基于改进液体状态机的模拟电路故障诊断

周世官，李国君，郑 燕

(宁波工程学院 电子与信息工程学院，浙江 宁波 315016)

基于改进液体状态机的模拟电路故障诊断

周世官，李国君，郑 燕

(宁波工程学院 电子与信息工程学院，浙江 宁波 315016)

针对标准液体状态机存在的过层次化和病态同步两个基本缺陷，结合遗传算法和液体状态机的特点，提出了一种基于改进液体状态机的故障诊断方法。该方法首先在液体状态机训练前运用遗传算法对标准液体状态机液体池中的大规模随机稀疏网络进行迭代优化，然后采用改进液体状态机进行模拟电路故障模式的分类。仿真表明，和标准液体状态机相比，改进液体状态机可以有效地提高模拟电路故障诊断的准确率，对模拟电路的故障诊断研究有一定的实际意义。

液体状态机；遗传算法；故障诊断；模拟电路

随着电路测试和诊断需求的增加。使电路故障诊断逐渐成为电路理论研究的热点，并使其与电路分析、网络综合成为现代电路理论的三大分支之一[1]。近年来，随着人工智能技术的发展，许多国内外学者提出基于隐马尔科夫、神经网络、小波分解、模糊理论、支持向量机等模拟电路故障诊断方法，并获得了良好的效果[2-6]。其中，研究成果最多的是基于人工神经网络的方法，然而，由于人工神经网络技术本身还不够完善，在设计阶段需要大量的故障样本对网络进行训练，学习速度较慢，训练时间较长，影响了诊断系统的实用化。

液体状态机(Liquid State Machine，LSM)是由文献[7]提出的一种新型神经网络，LSM 液体池的构成与传统神经网络有较大差别，是大规模的随机稀疏网络，因此学习能力更强，具有良好的分类效果，适合做为模拟电路故障诊断的方法。然而，正是因为其液体池是大规模随机稀疏网络，所以标准液体状态机本身存在的过层次化和病态同步两个基本缺陷，一定程度上影响了它的实用性，而采用遗传算法优化储备池的改进液体状态机能够在一定程序上改善这两个基本缺陷。

1 液体状态机的基本内容

液体状态机是用LIF(Leaky Integrate and Fire)神经元来构建的一个回归神经网络[8]，但它又不同于一般的回归型网络，它有相应的输入、输出的定义方式[9]。

图1 液体状态机结构图

如图1所示，液体状态机的结构分为输入层LM、中间映射层xM(t)及输出层fM。形式上，输入到输出的中间有一个中间状态xM(t)，就像平常的神经网络，也是完成从输入到输出的映射。但是，它的中间层采用了一种叫做Liquid Pool或Neural Circuit的特殊结构[10]，姑且称其为液体池。液体池一般是随机生成x×y×z的长方体结构，池中的神经元两两之间是否连接的确定方式为

(1)

其中，p(i,j)表示液体池中两两神经元之间有无连接的概率；D(i,j)表示在液体池中2个神经元之间的欧式距离；λ与C为控制参数。C随着液体池中两两神经元之间是兴奋型还是抑制型而不同，实际上表示神经元连接的疏密程度。液体状态机从输入层到中间映射层的连接是随机确定的，一个输入神经元可以只与一个中间映射层的神经元相连接，也可以与多个甚至所有的神经元相连接。

液体状态机的核心就是液体池，其工作就是将输入序列u(·)转化为高维的中间状态xM(t)，可以描述为

xM(t)=(LMu)(t)

(2)

其中，LM可以看做是一个滤波的机制，这与支持向量机的原理一致。其能将输入u(t)映射成中间状态xM(t)，因为数据在高维空间比在原始空间要更加容易区分，所以投射到高维状态就会使输入数据更易分类。

得到中间状态xM(t)后，下一步就是得到想要的输出。液体状态机的输出层就是实现从中间状态xM(t)到输出层y(t)的变化的，可以描述为

y(t)=fM(xM(t))

(3)

2 遗传算法

遗传算法(Genetic Algorithm，GA)是借鉴生物界的进化规律演化而来的一类随机搜索方法，由美国Michigan大学的J.Holland教授于1975年首先提出[11]。

图2 遗传算法的工作流程图

遗传算法是一种模拟达尔文生物进化论的计算模型，该模型通过模拟自然进化过程来搜索得到最优解。它通过对生物进化过程中繁殖、杂交和变异的自然选择规律的模拟，在“适者生存，优胜劣汰”的选择原则下，经过遗传算法的遗传操作(即3个基本算子是选择、交叉和变异)使问题的最优解得以生存，从而实现对问题的优化[12]，其工作流程如图2所示。

3 改进液体状态机

3.1 液体池优化

在用遗传算法对液体状态机的液体池进行优化时只对液体池的连接权值进行优化，也就是说液体池的结构在随机生成后是固定不变的。对于遗传算法初始种群中的每一个个体，它们按照这个结构随机生成初始化权值，按这种方法生成30个个体作为初始化种群。然后用上文介绍的遗传算法对其进行优化。遗传算法的适应度函数是由这个需要优化的液体池的分类能力决定的。这里采用文献[13]提出的液体池分类能力计算方法，其定义如下

(4)

3.2 液体状态机的训练

液体状态机的输入层只负责把信号输入到中间映射层。中间映射层即液体池，它是一个由LIF神经元组成的数量庞大，排列成点阵结构的一个回归模型，其中两两神经元之间的连接是在液体池初步生成时随机确定的，这里先用遗传算法对液体池进行优化，液体池优化后就不再改变，即中间映射层中的连接权值是不需要训练改变的。所以液体状态机只需要训练输出层。

液体状态机训练输出层的算法灵活多变。常见的神经网络学习算法都可用来训练输出层，只要能够达到需要的目标及精度即可。文中的液体状态机的输出层采用单层感知器，训练采用文献[14]提出的p-delta 算法。

若神经元j的激活函数是g(x)，Wij是神经元j的第i个权值，则权值改变

Δwij=α(tj-oj)g′(hj)

(5)

4 诊断实例

诊断实例选择一个两级阻容耦合放大电路，其电路图如图3所示。运用上文介绍的改进液体状态机对其进行故障诊断研究。由于改进液体状态机的训练需要大量样本，所以采用文献[15]提出的样本自动生成的方法。

图3 两级阻容耦合放大电路

图4 BP神经网络训练误差图

得到样本后就可以按照上文提出的方法对改进液体状态机进行训练，并把训练结果和标准液体状态机以及普通BP(Back Propagation)神经网络的训练结果作比较。图4、图5和图6分别为BP神经网络、标准液体状态机和改进液体状态机的训练误差图。从图中可以看出，改进液体状态机的训练误差为5.44小于标准液体状态机的训练误差16.24，虽然训练代数为38代，大于标准液体状态机的20代，但小于BP神经网络的132代。

图5 标准液体状态机神经网络训练误差图

图6 改进液体状态机神经网络训练误差图

5 结束语

本文针对目前应用最多的基于神经网络的模拟电路故障诊断方法进行了研究，提出了一种基于改进液体状态机的模拟电路故障诊断方法。仿真实验结果表明，和标准液体状态机相比，不仅训练精度明显提高，而且训练时间基本一致；虽然训练精度比BP神经网络稍差，但由于改进液体状态机只需要训练输出层，而且训练采用的p-delta算法运算简洁；所以训练时间小于BP神经网络，且泛化能力更强，对模拟电路的故障诊断研究有一定的实际意义。

[1] Bandler J W, Salama A E. Fault diagnosis of analog circuits[J]. Proceedings of the IEEE,1985,73(8):1279-1325.

[2] 邓勇,师奕兵,李炎骏,等.非线性模拟电路软故障诊断方法[J].测控技术,2013,32(3):22-25.

[3] Zhou S G, Li G J, Luo Z F, et al. Analog circuit fault diagnosis based on LVQ neural network[C].Iraq:First National Conference for Engineering Sciences (FNCES),2012.

[4] 何星,王宏力,陆敬辉,等.基于优选小波包和ELM的模拟电路故障诊断[J].仪器仪表学报,2013,34(11):2614-2619.

[5] Grzechca D E.Construction of an expert system based on fuzzy logic for diagnosis of analog electronic circuits[J].International Journal of Electronics & Telecommunications,2015,61(1):77-82.

[6] Zhang A,Chen C,Jiang B. Analog circuit fault diagnosis based UCISVM[J].Neurocomputing,2016(173):1752-1760.

[7] Markram H,Maass W,Natschläger T. Real-time computing without stable states: a new framework for neural computation based on perturbations[J]. Neural Computation， 2002,14(11):2531-2560.

[8] 黄江帅.基于液体状态机的脑运动神经系统的建模研究[D].武汉:华中科技大学,2009.

[9] Maass W, Natschläger T, Markram H. Fading memory and kernel properties of generic cortical microcircuit models[J]. Journal of Physiology-Paris, 2004, 98(98):315-30.

[10] Chella A,Rizzo R.Biological & artificial intelligence environments[M].Netherlands:Springer,2005.

[11] Goldberg D E,Holland J H.Genetic algorithms and machine learning[J].Machine Learning,1988,3(2): 95-99.

[12] 李敏强.遗传算法的基本理论与应用[M].北京:科学出版社,2002.

[13] Goodman E,Ventura D.Spatiotemporal pattern recognition via liquid state machines[C].CA,USA:The 2006 IEEE International Joint Conference on Neural Network Proceedings,2006.

[14] Auer P, Burgsteiner H, Maass W. The p-delta learning rule for parallel perceptrons[J].Submitted for Publication,2001(3):598-607.

[15] 竺琼,胡志忠,浦建开.基于 SLPS 的模拟电路故障样本自动获取技术[J].电子设计工程,2012,20(1):36-38.

声 明

我刊《电子科技》2017年第30卷第4期第27页，《基于声全息技述的噪声源识别与DSP实现》一文，由广西高校自然科学基金资助，编号：2013YB172。特此声明！

《电子科技》编辑部

Analog Circuit Fault Diagnosis Based on the Improved Liquid State Machine

ZHOU Shiguan, LI Guojun, ZHENG Yan

(School of Electronic and Information Engineering, Ningbo University of Technology, Ningbo 315016, China)

A fault diagnosis method based on the improved liquid state machine is proposed to solve the problem of pathological synchrony and over-stratification in the standard liquid state machine, which is based on the characteristics of genetic algorithm and liquid state machine. The method firstly uses the genetic algorithm to iteratively optimize the large-scale stochastic sparse network in the standard liquid state machine liquid pool before the liquid state machine training, and then uses the improved liquid state machine to classify the fault pattern of analog circuits. The simulation results show that compared with the standard liquid state machine, the improved liquid state machine can effectively improve the accuracy of analog circuit fault diagnosis.

liquid state machine; genetic algorithm; fault diagnosis; analog circuit

2016- 06- 19

周世官(1978-)，男，硕士，讲师。神经网络应用。

10.16180/j.cnki.issn1007-7820.2017.05.002

TN431.1；TP18

A

1007-7820(2017)05-005-04