模拟电路故障的深度学习融合模型诊断方法

王应晨,段修生,2,单甘霖

(1.陆军工程大学，河北 石家庄 050003;2.石家庄铁道大学，河北 石家庄 050003)

0 引言

随着电子装备的日益复杂以及机器学习方法逐渐成熟,如何保障复杂电子装备的可靠运行以及发生故障后快速、准确的诊断一直是研究的热点[1]。电子电路是电子装备的核心，其可靠性直接影响电子装备的可靠性，作为电子电路的重要组成部分，模拟电路的故障诊断具有重要意义。目前，传统的智能学习算法在模拟电路故障诊断领域得到了广泛应用[2-3]，但仍存在3个固有的缺陷：①诊断性能很大程度上取决于专家经验所提取特征的质量；②在不同的诊断问题中选择敏感的特征费时费力；③神经网络(neural network,NN)和支持向量机(support vector machine,SVM)等属于浅层学习模型，即只有一次非线性变换,难以有效学习复杂的非线性关系[4]。因此，有必要构建自动学习特征和精确故障诊断的深度学习架构。

为了克服浅层模型的缺点，Hinton首先提出了深度学习并引起了广泛的关注，在图像分类[5]、人脸识别[6]、语音识别[7]等领域得到了有效应用。深度学习可以自动从原始数据学习敏感而有价值的特征，强大的非线性映射能力以及多隐层使其与ANN，SVM 等浅层学习模型相比，能够更加有效，灵活地学习故障诊断问题中的复杂关系。对于一维数据的建模问题，堆栈自编码机(stacked autoencoder,SAE)和深度信念网络(deep belief network,DBN)2种主要的深度学习模型，并逐渐在故障诊断中得到应用[8-9]。然而，这些应用仍然存在2个主要局限性：①没有考虑正确处理实际情况下存在的噪声，而且去噪方法需要专业的经验；……