【技术实现步骤摘要】
本专利技术涉及故障诊断，尤其涉及一种电路故障诊断方法、装置及电子设备。
技术介绍
1、随着电子技术的飞速发展，模拟电路广泛应用于各种电子设备和仪器仪表中。模拟电路在设计、制造、封装过程中不可避免地会存在人工难以发现的漏洞，导致在使用电路的过程中出现故障，影响电子设备以及仪器仪表正常运行，造成严重损失。但由于模拟电路内部的电阻、电容等原件自身存在容差，使得模拟电路中的故障难以诊断。因此，有必要寻求一种能够快速准确地对模拟电路进行故障诊断的方法，以提升仪器设备的应用安全和集成电路的品质。
2、相关技术中，在对模拟电路进行故障诊断时，通常预先对模拟电路进行故障仿真，并依据专家经验建立故障字典。在实际故障诊断过程中，通过提取被测电路的具体数据特征，采用类似于“查字典”的方法，确定模拟电路的故障点。但此种诊断方法对于专家经验的依赖性过强，且其故障诊断精度受限于故障仿真精度，进而导致无法实现较高的故障诊断精度。
技术实现思路
1、本专利技术实施例提供了一种电路故障诊断方法及电子设备，以解决模拟电路的故障诊断精度易受专家经验和故障仿真精度的影响，无法实现较高的故障诊断精度的问题。
2、第一方面，本专利技术实施例提供了一种电路故障诊断方法，包括：
3、获取待测电路的故障信号，并从不同维度对所述故障信号进行特征提取，对应得到不同维度下的故障特征；
4、对不同维度下的故障特征进行拼接，得到融合特征，并将所述融合特征输入至预先训练好的故障诊断模型中，得到所
5、其中，所述故障诊断模型用于根据电路的故障特征，确定电路的故障类型；所述故障诊断模型中的模型参数由改进的粒子群优化算法确定，所述改进的粒子群优化算法中的惯性权重因子根据粒子群的适应度值以及双曲正切(hyperbolic tangent activationfunction，tanh)激活函数确定。
6、在一种可能的实现方式中，在将所述融合特征输入至预先训练好的故障诊断模型中，得到所述故障诊断模型输出的所述待测电路的故障类型之前，还包括：
7、初始化粒子群参数；其中，粒子群参数包括各粒子的速度和位置、当前迭代次数和最大迭代次数；粒子群中的粒子用于表征所述故障诊断模型中的模型参数；
8、基于当前粒子群中各粒子的速度和位置，确定当前粒子群中各粒子的适应度值，并基于所述适应度值确定当前粒子群中的全局最优粒子；
9、基于当前粒子群中各粒子的适应度值、上一代粒子群中各粒子的适应度值以及tanh激活函数，确定当前粒子群对应的惯性权重因子；
10、基于当前粒子群对应的惯性权重因子，更新当前粒子群中各粒子的速度和位置，得到下一代粒子群，将下一代粒子群确定为新的当前粒子群，并更新当前迭代次数；
11、若更新后的迭代次数小于所述最大迭代次数，则跳转至基于当前粒子群中各粒子的速度和位置，确定当前粒子群中各粒子的适应度值步骤继续执行，直到更新后的迭代次数达到所述最大迭代次数时，将当前粒子群中的全局最优粒子确定为最优解；
12、基于所述最优解对应的模型参数，确定所述故障诊断模型的模型参数，并对所述故障诊断模型进行模型训练，得到训练好的故障训练模型。
13、在一种可能的实现方式中，所述基于当前粒子群中各粒子的适应度值、上一代粒子群中各粒子的适应度值以及tanh激活函数，确定当前粒子群对应的惯性权重因子，包括：
14、基于当前粒子群中各粒子的适应度值和上一代粒子群中各粒子的适应度值，确定当前粒子群的进化离散度；
15、将当前迭代次数、预设最大迭代次数以及当前粒子群的进化离散度带入tanh激活函数，确定当前粒子群对应的惯性权重因子。
16、在一种可能的实现方式中，基于当前粒子群中各粒子的适应度值和上一代粒子群中各粒子的适应度值，确定当前粒子群的进化离散度，包括：
17、基于当前粒子群中各粒子的适应度值，确定当前粒子群对应的适应度值方差；
18、基于上一代粒子群中各粒子的适应度值，确定上一代粒子群对应的适应度值方差；
19、将当前粒子群对应的适应度值方差，与上一代粒子群对应的适应度值方差之间的比值，确定为当前粒子群的进化离散度。
20、在一种可能的实现方式中，在所述基于当前粒子群对应的惯性权重因子，更新当前粒子群中各粒子的速度和位置之前，还包括：
21、根据当前迭代次数，确定当前粒子群对应的学习因子；
22、所述基于当前粒子群对应的惯性权重因子，更新当前粒子群中各粒子的速度和位置，包括：
23、基于当前粒子群对应的惯性权重因子，以及当前粒子群对应的学习因子，更新当前粒子群中各粒子的速度和位置。
24、在一种可能的实现方式中，所述根据当前迭代次数，确定当前粒子群对应的学习因子，包括：
25、获取学习因子的初始设定值和结束设定值；
26、基于所述初始设定值和所述结束设定值之间的差值，以及当前迭代次数和预设最大迭代次数之间的比值，确定当前迭代次数对应的学习因子变化值；
27、在所述初始设定值的基础上，叠加当前迭代次数对应的学习因子变化值，得到当前粒子群对应的学习因子。
28、在一种可能的实现方式中，所述将当前迭代次数、预设最大迭代次数以及当前粒子群的进化离散度带入tanh激活函数，确定当前粒子群对应的惯性权重因子，包括：
29、根据确定当前粒子群对应的惯性权重因子；
30、其中，w(t)表示第t次迭代时，当前粒子群对应的惯性权重因子，wmax表示最大惯性权重因子，wmin表示最小惯性权重因子，表示tanh激活函数，b'表示阻尼系数，t表示当前迭代次数，t表示预设最大迭代次数。
31、在一种可能的实现方式中，在将所述融合特征输入至预先训练好的故障诊断模型中，得到所述故障诊断模型输出的待测电路的故障类型之前，还包括：
32、对所述融合特征进行降维处理，得到降维后的融合特征；
33、将所述融合特征输入至预先训练好的故障诊断模型中，得到所述故障诊断模型输出的待测电路的故障类型，包括：
34、将降维后的融合特征输入至预先训练好的故障诊断模型中，得到所述故障诊断模型输出的待测电路的故障类型。
35、在一种可能的实现方式中，从不同维度对所述故障信号进行特征提取，对应得到不同维度下的故障特征，包括：
36、分别对所述故障信号进行时域特征提取、小波包分解以及经验模态分解，得到不同维度下的故障特征。
37、第二方面，本专利技术实施例提供了一种电路故障诊断装置，包括：
38、获取模块，用于获取待测电路的故障信号，并从不同维度对所述故障信号进行特征提取，对应得到不同维度下的故障特征；
39、诊断模块，用于对不同维度下的故障特征进行拼接，得到融合特征，并将本文档来自技高网...
【技术保护点】
1.一种电路故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的电路故障诊断方法，其特征在于，在将所述融合特征输入至预先训练好的故障诊断模型中，得到所述故障诊断模型输出的所述待测电路的故障类型之前，还包括：
3.根据权利要求2所述的电路故障诊断方法，其特征在于，所述基于当前粒子群中各粒子的适应度值、上一代粒子群中各粒子的适应度值以及双曲正切激活函数，确定当前粒子群对应的惯性权重因子，包括：
4.根据权利要求3所述的电路故障诊断方法，其特征在于，基于当前粒子群中各粒子的适应度值和上一代粒子群中各粒子的适应度值，确定当前粒子群的进化离散度，包括：
5.根据权利要求2-4任一项所述的电路故障诊断方法，其特征在于，在所述基于当前粒子群对应的惯性权重因子，更新当前粒子群中各粒子的速度和位置之前，还包括：
6.根据权利要求5所述的电路故障诊断方法，其特征在于，所述根据当前迭代次数，确定当前粒子群对应的学习因子，包括：
7.根据权利要求3或4所述的电路故障诊断方法，其特征在于，所述将当前迭代次数、预设最大迭代次数以及
8.根据权利要求1-4中任一项所述的电路故障诊断方法，其特征在于，在将所述融合特征输入至预先训练好的故障诊断模型中，得到所述故障诊断模型输出的待测电路的故障类型之前，还包括：
9.根据权利要求1-4中任一项所述的电路故障诊断方法，其特征在于，从不同维度对所述故障信号进行特征提取，对应得到不同维度下的故障特征，包括：
10.一种电子设备，其特征在于，包括输入设备、存储器、处理器、存储在所述存储器中并可在所述处理器上运行的计算机程序，以及显示设备；
...【技术特征摘要】
1.一种电路故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的电路故障诊断方法，其特征在于，在将所述融合特征输入至预先训练好的故障诊断模型中，得到所述故障诊断模型输出的所述待测电路的故障类型之前，还包括：
3.根据权利要求2所述的电路故障诊断方法，其特征在于，所述基于当前粒子群中各粒子的适应度值、上一代粒子群中各粒子的适应度值以及双曲正切激活函数，确定当前粒子群对应的惯性权重因子，包括：
4.根据权利要求3所述的电路故障诊断方法，其特征在于，基于当前粒子群中各粒子的适应度值和上一代粒子群中各粒子的适应度值，确定当前粒子群的进化离散度，包括：
5.根据权利要求2-4任一项所述的电路故障诊断方法，其特征在于，在所述基于当前粒子群对应的惯性权重因子，更新当前粒子群中各粒子的速度和位置之前，还包括：
6.根据权利...
【专利技术属性】
技术研发人员：贾科进，王鑫楠，宫若男，高宇飞，
申请(专利权)人：河北科技大学，
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。