本發(fā)明屬于故障診斷領(lǐng)域，具體的涉及基于elm算法的水下航行器電路故障診斷方法。

背景技術(shù)：

近年來，故障診斷領(lǐng)域發(fā)展迅速，各種故障診斷方法層出不窮，故障診斷的精確度也逐步提高。電氣設(shè)備故障診斷，新能源汽車故障診斷，無人飛行器故障診斷，以及可擴(kuò)展的故障診斷方法等等。

在現(xiàn)有技術(shù)中，傳統(tǒng)的診斷方法是采用傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的隱層節(jié)點參數(shù)是通過一定的迭代算法進(jìn)行多次優(yōu)化并最終確定的。這些迭代步驟往往會使參數(shù)的訓(xùn)練過程占用大量的時間。并且，現(xiàn)有算法很容易產(chǎn)生局部最優(yōu)解，從而使網(wǎng)絡(luò)訓(xùn)練過程的效率得不到保證。

目前的對于水下航行器電路故障診斷方法較少，而且現(xiàn)有的少數(shù)的診斷方法中，要么處理速度過慢，要么故障樣本需求量過大，要么成本太高，并且沒有合適的方法去減小干擾因子的影響力。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于，克服現(xiàn)有技術(shù)的不足，提供基于elm算法的水下航行器電路故障診斷方法，其可以在樣本較少的情況下，對較快速和準(zhǔn)確的對水下航行器電路進(jìn)行診斷。

本發(fā)明所涉及的基于elm算法的水下航行器電路故障診斷方法，包括以下步驟：

搜集水下航行器電路的故障現(xiàn)象和故障原因，建立樣本數(shù)據(jù)集；

根據(jù)樣本數(shù)據(jù)集，采用elm算法對學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到學(xué)習(xí)模型；

給學(xué)習(xí)模型輸入新的數(shù)據(jù)；

利用最近相鄰匹配算法，將學(xué)習(xí)模型的輸出結(jié)果與已知故障類型進(jìn)行匹配；

根據(jù)匹配結(jié)果診斷水下航行器電路。

進(jìn)一步地，所述采用elm算法對學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，之后還包括，

利用最近相鄰匹配算法，將訓(xùn)練中學(xué)習(xí)網(wǎng)絡(luò)的輸出結(jié)果與已知故障類型進(jìn)行匹配，得到學(xué)習(xí)模型的誤差值；

判斷學(xué)習(xí)模型的誤差值是否在允許范圍內(nèi)：

若學(xué)習(xí)模型的誤差值在允許范圍內(nèi)，則進(jìn)入給學(xué)習(xí)模型輸入新的數(shù)據(jù)；

若學(xué)習(xí)模型的誤差值不在允許范圍內(nèi)，則返回采用elm算法對學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

更進(jìn)一步地，所述搜集水下航行器電路的故障現(xiàn)象和故障原因，建立樣本數(shù)據(jù)集，具體包括：

搜集水下航行器電路的故障現(xiàn)象和故障原因；

將所述故障現(xiàn)象和故障原因分別等效為現(xiàn)象樣本數(shù)據(jù)和原因樣本數(shù)據(jù)；

對所述現(xiàn)象樣本數(shù)據(jù)和圓心樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化處理，分別得到故障現(xiàn)象數(shù)據(jù)集和故障原因數(shù)據(jù)集；

將故障現(xiàn)象數(shù)據(jù)集和故障原因數(shù)據(jù)集構(gòu)成樣本數(shù)據(jù)集。

再進(jìn)一步地，所述根據(jù)樣本數(shù)據(jù)集，采用elm算法對學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到學(xué)習(xí)模型，包括：

設(shè)樣本數(shù)據(jù)集為(x，j)，所述x代表故障現(xiàn)象數(shù)據(jù)集，j代表故障原因數(shù)據(jù)集；

根據(jù)樣本數(shù)據(jù)集為(x，j)，計算學(xué)習(xí)網(wǎng)絡(luò)的輸出值；

構(gòu)建所述學(xué)習(xí)網(wǎng)絡(luò)的輸出方程，所述輸出方程為學(xué)習(xí)模型。

還進(jìn)一步地，對所述現(xiàn)象樣本數(shù)據(jù)和圓心樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化處理的公式為：

公式(1)中，μ為樣本數(shù)據(jù)的均值，σ為樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；即：

又進(jìn)一步地，所述計算學(xué)習(xí)網(wǎng)絡(luò)的輸出值，公式為：

公式(4)中，βi為輸出值的權(quán)重；g(ai，bi，x)表示第i個隱層節(jié)點的輸出；此處的ai，bi為第i個徑向基函數(shù)節(jié)點的中心和影響因子。

在上述技術(shù)方案中，所述g(ai，bi，x)通過下列公式求得：

g(ai，bi，x)＝g(bi||x-ai||)(5)。

優(yōu)選地，所述學(xué)習(xí)網(wǎng)絡(luò)的輸出方程為：

hβ＝j(luò)+e(6)

公式(6)中，

其中，ai，bi的值在[-1，1]區(qū)間內(nèi)隨機(jī)給定，β是在隨機(jī)給定的ai，bi基礎(chǔ)上的最優(yōu)輸出權(quán)重。

優(yōu)選地，

所述最近相鄰匹配算法的公式為：

s0(k)-si(k)/range(s(k))表示當(dāng)前學(xué)習(xí)網(wǎng)絡(luò)輸出的第k個指標(biāo)與已知故障類型的第k個指標(biāo)的不相似度，即匹配結(jié)果；ωk表示當(dāng)前指標(biāo)在評價故障類型時所占的比重。

優(yōu)選地，所述根據(jù)匹配結(jié)果診斷水下航行器電路，具體包括：

若e(s0，si，w)≥0.9，就判定當(dāng)前故障類型為當(dāng)前匹配的已知故障類型。

在本發(fā)明中，首先，采用elm算法，其運算速度快，需求的節(jié)點數(shù)較少，解決了傳統(tǒng)算法成本高的問題；其次，采用最近相鄰匹配算法，對elm的輸出與故障類型進(jìn)行合理的匹配，降低了干擾因子的影響，提高了匹配的精確度。

elm算法是在單隱層神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來的，極大的提高了單隱層神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理速度。elm算法是神經(jīng)網(wǎng)絡(luò)研究中的一種算法，是一種泛化的單隱層前饋神經(jīng)網(wǎng)絡(luò)。

elm算法的隱層節(jié)點參數(shù)是隨機(jī)選取的，在訓(xùn)練過程中無需調(diào)節(jié)，只需要設(shè)置隱含層神經(jīng)元的個數(shù)，便可以獲得唯一的最優(yōu)解；而網(wǎng)絡(luò)的外權(quán)(即輸出權(quán)值)是通過最小化平方損失函數(shù)得到的最小二乘解。這樣網(wǎng)絡(luò)參數(shù)的確定過程中無需任何迭代步驟，從而大大降低了網(wǎng)絡(luò)參數(shù)的調(diào)節(jié)時間。與傳統(tǒng)的訓(xùn)練方法相比，該方法具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點。

附圖說明

下面將結(jié)合附圖及實施例對本發(fā)明作進(jìn)一步說明，附圖中：

圖1是本發(fā)明實施例方法的框架圖；

圖2是本發(fā)明實施例的方法流程圖。

具體實施方式

為了對本發(fā)明的技術(shù)特征、目的和效果有更加清楚的理解，現(xiàn)對照附圖詳細(xì)說明本發(fā)明的具體實施方式。

如圖1和圖2所示，本發(fā)明涉及的基于elm(極限學(xué)習(xí)機(jī))算法的水下航行器電路故障診斷方法，其特征在于，包括以下步驟：

101、搜集水下航行器電路的故障現(xiàn)象和故障原因，建立樣本數(shù)據(jù)集；

1011、搜集水下航行器電路的故障現(xiàn)象和故障原因；

1012、將所述故障現(xiàn)象和故障原因分別等效為現(xiàn)象樣本數(shù)據(jù)和原因樣本數(shù)據(jù)；

1013、對所述現(xiàn)象樣本數(shù)據(jù)和圓心樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化處理，分別得到故障現(xiàn)象數(shù)據(jù)集和故障原因數(shù)據(jù)集；

1014、將故障現(xiàn)象數(shù)據(jù)集和故障原因數(shù)據(jù)集構(gòu)成樣本數(shù)據(jù)集。

102、根據(jù)樣本數(shù)據(jù)集，采用elm算法對學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到學(xué)習(xí)模型；

201、利用最近相鄰匹配算法，將訓(xùn)練中學(xué)習(xí)網(wǎng)絡(luò)的輸出結(jié)果與已知故障類型進(jìn)行匹配，得到學(xué)習(xí)模型的誤差值；

202、判斷學(xué)習(xí)模型的誤差值是否在允許范圍內(nèi)：

若學(xué)習(xí)模型的誤差值在允許范圍內(nèi)，則進(jìn)入給學(xué)習(xí)模型輸入新的數(shù)據(jù)；

若學(xué)習(xí)模型的誤差值不在允許范圍內(nèi)，則返回采用elm算法對學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

103、給學(xué)習(xí)模型輸入新的數(shù)據(jù)；

104、利用最近相鄰匹配算法，將學(xué)習(xí)模型的輸出結(jié)果與已知故障類型進(jìn)行匹配；

105、根據(jù)匹配結(jié)果診斷水下航行器電路。

所述根據(jù)樣本數(shù)據(jù)集，采用elm算法對學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到學(xué)習(xí)模型，包括：

設(shè)樣本數(shù)據(jù)集為(x，j)，所述x代表故障現(xiàn)象數(shù)據(jù)集，j代表故障原因數(shù)據(jù)集；

根據(jù)樣本數(shù)據(jù)集為(x，j)，計算學(xué)習(xí)網(wǎng)絡(luò)的輸出值；

構(gòu)建所述學(xué)習(xí)網(wǎng)絡(luò)的輸出方程，所述輸出方程為學(xué)習(xí)模型。

對所述現(xiàn)象樣本數(shù)據(jù)和圓心樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化處理的公式為：

公式(1)中，μ為樣本數(shù)據(jù)的均值，σ為樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；即：

所述計算學(xué)習(xí)網(wǎng)絡(luò)的輸出值，公式為：

公式(4)中，βi為輸出值的權(quán)重；g(ai，bi，x)表示第i個隱層節(jié)點的輸出；此處的ai，bi為第i個徑向基函數(shù)節(jié)點的中心和影響因子。

所述g(ai，bi，x)通過下列公式求得：

g(ai，bi，x)＝g(bi||x-ai||)(5)。

因為構(gòu)建的單隱層神經(jīng)網(wǎng)絡(luò)不能以零誤差逼近數(shù)據(jù)樣本，故對應(yīng)于以上輸出和實際輸出之間也會伴隨誤差。因此所述學(xué)習(xí)網(wǎng)絡(luò)的輸出方程為：

hβ＝j(luò)+e(6)

公式(6)中，

其中，ai，bi的值在[-1，1]區(qū)間內(nèi)隨機(jī)給定，β是在隨機(jī)給定的ai，bi基礎(chǔ)上的最優(yōu)輸出權(quán)重。

所述最近相鄰匹配算法的公式為：

s0(k)-si(k)/range(s(k))表示當(dāng)前學(xué)習(xí)網(wǎng)絡(luò)輸出的第k個指標(biāo)與已知故障類型的第k個指標(biāo)的不相似度，即匹配結(jié)果；ωk表示當(dāng)前指標(biāo)在評價故障類型時所占的比重。

若e(s0，si，w)≥0.9，就判定當(dāng)前故障類型為當(dāng)前匹配的已知故障類型。

本發(fā)明可用于針對水下航行器電路中交流配電板的故障診斷。有益效果在于：①利用極限學(xué)習(xí)機(jī)(elm)算法形成診斷網(wǎng)絡(luò)，所需樣本量少，計算速度快，避免了類似神經(jīng)網(wǎng)絡(luò)的大量迭代計算和參數(shù)設(shè)定；②利用最近相鄰匹配算法，匹配成功率較高；③將可視化的故障判斷進(jìn)行了量化處理，從而由機(jī)器算法推斷其故障類型。

上面結(jié)合附圖對本發(fā)明的實施例進(jìn)行了描述，但是本發(fā)明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨和權(quán)利要求所保護(hù)的范圍情況下，還可做出很多形式，這些均屬于本發(fā)明的保護(hù)之內(nèi)。