深度集合型模拟电路故障诊断方法研究
作者单位:沈阳理工大学
学位级别:硕士
导师姓名:孙波;杨青
授予年度:2022年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080902[工学-电路与系统] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:模拟电路 故障诊断 深度学习 长短期记忆网络 门控循环单元
摘 要:随着电子技术的不断发展,电子系统被应用在各个领域,对其稳定性以及安全性也提出了更高的要求。故障诊断技术可以有效地进行故障定位,降低财产损失,保证系统正常运行,提高工作效率。模拟电路结构复杂、各个元件之间存在着容差性等问题,导致特征数据存在冗余信息,从而降低故障诊断准确率。针对上述问题,本文提出了深度集合型模拟电路故障诊断方法,对故障特征进行自动提取,实现最终的故障诊断分类。首先,本文提出了快速傅里叶变换(Fast Fourier Transform,FFT)、卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆网络(Long Short-term Memory,LSTM)相结合的深度集合型故障诊断方法FFT-CNN-LSTM。通过对原始信号进行FFT变换,将时域信号转变为频域信号,再利用CNN空间特征提取能力,对预处理之后的数据进行降维处理,再将CNN提取到的特征送入到LSTM中,对数据进行深度特征提取,最后将提取到的深度特征通过Softmax分类器完成故障数据分类任务。其次,在FFT-CNN-LSTM的基础上,将LSTM网络替换为门控循环单元(Gate Recurrent Unit,GRU),提出了另一种深度集合型故障诊断方法FFT-CNN-GRU。该方法利用FFT对原始数据样本进行时频转换,将处理后的数据送入CNN-GRU网络模型中,该模型结合了CNN结构的特征提取能力和GRU能够充分挖掘数据时序信息的能力,最后通过Softmax分类器完成分类任务。其中GRU是LSTM网络的一种变体,它拥有着比LSTM更少的参数,可以有效的减少模型训练时间。最后采用CSTV滤波电路数据对FFT-CNN-LSTM和FFT-CNN-GRU两种集合型方法进行实验验证,实验结果表明,本文所提出的集合型故障诊断方法能够有效的提取故障特征,提高故障诊断准确率。