自适应狼群算法优化ELM的模拟电路故障诊断

计算机工程与科学

自适应狼群算法优化ELM的模拟电路故障诊断

颜学龙,汪斌斌

（桂林电子科技大学电子工程与自动化学院,广西桂林 541004）

收稿日期:2018-01-08 修回日期:2018-04-11 出版日期:2019-02-25 发布日期:2019-02-25
基金资助:
广西自动检测技术与仪器重点实验室基金(YQ17101)

Fault diagnosis of analog circuits based on

ELM optimized by an adaptive wolf pack algorithm

YAN Xuelong,WANG Binbin

(School of Electronic Engineering and Automation,Guilin University of Electronic Technology,Guilin 541004,China)

Received:2018-01-08 Revised:2018-04-11 Online:2019-02-25 Published:2019-02-25

摘要/Abstract

摘要：

为了能够更加高效地检测和诊断模拟电路中的故障元件，提出了自适应狼群算法优化极限学习机的方法。该方法采用自适应遗传算法对特征参数进行选择，从而生成最优特征子集，然后利用最优特征子集构造样本输入极限学习机ELM网络对故障进行分类。针对极限学习机的输入层和隐含层之间的连接权值、隐含层的偏差都将会使其学习速度和分类正确率受到影响的问题，采用本文方法对它们进行优化并选择相应的最优值，提高了极限学习机网络训练的稳定性与故障诊断的成功率。通过2个典型模拟电路的诊断实例，给出了这些方法的具体实现过程，故障诊断率均在99%以上。仿真结果表明使用该方法进行模拟电路故障诊断时具有良好的正确率和稳定性。

关键词: 自适应遗传算法, 极限学习机, 自适应狼群算法, 故障诊断, 模拟电路

Abstract:

In order to detect and diagnose faulty components in analog circuits more efficiently, we propose to use the adaptive wolf pack algorithm to optimize the extreme learning machine(ELM). The method includes the adaptive genetic algorithm which effectively selects feature parameters to generate optimal feature subsets. They are then used to construct the samples which are input into the ELM network to classify the faults. Given that the connection weights between the input layer and hidden layer in the ELM network, and the deviation of the hidden layer can affect the learning speed and classification accuracy, we apply our method to optimize them and select the corresponding optimal value, thus improving the training stability of the ELM network and the success rate of fault diagnosis. The specific realization process of these methods is given through the diagnosis of two typical analog circuits, and their fault diagnosis rates are over 99%. Simulation results show that the method has good accuracy and stability for fault diagnosis of analog circuits.

Key words: adaptive genetic algorithm, extreme learning machine (ELM), adaptive wolf pack algorithm, fault diagnosis, analog circuit

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.

YAN Xuelong,WANG Binbin.

Fault diagnosis of analog circuits based on

ELM optimized by an adaptive wolf pack algorithm

[J]. Computer Engineering & Science.

[1]	周成江, 贾云华, 张雨宽, 禄俊. 基于FCEEMD复合筛选的故障特征提取方法[J]. 计算机工程与科学, 2023, 45(11): 2070-2077.
[2]	陈财森, 胡海荣, 程志炜, 房璐璐. 基于BA-RVM算法的发动机故障诊断技术研究[J]. 计算机工程与科学, 2023, 45(02): 332-337.
[3]	周伯荣, 程伟国, 许镇义, 温秀兰. 基于改进在线极限学习机的短时交通流预测模型研究[J]. 计算机工程与科学, 2022, 44(05): 944-950.
[4]	赵林锁, 陈泽, 丁琳琳, 宋宝燕. 基于RELM的时间序列数据加权集成分类方法[J]. 计算机工程与科学, 2022, 44(03): 545-553.
[5]	谈恩民, 王晨. 基于表征学习的模拟电路故障诊断[J]. 计算机工程与科学, 2022, 44(01): 27-35.
[6]	谢祥颖, 刘虎, 王栋, 冷彪. 基于深度残差网络的光伏故障诊断模型研究[J]. 计算机工程与科学, 2021, 43(12): 2223-2230.
[7]	董宏成, 文志云, 万玉辉, 晏飞扬, . 基于DPC聚类重采样结合ELM的不平衡数据分类算法[J]. 计算机工程与科学, 2021, 43(10): 1856-1863.
[8]	孙庞博, 符琦, 陈安华, 蒋云霞. 基于组合预测模型的小样本轴承故障分类诊断 [J]. 计算机工程与科学, 2021, 43(09): 1684-1691.
[9]	张玲. MEDA芯片菊花链的自动容错设计[J]. 计算机工程与科学, 2021, 43(07): 1192-1199.
[10]	林涛, 张达, 王建君. 改进LSTM-RF算法的传感器故障诊断与数据重构研究[J]. 计算机工程与科学, 2021, 43(05): 845-852.
[11]	陈文兵, 李育霖, 陈允杰. 一种基于CNN-SE-ELM的年龄和性别识别模型[J]. 计算机工程与科学, 2021, 43(05): 872-882.
[12]	火元莲, 李俞利. 基于多特征融合与极限学习机的植物叶片分类方法[J]. 计算机工程与科学, 2021, 43(03): 486-493.
[13]	曾广福,何浩辰,周书林. #br# 一种面向枚举类型的配置约束提取方法[J]. 计算机工程与科学, 2020, 42(04): 634-640.
[14]	蔡衡1,2,3，楚恒1,2,4，单德明1,2,3. 基于ELM的遥感影像城市道路提取[J]. 计算机工程与科学, 2020, 42(01): 125-130.
[15]	颜学龙,马润平. 基于深度极限学习机的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(11): 1911-1918.