本发明专利技术公开了基于KPCA和双向LSTM的电路初期故障诊断方法，涉及电路故障检测技术领域，该方法包括：将正弦波刺激信号输入至无故障电路和多个故障电路；通过预置的初始模型从得到的信号中分别提取得到对应的高维特征；利用KPCA算法对各个高维特征进行降维处理得到降维特征；将降维特征输入LSTM网络进行训练，得到训练完成的诊断模型；将同个正弦波刺激信号输入待测电路获取待测信号，将待测信号输入至诊断模型中进行处理，得到待测电路对应的诊断结果；基于机器学习和深度学习的理论，首先提取各自对应的特征，来训练出诊断模型，最后利用诊断模型诊断电路，此方式可以有效的识别出电路参数变化较小的模拟电路。
【技术实现步骤摘要】
本专利技术涉及电路故障检测，更具体地说，它涉及基于kpca和双向lstm的电路初期故障诊断方法。
技术介绍
1、随着科技的不断发展，电力设备和电路的故障诊断逐渐从人工检测转换为人工智能诊断，在复杂的电路中有庞大数量的电子元件，人工诊断不仅消耗巨大的人力物力成本，而且还容易产生遗漏故障现象，造成很大的经济损失；电路已经广泛应用于家用电器、汽车电子设备、电力能源系统、工业电子等领域，电路一般分为模拟电路和数字电路；通常，电路中只有20％是模拟电路，但是有80％的电路故障都发生在模拟电路，与数字电路相比，模拟电路的故障诊断更具有挑战性，其原因主要是模拟电路元件参数通常是连续的，可以从零变化到无穷大，这些故障不改变电路的拓扑结构，并且是由于某些电路元件的参数值的变化造成的；一般来说，模拟电路故障可分为硬故障和软故障。硬故障是指电路元件的灾难性故障，如开路、短路等重大故障，它们都很容易被识别出来；软故障表示电路元件参数值的偏差，在电路运行过程中发生最为频繁，显然，软故障比硬故障更难诊断，而模拟电路故障诊断一般是指软故障诊断。
2、模拟电路的初期故障是指电路元件的值偏差值已超出容忍界，而这些值尚未发展到故障值，为了检测电路健康状态并预防故障发生，对模拟电路初期故障的诊断尤为重要；然而，由于提取的特征往往不足以提供区分不同故障类型所需的辨别信息，对于电路元器件参数变化较小的初期故障，需要提取更高区分度的特征才能将其精准识别，因此目前提出的大多数故障检测方法只对硬故障(例如电路元件的短路和开路)和电路元件参数变化较大的软故障有效。</p>
技术实现思路
1、本专利技术的目的在于提供基于kpca和双向lstm的电路初期故障诊断方法，以解决上述
技术介绍
中存在的问题。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：
3、第一方面，本申请实施例提供了基于kpca和双向lstm的电路初期故障诊断方法，包括以下步骤：
4、将正弦波刺激信号分别输入至无故障电路和不同故障类型的多个故障电路，得到无故障电路对应的原始无故障信号，以及多个故障电路分别对应的原始故障信号；
5、通过预置的初始模型从原始无故障信号数据和多个原始故障信号数据中分别提取得到对应的高维特征；
6、利用初始模型中预设的kpca算法对各个高维特征进行降维处理，得到每个高维特征对应的降维特征；
7、将多个降维特征以序列形式并按预置时间步依次输入初始模型中预设的lstm网络并对lstm网络进行训练，得到与初始模型对应并训练完成的诊断模型；
8、将同个正弦波刺激信号输入待测电路，并获取待测电路产生的待测信号，将待测信号输入至诊断模型中进行处理，得到待测电路对应的诊断结果，诊断结果为是否存在故障和当存在故障时存在的故障类型。
9、本专利技术的有益效果是：本方案基于机器学习和深度学习的理论，首先从已有的无故障电路和故障电路的信号数据中提取各自对应的特征，并通过这些特征来学习和训练出一个用于诊断故障的诊断模型，最后利用该诊断模型诊断待测试的电路是否存在故障以及在存在故障时存在的故障类型；对于各个模拟电路的初期故障，通过此方式的诊断可以有效的识别以及诊断出电路参数变化较小的模拟电路。
10、本方案中，对于变化较小的电路参数，首先通过刺激信号对待测试的电路进行刺激进而参数对应的电压信号，即原始无故障信号或原始故障信号；其次，将对应的电压信号进行特征提取，对于提取到的特征包括了原始无故障信号的特征和原始故障信号的特征，并将提取到的特征进行降维处理，在降维处理中利用kpca算法进行，kpca算法的使用可以将超高维空间中的特征分解并转换为核矩阵的特征分解，实现有效的提取特征中真正有用的特征，去除冗余的特征，因此实现了对电路参数变化较小的电路也能够更加全面、完整的提取到反应电路状态的特征，从而最终达到诊断电路的目的。
11、本方案中，在对初始模型中的lstm网络进行训练时，通过将处理好的特征双向的输入至lstm网络中进行处理，因此可以同时注意每个时刻对应的特征的前后信息，则对于每个输入到lstm网络中的特征而言，可以更全面地得到每一个特征的表示信息，实现对lstm网络更好、更全面的训练，使最终得到的诊断模型具有更准确、快速的电路故障诊断能力。
12、在上述技术方案的基础上，本专利技术还可以做如下改进。
13、进一步，上述通过预置的初始模型从原始无故障信号数据和多个原始故障信号数据中分别提取得到对应的高维特征，包括：
14、利用初始模型提取得到原始信号的时域信号的时域统计特征，高维特征包括时域统计特征，原始信号包括原始无故障信号数据和多个原始故障信号数据；
15、将时域信号进行快速傅立叶变换处理，得到时域信号对应的频谱信号，根据频谱信号计算得到频域统计特征，高维特征包括频域统计特征；
16、将原始信号进行小波变换处理，得到原始信号对应的小波特征，高维特征包括小波特征。
17、采用上述进一步方案的有益效果是：从待测试的电路得到的因刺激信号产生的电压信号中，获取多种特征类型以及每种特征类型多个的信号特征，从而得到诸多能够反映待测试的电路状态的特征，则对于参数变化较小的模拟电路，也能够实现故障的准确诊断；同时上述的时域统计特征、频域统计特征以及小波特征之间都具有关联性，还可以通过一种类型的特征判断和分析另一种类型的特征的真实性和准确性。
18、进一步，上述时域统计特征包括时域信号的均值、标准差、峰值、均方根值、峰度和偏度。
19、进一步，上述频域统计特征包括频谱信号的均值、标准差、峰值、均方根值、峰度和偏度。
20、采用上述进一步方案的有益效果是：通过一种类型的特征的多个相关参数，更好的反映出待测试电路的状态。
21、进一步，上述时域统计特征或频域统计特征通过以下公式表示：
22、
23、
24、式中，tμ表示均值，tσ表示标准差，tmax表示峰值，trms表示均方根值，tku表示峰度，tsk表示偏度，ns表示原始信号中其中一条信号的采样点数，s(i)表示原始信号s的第i个幅值。
25、进一步，上述小波特征通过第一公式表示，第一公式为：
26、
27、式中，ws(a,b)表示原始信号s的小波特征，s表示原始信号的序号，t表示原始信号的获取时刻，a表示缩放因子，b表示平移因子。
28、进一步，上述将多个降维特征以序列形式并按预置时间步依次输入初始模型中预设的lstm网络并对lstm网络进行训练，包括：
29、对于每个降维特征，按照预置的序列长度将降维特征划分为按时间排列的多个序列数据；
30、将多个序列数据按正序时间步依次输入至lstm网络中的lstm cell层进行处理，得到正序最终时刻的第一隐状态，将多个序列数据按倒序时间步依次输入至lstm网络中的lstm cell本文档来自技高网
...
【技术保护点】
1.基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，所述通过预置的初始模型从所述原始无故障信号数据和多个所述原始故障信号数据中分别提取得到对应的高维特征，包括：
3.根据权利要求2所述的基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，所述时域统计特征包括时域信号的均值、标准差、峰值、均方根值、峰度和偏度。
4.根据权利要求2所述的基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，所述频域统计特征包括频谱信号的均值、标准差、峰值、均方根值、峰度和偏度。
5.根据权利要求3或4所述的基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，所述时域统计特征或所述频域统计特征通过以下公式表示：
6.根据权利要求2所述的基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，所述小波特征通过第一公式表示，所述第一公式为：
7.根据权利要求1所述的基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，所述将多个所述降维特征以序列形式并按预置时间步依次输入所述初始模型中预设的LSTM网络并对所述LSTM网络进行训练，包括：
8.基于KPCA和双向LSTM的电路初期故障诊断系统，应用于权利要求1-7中任一项所述的基于KPCA和双向LSTM的电路初期故障诊断方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行权利要求1-7中任一项所述的方法。
...
【技术特征摘要】
1.基于kpca和双向lstm的电路初期故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于kpca和双向lstm的电路初期故障诊断方法，其特征在于，所述通过预置的初始模型从所述原始无故障信号数据和多个所述原始故障信号数据中分别提取得到对应的高维特征，包括：
3.根据权利要求2所述的基于kpca和双向lstm的电路初期故障诊断方法，其特征在于，所述时域统计特征包括时域信号的均值、标准差、峰值、均方根值、峰度和偏度。
4.根据权利要求2所述的基于kpca和双向lstm的电路初期故障诊断方法，其特征在于，所述频域统计特征包括频谱信号的均值、标准差、峰值、均方根值、峰度和偏度。
5.根据权利要求3或4所述的基于kpca和双向lstm的电路初期故障诊断方法，其特征在于，所述时域统计特征或所述频域统计特征通过以下公式表示：
6.根据权利要求2所述的基于...
【专利技术属性】
技术研发人员：徐厚东，张颉，沈军，李赋欣，吴祁宁，蒋炜，王晓晖，唐超，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。