基于多核共空间模式的超限学习机聚类诊断方法研究

发布时间：2018-01-05 11:38

本文关键词：基于多核共空间模式的超限学习机聚类诊断方法研究　出处：《湖南大学》2015年博士论文　论文类型：学位论文

【摘要】：数字电路因其集成度高、应用性强、可靠性好等特点,比模拟电路的发展更迅速。模拟电路因其测试与故障诊断技术研究的困难,也使得研究者们对数字电路投入了更多的人力、物力和财力,导致模拟电路在整个电路系统研究领域中所占的配比较少。但整个电路系统的可靠性很大程度上取决于模拟电路的可靠性,因此模拟电路的故障诊断对于电路系统至关重要。目前模拟电路的特征提取方法诸如小波分析、曲线波特征提取、主成分分析、独立成分分析等都具有一定的局限性。在高维数据特征数据提取过程中,往往需要更多的节点来增加数据的提取,导致了网络的复杂化；曲线波分析对数据冗余的处理在重构过程中影响了数据的精度；PCA方法虽然能够在某方面有效的减少了样本,但因为最小方差的投影而降低了数据的准确度；独立成分分析主要针对高阶的统计来揭示隐藏在数据中的独立的统计学本质,但目标函数的优化及聚类却仍然存在问题；经典的神经网络算法如BP神经网络,RBF径向基神经网络,Hopfield神经网络,ART自适应神经网络,LVQ学习向量量化,支持向量机等在训练时间及聚类诊断准确率等也突出表现为效率低,聚类识别率低等问题。本文提出了共空间模式(common spatial patterns CSP)的特征提取方法,结合快速神经网络超限学习机方法进行聚类诊断进行研究,主要内容和创新性为：1、将CSP引入模拟电路故障诊断特征提取,提出了基于共空间模式的模拟电路故障诊断方法：对模拟电路故障多类样本数据进行PCA特征提取,减少样本参数及其维数,实现对来自多个通道的源数据降维,获取数据量较小的特征数据,再采用CSP(MKCSP)方法将多类特征数据在同一个子空间上进行映射,求出其正交、白化和对角化矩阵变换后的投影,使多类故障模式间的投影方差最大,从而减少故障模式之间的重叠区间,提高故障诊断正确率。2、提出了超限学习机的故障聚类诊断方法：基于对多种人工神经网络学习算法模型进行研究,深入学习并仿真了其算法模型、神经网络学习机训练性能以及模拟电路故障聚类诊断识别率的效果,其都存在着需要反复迭代,直到逼近某一函数值,训练过程难以把握,训练时间相对都较长,故障诊断识别率相对都较低等问题。本文基于Huang等人在单隐层前馈神经网络(single-hidden layer feedforward networks, SLFNs)的基础上,设置合适的隐藏层节点数,为输入权值和隐藏层偏差进行随机赋值,随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值,利用Moore-Penrose广义逆求得的最小范数最小二乘解作为网络输出权值,在训练学习的过程中不需要任何调整,只需要设置隐含层神经元的个数,即可快速获得全局唯一具有良好泛化性能的最优解。3、结合共空间模式特征提取方法和超限学习机的模拟电路故障聚类诊断方法,以Sallen-Key带通滤波器为仿真电路,对共空间模式及超限学习机的快速神经网络在模拟电路的故障聚类诊断应用进行研究,对Sallen-Key带通滤波器电路故障特征数据进行PCA提取,采用CSP(MKCSP)方法将多类特征数据在同一个子空间上进行映射,并运用核函数运算,降低非线性系统的计算量,通过正交及白化操作对采样数据矩阵中的两个矩阵同时对角化,从而获得最优投影方向,实现其中一个类别的特征信息方差最大化。投影空间里所包含信息相对于剩余的信息是更主要的,而在所选择的多个特征向量张成的投影空间里,每类特征信息通过去相关性,建立多核共空间模型,得到多组对应的空域滤波器,对每组特征提取并经超限学习机实现聚类诊断,解决了多类别数据重叠存在模糊不可区分的问题。4、本文研究了应用于实际数模混合电路的无线移动数传终端的故障聚类诊断的实现。实验中采用示波器测量并获得电路系统在正常及多种故障状态下的节点电压,应用共空间模式算法,将PCA提取的特征信息白化角化后构造独立的空间滤波器,进行投影映射得到较为分立的特征信息,建立多类别空间滤波器,再利用超限学习机聚类器训练、学习和聚类。虽然结果受测量工具的精度、测量变化的不稳定、每次测量误差、不同PCB厂家的制版材料(铜箔等)、电子元器件参数以及输入信号的稳定性等因素的影响,实验虽然不如理论仿真结果,但该方法却大大优于其他神经网络方法,提高了聚类效果和诊断能力。
[Abstract]:This paper presents the feature extraction method of common spatial patterns CSP . In this paper , based on the single - hidden layer feedforward neural network ( SLFNs ) , this paper studies the fault clustering diagnosis of multi - class data . The method is based on single - hidden layer feedforward neural network ( SLFNs ) . Although the experimental results are not as good as theoretical simulation results , the method is much better than other neural network methods , so that the clustering effect and the diagnostic capability are improved .

【学位授予单位】：湖南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN710

【相似文献】