基于深度极限学习机的模拟电路故障诊断

计算机工程与科学

基于深度极限学习机的模拟电路故障诊断

颜学龙,马润平

（桂林电子科技大学 CAT实验室，广西桂林 541004）

收稿日期:2019-05-20 修回日期:2019-07-10 出版日期:2019-11-25 发布日期:2019-11-25
基金资助:
2018年桂林电子科技大学研究生科研创新项目(2018YJCX73)

Fault diagnosis of analog circuits based

on deep extreme learning machine

YAN Xue-long，MA Run-ping

（The CAT Lab of Guilin University of Electronic Technology,Guilin 541004,China）

Received:2019-05-20 Revised:2019-07-10 Online:2019-11-25 Published:2019-11-25

摘要/Abstract

摘要：

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题，采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中，构建深度网络，将底层的故障特征转换更加抽象的高级特征，能自主地学习数据特征，避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究，实验结果验证了算法在模拟电路故障诊断上的可行性，也表明模型学习速度快、泛化能力好，具有较强的诊断能力，故障诊断分类准确率可以达到100%，诊断时间在0.3 s左右。

关键词: 故障诊断, 深度学习, 自编码器, 极限学习机

Abstract:

Aiming at the problems of feature extraction and long model training time in analog circuit fault diagnosis, an analog circuit fault diagnosis algorithm based on deep extreme learning machine is adopted. The algorithm introduces the idea of auto encoder in deep learning into the extreme learning machine to construct a depth network, and forms more abstract advanced features from the underlying fault features. It can learn data features autonomously, avoiding additional feature extraction and selection. Finally, two analog circuits of Sallen-Key and four operational amplifiers with double quadratic high-pass filtering are taken as examples to carry out the simulation research. The experimental results verify the feasibility of fault diagnosis in analog circuits, and also show that the model has fast learning speed, good generalization ability and strong diagnosis ability. The classification accuracy of fault diagnosis can reach 100%, and the diagnosis time is about 0.3 s.

Key words: fault diagnosis, deep learning, auto encoder, extreme learning machine

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.

YAN Xue-long，MA Run-ping.

Fault diagnosis of analog circuits based

on deep extreme learning machine

[J]. Computer Engineering & Science.

[1]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(07): 1218-1228.
[2]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[3]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071.
[4]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[5]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[6]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[7]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[8]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[9]	吉旭瑞, 魏德健, 张俊忠, 张帅, 曹慧. 中文电子病历信息提取方法研究综述[J]. 计算机工程与科学, 2024, 46(02): 325-337.
[10]	黄泽彪, 董德尊, 齐星云. Gloo+：利用在网计算技术加速分布式深度学习训练[J]. 计算机工程与科学, 2024, 46(01): 28-36.
[11]	邱晓梦, 王琳, 谷文俊, 宋伟, 田浩来, 胡誉. 光流法修正的时序图像语义分割模型[J]. 计算机工程与科学, 2024, 46(01): 102-110.
[12]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[13]	张骞, 陈紫强, 孙宗威, 赖镜安. 融合高分辨率网络的雾天目标检测算法[J]. 计算机工程与科学, 2023, 45(11): 1970-1981.
[14]	刘雨墨, 刘剑飞, 郝禄国, 曾文彬. 基于多尺度特征融合网络的HEVC帧内编码单元快速划分研究[J]. 计算机工程与科学, 2023, 45(11): 1991-1998.
[15]	李卓璇, 周亚同. 改进DBNet的电商图像文字检测算法研究[J]. 计算机工程与科学, 2023, 45(11): 2008-2017.