基于流形结构约束的堆栈自编码机模拟电路故障诊断

孙世宇 ，黄 毅 ，郭 静 ，段修生 ，曹 帅

（1.陆军工程大学石家庄校区，石家庄 050003；2.北方自动控制技术研究所，太原 030006）

0 引言

在模拟电路故障诊断中，传统的故障诊断方法如故障字典法等，由于自身的局限性和模拟电路的复杂性已经无法适应新的故障诊断需求。近年来，人工智能迅速发展，神经网络（Neural Network，NN），支持向量机（Support Vector Machine，SVM）等学习算法被广泛应用到故障诊断领域，并取得了较好的诊断效果［1-2］。目前基于人工智能的故障诊断方法研究主要集中在3个方面：特征提取方法的研究，如小波分解，统计特性特征，分数阶傅立叶变换等［3-4］；分类器的研究，如神经网络，支持向量机等［5-6］；参数优化算法的研究，如粒子群寻优（Particle Swarm Optimization，PSO）算法，遗传算法（Genetic Algo-rithm，GA），蚁群算法（Ant Colonly Optimization，ACO）等［7-9］。其中，对特征提取方法的大量研究表明，分类器存在对输入特征品质的要求高、对特征提取算法依赖的弱点。在分类器研究中，训练数据和测试数据上的诊断精度差异较大，无法通过少量样本较好地拟合出故障诊断模型，显示了分类器泛化能力一般的弱点。此外，SVM在大规模样本和多分类问题的局限性和神经网络局部最优的问题也同样是传统智能诊断方法研究的瓶颈所在。

对于上述传统智能故障诊断方法存在的问题，一直没能很好地解决。近年来，深度神经网络（Deep Neural Networks，DNN）蓬勃发展，并被广泛应用到图像分类［10］、人脸识别［11］、语音识别［12］等领域，取得了很好的应用效果。堆栈自编码机（Stacked Autoencoders，SAE）是一种典型的深度神经网络［13］，具有挖掘数据深层特征表达的能力，能够克服传统智能分类器对特征提取算法过度依赖的缺点，而其良好的鲁棒性，一定程度上可以解决传统智能分类器泛化能力有限的问题［14］。……