方法，以Sallen-Key帶通濾波器為仿真電路，對共空間模式及超限學(xué)習(xí)機的快速神經(jīng)網(wǎng)絡(luò)在模擬電路的故障聚類診斷應(yīng)用進行研究，對Sallen-Key帶通濾波器電路故障特征數(shù)據(jù)進行PCA提取，采用CSP(MKCSP)方法將多類特征數(shù)據(jù)在同一個子空間

7、上進行映射，并運用核函數(shù)運算，降低非線性系統(tǒng)的計算量，通過正交及白化操作對采樣數(shù)據(jù)矩陣中的兩個矩陣同時對角化，從而獲得最優(yōu)投影方向，實現(xiàn)其中一個類別的特征信息方差最大化。投影空間里所包含信息相對于剩余的信息是更主要的，而在所選擇的多個特征向量張成的投影空間里，每類特征信息通過去相關(guān)性，建立多核共空間模型，得到多組對應(yīng)的空域濾波器，對每組特征提取并經(jīng)超限學(xué)習(xí)機實現(xiàn)聚類診斷，解決了多類別數(shù)據(jù)重疊存在模糊不可區(qū)分的問題。
　　4、本文研

8、究了應(yīng)用于實際數(shù)?；旌想娐返臒o線移動數(shù)傳終端的故障聚類診斷的實現(xiàn)。實驗中采用示波器測量并獲得電路系統(tǒng)在正常及多種故障狀態(tài)下的節(jié)點電壓，應(yīng)用共空間模式算法，將PCA提取的特征信息白化角化后構(gòu)造獨立的空間濾波器，進行投影映射得到較為分立的特征信息，建立多類別空間濾波器，再利用超限學(xué)習(xí)機聚類器訓(xùn)練、學(xué)習(xí)和聚類。雖然結(jié)果受測量工具的精度、測量變化的不穩(wěn)定、每次測量誤差、不同PCB廠家的制版材料（銅箔等）、電子元器件參數(shù)以及輸入信號的穩(wěn)定性等因素