專利名稱:基于gsd_svdd的模擬電路動(dòng)態(tài)在線故障診斷方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種模擬電路故障診斷方法,尤其是一種基于GSD_SVDD的模擬電路 在線故障診斷方法。
背景技術(shù):
現(xiàn)代電子設(shè)備自測(cè)試、自診斷、自修復(fù)的發(fā)展趨勢(shì)對(duì)模擬電路故障診斷提出了新 的要求,一旦某部分電路發(fā)生故障,要求能實(shí)現(xiàn)電路在線實(shí)時(shí)測(cè)試診斷,在不影響電路的正 常工作下,完成故障的隔離定位和修復(fù)并重新投入系統(tǒng)使用。盡管過(guò)去二十多年人們?cè)陔x 線電路故障診斷技術(shù)上取得了不少的成果,然而在線實(shí)時(shí)電子設(shè)備故障診斷的研究仍然不 成熟。與離線模擬電路故障診斷相比,在線故障診斷面臨了更多的困難,不僅需要克服 模擬電路中廣泛存在的非線性,故障類型多,元器件存在容差等問(wèn)題,還需要滿足以下兩點(diǎn) 要求(1)實(shí)時(shí)性。在線故障診斷對(duì)系統(tǒng)的實(shí)時(shí)性要求更高,一旦某部分電路發(fā)生故障,要 求診斷系統(tǒng)能立即診斷出結(jié)果,以便對(duì)系統(tǒng)故障進(jìn)行及時(shí)修復(fù),這都要求在線故障診斷中 數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)診斷的速度更快,不能影響電路的正常運(yùn)行;(2)自適應(yīng)性。在 線系統(tǒng)出現(xiàn)故障后要及時(shí)將診斷的故障信息反饋給診斷系統(tǒng),實(shí)時(shí)修改診斷系統(tǒng)的各種參 數(shù),增加系統(tǒng)的自適應(yīng)性,電子設(shè)備在線運(yùn)行過(guò)程中,由于設(shè)備環(huán)境、元器件容差等影響,設(shè) 備狀態(tài)不斷變化,因此要求診斷系統(tǒng)的各種參數(shù)要隨時(shí)間不斷更新,適應(yīng)電子設(shè)備環(huán)境新 的要求。目前,基于信號(hào)處理的人工智能法是模擬電路在線診斷方法研究的熱點(diǎn)。結(jié)合現(xiàn) 有文獻(xiàn)和專利技術(shù),模擬電路線診斷過(guò)程中,常用的信息處理技術(shù)有傅里葉變換,小波變 換,分?jǐn)?shù)階信號(hào)處理等,而常用的人工智能方法有神經(jīng)網(wǎng)絡(luò)法、粗糙集法、支持向量機(jī)法、智 能融合法等。基于信號(hào)處理的人工智能診斷方法雖然診斷效率高,解決了故障診斷的模糊 性和不確定性等問(wèn)題,但是仍然具有以下不足(1)在線采集的信號(hào)受電子元件容差和外 界噪聲的影響,導(dǎo)致信號(hào)處理時(shí)間過(guò)程長(zhǎng),無(wú)法滿足在線診斷實(shí)時(shí)性的要求,而且信號(hào)處理 后的特征樣本可分性不高;(2)人工智能法通常需要事先建立智能診斷模型,診斷模型訓(xùn) 練時(shí)間過(guò)長(zhǎng)與實(shí)時(shí)性要求相矛盾。(3)在線診斷系統(tǒng)要求具有自適應(yīng)性,而智能系統(tǒng)本身的 自適應(yīng)能力與學(xué)習(xí)能力又局限了故障診斷的準(zhǔn)確性和實(shí)時(shí)性。(4)現(xiàn)有的模擬電路在線故 障診斷方法得到的診斷精度不理想,誤診率較高。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能夠解決現(xiàn)有模擬電路在線診斷技術(shù)中存在的診斷 模型訓(xùn)練時(shí)間過(guò)長(zhǎng)與實(shí)時(shí)性要求相矛盾、自適應(yīng)能力不強(qiáng)和誤診率高的問(wèn)題的模擬電路在 線故障診斷方法。本發(fā)明的思路是通過(guò)采用一種改進(jìn)的SVDD分類方法,即基于圖譜空間距離正負(fù) 樣本加權(quán)的SVDD單類分類方法(簡(jiǎn)稱GSD-SVDD,以下均同),用于模擬電路故障診斷,以解決現(xiàn)有方法診斷模型訓(xùn)練時(shí)間過(guò)長(zhǎng)與實(shí)時(shí)性要求相矛盾的問(wèn)題。SVDD的基本思想是通過(guò)在特征空間中找出一個(gè)包圍目標(biāo)樣本點(diǎn)的超球體并通過(guò) 最小化超球體所包圍的體積來(lái)讓目標(biāo)樣本點(diǎn)全部(或盡可能多)地被包圍在超球體中,而 非目標(biāo)樣本點(diǎn)盡可能的不被包含在超球體中。SVDD是一種單類分類模型,由于只需要一類 訓(xùn)練樣本,在具有較高診斷效果的同時(shí),診斷模型的訓(xùn)練速度快,較傳統(tǒng)人工智能法更能適 應(yīng)在線故障診斷的實(shí)時(shí)性。但是,傳統(tǒng)的SVDD在訓(xùn)練過(guò)程中對(duì)噪聲和奇異點(diǎn)很敏感,當(dāng)訓(xùn) 練樣本中含有一些噪聲或野值樣本時(shí),這些含有“異?!毙畔⒌臉颖驹谔卣骺臻g中常常位于 超球體附近,導(dǎo)致獲得的超球體不是真正的最優(yōu)超球體。本發(fā)明的GSD-SVDD方法根據(jù)圖譜 空間距離為正負(fù)樣本進(jìn)行加權(quán),將訓(xùn)練樣本分成正負(fù)樣本兩類,每個(gè)樣本點(diǎn)分配一個(gè)模糊 隸屬度系數(shù),由于每個(gè)樣本點(diǎn)具有不同的懲罰系數(shù),使得各樣本點(diǎn)對(duì)描述邊界影響能力不 同,可以通過(guò)弱化噪聲點(diǎn)和奇異點(diǎn)的權(quán)值來(lái)減少噪聲和奇異點(diǎn)的影響,以獲得魯棒性更好、 精度更高的描述超球體,能有效提高傳統(tǒng)SVDD診斷模型的泛化能力和診斷精度。具體而言,本發(fā)明通過(guò)以下技術(shù)方案來(lái)達(dá)到本發(fā)明的目的基于GSD_SVDD的模擬電路動(dòng)態(tài)在線故障診斷方法,其特征在于,包括以下各步 驟A、從待測(cè)電路中選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合;B、通過(guò)步驟A中選擇的測(cè)試節(jié)點(diǎn)采集待測(cè)電路的正常樣本和故障樣本,對(duì)采集的 樣本進(jìn)行特征提取和降維的預(yù)處理,得到訓(xùn)練正常樣本集和故障樣本集;C、對(duì)步驟B得到的訓(xùn)練正常樣本集和故障樣本集分別使用GSD_SVDD方法進(jìn)行訓(xùn) 練,得到正常類診斷模型和故障類診斷模型;所述GSD_SVDD方法是一種基于圖譜空間距 離正負(fù)樣本加權(quán)的SVDD單類分類方法,該方法根據(jù)訓(xùn)練樣本的圖譜空間距離,將訓(xùn)練樣本 分成正、負(fù)兩類,將訓(xùn)練樣本的圖譜空間距離作為權(quán)值對(duì)該訓(xùn)練樣本進(jìn)行加權(quán),并由加權(quán)的 正、負(fù)樣本通過(guò)求解最小二次規(guī)劃目標(biāo)訓(xùn)練得到一個(gè)最優(yōu)空間超球體,該超球體內(nèi)包含正 樣本,而負(fù)樣本位于超球體外,訓(xùn)練時(shí)每個(gè)樣本依據(jù)圖譜空間距離不同而被賦予不同的懲 罰度;D、采集待測(cè)電路在線運(yùn)行的測(cè)試樣本,進(jìn)行濾波、特征提取和降維的預(yù)處理;E、對(duì)步驟D采集的測(cè)試樣本進(jìn)行分層故障診斷首先,用正常類診斷模型判斷是 否是故障,如果是,則采用故障類診斷模型定位故障類別,并更新樣本庫(kù)和診斷模型。上述技術(shù)方案中,選取最優(yōu)測(cè)試節(jié)點(diǎn)集合可使用傳統(tǒng)的尋優(yōu)方法,例如靈敏度值 方法和智能算法尋優(yōu)法,但靈敏度方法往往需要列出電路方程,對(duì)大規(guī)模電路和非線性電 路的適用性不強(qiáng);而智能算法尋優(yōu)法,需要設(shè)置尋優(yōu)的目標(biāo)函數(shù),且尋優(yōu)時(shí)間往往過(guò)長(zhǎng)。因 此本發(fā)明采用故障分離度值來(lái)進(jìn)行最優(yōu)測(cè)試節(jié)點(diǎn)的選擇,即根據(jù)KFCM算法計(jì)算在該節(jié)點(diǎn) 下采集的故障樣本的故障分離度值,根據(jù)分離度值的大小選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合,該方法 不需寫出電路的節(jié)點(diǎn)方程,適合任意規(guī)模的線性電路和非線性電路,該方法反映了測(cè)試節(jié) 點(diǎn)的故障樣本分離程度,有利于提高診斷系統(tǒng)的精度。另外,在對(duì)測(cè)試樣本進(jìn)行分層故障診斷時(shí),本發(fā)明是根據(jù)測(cè)試樣本與正常樣本類 及故障樣本類超球體球心距離是否大于該超球體半徑來(lái)判斷測(cè)試樣本是否屬于該類,但在 實(shí)際診斷中會(huì)存在多個(gè)故障類超球體滿足上述條件,從而無(wú)法判定測(cè)試樣本的所屬類別。 為解決該問(wèn)題,本發(fā)明采用貝葉斯決策規(guī)則判斷測(cè)試樣本所屬的故障類,其判斷函數(shù)為
class of z=arg max Ni/N(ri-di(z))其中,Ni是訓(xùn)練樣本中第i類故障樣本數(shù),i = l,...,c,c為故障樣本類數(shù),N為 所有訓(xùn)練樣本總數(shù),^是第i類GSD-SVDD診斷模型超球體的半徑,Cli (ζ)是測(cè)試樣本ζ距 離第i類診斷模型超球體球心的距離。綜上所述,本發(fā)明在離線測(cè)試中使用KFCM算法計(jì)算電路每個(gè)可測(cè)節(jié)點(diǎn)的故障分 離度值,根據(jù)分離度值的大小選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合;在在線診斷過(guò)程中,采用基于圖譜空 間距離正負(fù)樣本加權(quán)的SVDD單類分類方法(GSD-SVDD)進(jìn)行故障診斷模型的構(gòu)造,并采用 分層診斷方法對(duì)測(cè)試樣本進(jìn)行診斷并動(dòng)態(tài)更新故障類庫(kù)及診斷模型。相比現(xiàn)有技術(shù),本發(fā) 明方法具有以下優(yōu)點(diǎn)(1)本發(fā)明根據(jù)電路中可測(cè)節(jié)點(diǎn)的故障分離度值選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合,不需要 寫出節(jié)點(diǎn)方程,適合任意規(guī)模的線性電路和非線性電路,反映了測(cè)試節(jié)點(diǎn)的故障樣本分離 程度,提高了診斷系統(tǒng)的精度。(2)本發(fā)明采用基于圖譜空間距離正負(fù)樣本加權(quán)的SVDD單類分類方法構(gòu)建診斷 模型,既具有傳統(tǒng)SVDD診斷方法模型訓(xùn)練速度快、診斷實(shí)時(shí)性好的優(yōu)點(diǎn),同時(shí)又減少了噪 聲和奇異點(diǎn)的影響,提高了診斷模型的泛化能力和診斷精度。(3)本發(fā)明采用分層診斷方法診斷在線新樣本,只需計(jì)算測(cè)試樣本與正常樣本球 體球心的距離,節(jié)約了判斷測(cè)試樣本與其他故障類關(guān)系的時(shí)間,極大的提高了電路正常狀 態(tài)的診斷效率。(4)本發(fā)明采用GSD-SVDD動(dòng)態(tài)診斷模型,該診斷模型具有識(shí)別新故障類別的能 力,同時(shí)動(dòng)態(tài)的修改診斷模型的參數(shù),保證了診斷系統(tǒng)具有自適應(yīng)能力和學(xué)習(xí)能力,有選擇 性的更新訓(xùn)練樣本集和樣本診斷模型,降低了在線診斷的時(shí)間。
圖1是本發(fā)明的流程框圖;圖2是本發(fā)明的GSD SVDD分類器模型圖;圖3是本發(fā)明方法中動(dòng)態(tài)更新GSD SVDD診斷模型的流程圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明如附圖1所示,本發(fā)明的模擬電路動(dòng)態(tài)在線故障診斷方法具體包括以下各步驟A、從待測(cè)電路中選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合;本發(fā)明根據(jù)電路中可測(cè)節(jié)點(diǎn)的故障分離度值選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合,具體包括以 下各步驟Al、采用仿真工具模擬待測(cè)電路的運(yùn)行狀態(tài),并在電路輸入端加入與待測(cè)電路工 作時(shí)相同的激勵(lì)信號(hào);本具體實(shí)施方式
中采用Pspice仿真工具模擬待測(cè)電路的運(yùn)行狀態(tài)。A2、采集故障特征樣本,計(jì)算各故障特征樣本集的故障分離度;具體按照如下各步 驟
A201、分別在各可測(cè)節(jié)點(diǎn)處采集故障特征樣本,得到與可測(cè)節(jié)點(diǎn)數(shù)相同個(gè)數(shù)的故 障特征樣本集,且每一可測(cè)節(jié)點(diǎn)分別對(duì)應(yīng)一個(gè)故障特征樣本集;A202、使用KFCM算法計(jì)算故障特征樣本集中各故障樣本類的聚類中心Vi,i = 1,. . .,c,c為故障樣本類的個(gè)數(shù);其中,KFCM算法的目標(biāo)函數(shù)為 約束條件為=1,(k= 1,2,· · · η)
/=1式中,U = [uik]是隸屬矩陣,V = [Vi]是聚類中心矩陣,Uik介于(0,1)間,Uik表 示第k個(gè)數(shù)據(jù)點(diǎn)Φ (xk)屬于類i的程度,m e [1,⑴)是一個(gè)加權(quán)指數(shù),Vi是輸入空間中的 聚類中心,i = 1,...,c,η是數(shù)據(jù)樣本數(shù);Α203、按照以下公式計(jì)算各故障特征樣本集的故障分離度 其中,Ji (χ)是在第i個(gè)可測(cè)節(jié)點(diǎn)下采集的故障特征樣本集χ的故障分離度,i = 1,· · ·,c ;A3、將計(jì)算得到的故障分離度值按照從大到小進(jìn)行排序,選取前ξ 2個(gè)故障分離度 值所對(duì)應(yīng)的可測(cè)節(jié)點(diǎn)作為最優(yōu)測(cè)試節(jié)點(diǎn),ξ 2為1-10的整數(shù)。本步驟中選取的最優(yōu)測(cè)試節(jié)點(diǎn)數(shù)目可根據(jù)實(shí)際需要選取,本具體實(shí)施方式
考慮到 實(shí)際診斷時(shí)的常見情況,將該數(shù)目限定為1-10;當(dāng)然,根據(jù)實(shí)際需要,也可選取10個(gè)以上的 最優(yōu)測(cè)試節(jié)點(diǎn)。B、通過(guò)步驟A中選擇的測(cè)試節(jié)點(diǎn)采集待測(cè)電路的正常樣本和故障樣本,對(duì)采集的 樣本進(jìn)行特征提取和降維的預(yù)處理,得到訓(xùn)練正常樣本集和故障樣本集;本具體實(shí)施方式
中,采集樣本及對(duì)樣本進(jìn)行預(yù)處理具體按照如下步驟執(zhí)行Bi、采集可測(cè)節(jié)點(diǎn)的電壓信號(hào),并對(duì)電壓信號(hào)的數(shù)據(jù)等間隔采樣Pspice中采集數(shù)據(jù)時(shí),雖然采樣頻率設(shè)置相等,但有時(shí)仍然采集的數(shù)據(jù)密度不一 致,因此在本發(fā)明中對(duì)采集的數(shù)據(jù)進(jìn)行等間隔采樣,本具體實(shí)施方式
中對(duì)采集的電壓信號(hào) 等間隔采集500個(gè)數(shù)據(jù)點(diǎn)。Β2、將第Bl步中等間隔采樣后的電壓信號(hào)進(jìn)行快速傅立葉變換;在模擬電路故障診斷中一般采用小波變換進(jìn)行數(shù)據(jù)預(yù)處理,然而小波變換需要根 據(jù)變換數(shù)據(jù)的特征選擇最優(yōu)小波變換層數(shù),與在線故障診斷的實(shí)時(shí)性要求相矛盾。本發(fā)明 選擇快速傅立葉變換算法進(jìn)行數(shù)據(jù)預(yù)處理,對(duì)電壓信號(hào)進(jìn)行快速傅里葉變換屬于現(xiàn)有技 術(shù),具體可參見文獻(xiàn)(信號(hào)分析與處理,燕慶明,2009,電子工業(yè)出版社),此處不再贅述。Β3、將第Β2步中傅立葉變換后的數(shù)據(jù)進(jìn)行主成分分析PCA降維;由第步驟Β2得到的特征數(shù)據(jù)維數(shù)仍然很高,會(huì)減慢診斷模型的訓(xùn)練速度,模擬電 路在線故障診斷中對(duì)實(shí)時(shí)性要求很高,因此,有必要對(duì)數(shù)據(jù)后的數(shù)據(jù)進(jìn)行降維。本發(fā)明采用 PCA方法提取特征數(shù)據(jù)的主要成分進(jìn)行降維處理,具體的PCA分析步驟如下
1)計(jì)算數(shù)據(jù)集樣本χ的協(xié)方差矩陣E ;2)計(jì)算協(xié)方差矩陣E的特征向量的特征值[e1; e2, . . . eh],h為數(shù)據(jù)集的維數(shù),特 征征值按大到小排序[e' 1 e' 2,...e' J ;3)將數(shù)據(jù)集樣本投影到特征矢量張成的空間之中。對(duì)于PCA,確定降維的維數(shù)是個(gè)兩難的問(wèn)題。如果維數(shù)r過(guò)小,則數(shù)據(jù)的維數(shù)低,便 于分析,同時(shí)也降低了噪聲,但可能丟失一些有用的信息。本發(fā)明根據(jù)PCA變換矩陣中前r 個(gè)的主成份的累計(jì)貢獻(xiàn)率(Accumulated Contribution Rate,ACR)來(lái)確定提取的主要特征 維數(shù)。ACR由以下公式計(jì)算得到 其中,e' i是排序后的特征向量的特征值,r是降維變量的維數(shù)。B4、將第B3步得到的數(shù)據(jù)進(jìn)行歸一化處理,縮小數(shù)據(jù)之間相對(duì)大小之間的差別, 得到正常樣本和故障樣本的訓(xùn)練樣本集合,其中數(shù)據(jù)序列X的歸一化的公式如下
其中,X⑴是數(shù)據(jù)序列中第i個(gè)數(shù)據(jù),Xmin和Xmax分別是數(shù)據(jù)序列中最小和最大的 數(shù)據(jù)。C、對(duì)步驟B得到的訓(xùn)練正常樣本集和故障樣本集分別使用GSD_SVDD方法進(jìn)行訓(xùn) 練,得到正常類診斷模型和故障類診斷模型;所述GSD_SVDD方法是一種基于圖譜空間距離 正負(fù)樣本加權(quán)的SVDD單類分類方法,如附圖2所示,該方法根據(jù)訓(xùn)練樣本的圖譜空間距離, 將訓(xùn)練樣本分成正、負(fù)兩類,將訓(xùn)練樣本的圖譜空間距離作為權(quán)值對(duì)該訓(xùn)練樣本進(jìn)行加權(quán), 并由加權(quán)的正、負(fù)樣本通過(guò)求解最小二次規(guī)劃目標(biāo)訓(xùn)練得到一個(gè)最優(yōu)空間超球體,該超球 體內(nèi)包含正樣本,而負(fù)樣本位于超球體外,訓(xùn)練時(shí)每個(gè)樣本依據(jù)圖譜空間距離不同而被賦 予不同的懲罰度;具體包括以下各步驟Cl、將訓(xùn)練樣本χ映射到圖的拉普拉斯譜空間;C2、采用k-means聚類算法計(jì)算每類故障樣本的聚類中心以及樣本到聚類中心的 圖譜空間距離,作為每個(gè)訓(xùn)練樣本的權(quán)值;本步驟具體按照以下各步驟執(zhí)行C201、使用高斯函數(shù)構(gòu)造相似矩陣A e Rtxt,矩陣元素Aij = exp (- Si-Sj |2/2o2),且當(dāng) i = j 時(shí),Aii = ο ;C202、構(gòu)造度矩陣D,度矩陣主對(duì)角線上的元素D(i,i)為相似矩陣A的第i行元 素之和,其他元素均為0。構(gòu)造拉普拉斯矩陣,z = D~\AD-\.C203、對(duì)拉普拉斯矩陣L進(jìn)行特征值分解,找出前h個(gè)最大特征值所對(duì)應(yīng)的特征向 量X1, x2,... xh,構(gòu)造矩陣X= [X1, X2, ... , Xh] e RnXh,其中特征向量X按列存儲(chǔ);C204、對(duì)
χ的行向量進(jìn)行歸一化,記歸一化的矩陣為ΥΛ;C205、把Y中的每一行看作空間Rh中的樣本。原始空間數(shù)據(jù)即由圖譜特征向量數(shù) 據(jù)表示;C206、對(duì)Y進(jìn)行k-mean聚類(每類故障樣本聚為一類),得到聚類中心,計(jì)算Y中 每個(gè)樣本到聚類中心的距離W1, d2,... dj,即樣本的圖譜空間距離。
本發(fā)明中涉及的k-means聚類算法為現(xiàn)有技術(shù),詳細(xì)內(nèi)容可參考文獻(xiàn)(數(shù)據(jù)挖掘 與知識(shí)發(fā)現(xiàn),李雄飛,李軍,2003,高等教育出版社)。C3、設(shè)置閾值ξ 圖譜空間距離大于閾值的樣本為負(fù)樣本,小于閾值的樣本為正 樣本,其中閾值ξ i的設(shè)定根據(jù)負(fù)樣本數(shù)不能超過(guò)正樣本數(shù)的10%的規(guī)則;C4、訓(xùn)練超球體,得到GSD_SVDD診斷模型;其中GSD_SVDD診斷模型由求解下列最 優(yōu)二次規(guī)劃得到 其中,a是由訓(xùn)練樣本訓(xùn)練得到的超球體的球心,R是該超球體的球體半徑,Ci, Ci 分別是正負(fù)樣本的懲罰常量,Ii^ I1分別是正負(fù)樣本的松弛變量,H^mi分別是正負(fù)樣本的 權(quán)值,即為樣本的圖譜空間距離,N” N1分別為正負(fù)樣本數(shù),它們之和為樣本總數(shù),其中正樣 本集賦予標(biāo)簽Ii = 1,負(fù)樣本集賦予標(biāo)簽Y1 = -1。D、采集待測(cè)電路在線運(yùn)行的測(cè)試樣本,進(jìn)行濾波、特征提取和降維的預(yù)處理;對(duì)于在線運(yùn)行的電路,在線采集的數(shù)據(jù)會(huì)受到噪聲干擾,首先需要去噪處理,考慮 在線診斷的實(shí)時(shí)性要求,仍然采用快速傅立葉變換算法進(jìn)行去噪,其后故障特征提取和降 維的預(yù)處理過(guò)程與步驟B中所述步驟一致。E、對(duì)步驟D采集的測(cè)試樣本進(jìn)行分層故障診斷首先,用正常類診斷模型判斷是 否是故障,如果是,則采用故障類診斷模型定位故障類別,并更新樣本庫(kù)和診斷模型。本步驟具體包括以下各步驟E1、根據(jù)測(cè)試樣本與診斷模型超球體之間的判斷準(zhǔn)則,用正常類診斷模型判斷是 否是故障,如果是故障類,則執(zhí)行步驟E2 ;否則,執(zhí)行步驟E3 E2、根據(jù)測(cè)試樣本與診斷模型超球體之間的判斷準(zhǔn)則,用故障類診斷模型定位故 障樣本的故障類別;如只有一個(gè)故障診斷模型超球體滿足條件,則執(zhí)行步驟E3 ;如果有多個(gè)故障診斷 模型超球體滿足時(shí),采用貝葉斯決策規(guī)則判斷樣本ζ的所屬故障類,然后執(zhí)行步驟E3,其中 貝葉斯決策規(guī)則判斷函數(shù)是 其中,Ni是訓(xùn)練樣本中第i類故障樣本數(shù),i = l,...,c,c為故障樣本類數(shù),N為 所有訓(xùn)練樣本總數(shù),^是第i類GSDSVDD診斷模型超球體的半徑,Cli (ζ)是測(cè)試樣本Z距離 第i類診斷模型超球體球心的距離。E3、更新訓(xùn)練樣本庫(kù)和診斷模型,如附圖3所示,其步驟按照以下過(guò)程執(zhí)行E301、計(jì)算測(cè)試樣本ζ到第t類超球體的球心距離Cli (ζ),其中t是步驟El或E2 中判斷測(cè)試樣本所屬的類別;E302、判斷距離dt(Z)是否大于等于第t類超球體的半徑,如果小于,則測(cè)試樣本 ζ為該類超球體的非支持向量,不影響球體的決策邊界,不需要更新第j類訓(xùn)練樣本庫(kù)和重 新訓(xùn)練診斷模型;如果大于或等于,則測(cè)試樣本ζ為第t類超球體的支持向量,位于超球體邊界或超球體之外,影響超球體的決策邊界,執(zhí)行步驟E303 ;E303、將測(cè)試樣本ζ添加到第t類訓(xùn)練樣本集中,重新訓(xùn)練超球體,更新第t類的 診斷模型。上述測(cè)試樣本與診斷模型超球體之間的判斷準(zhǔn)則,具體按照以下方法執(zhí)行判斷測(cè)試樣本ζ是否屬于該類診斷模型只需判斷測(cè)試樣本ζ與診斷模型超球體之 間是否滿足以下條件,如滿足該條件,則判斷其屬于該類;否則,不屬于該類 其中,K是核函數(shù),χ是超球體的訓(xùn)練樣本,i,j = 1....Π,η為訓(xùn)練樣本數(shù)
, 當(dāng)α i > 0時(shí)稱為支持向量,R是該超球體的半徑。
權(quán)利要求
基于GSD_SVDD的模擬電路動(dòng)態(tài)在線故障診斷方法,其特征在于,包括以下各步驟A、從待測(cè)電路中選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合;B、通過(guò)步驟A中選擇的測(cè)試節(jié)點(diǎn)采集待測(cè)電路的正常樣本和故障樣本,對(duì)采集的樣本進(jìn)行特征提取和降維的預(yù)處理,得到訓(xùn)練正常樣本集和故障樣本集;C、對(duì)步驟B得到的訓(xùn)練正常樣本集和故障樣本集分別使用GSD_SVDD方法進(jìn)行訓(xùn)練,得到正常類診斷模型和故障類診斷模型;所述GSD_SVDD方法是一種基于圖譜空間距離正負(fù)樣本加權(quán)的SVDD單類分類方法,該方法根據(jù)訓(xùn)練樣本的圖譜空間距離,將訓(xùn)練樣本分成正、負(fù)兩類,將訓(xùn)練樣本的圖譜空間距離作為權(quán)值對(duì)該訓(xùn)練樣本進(jìn)行加權(quán),并由加權(quán)的正、負(fù)樣本通過(guò)求解最小二次規(guī)劃目標(biāo)訓(xùn)練得到一個(gè)最優(yōu)空間超球體,該超球體內(nèi)包含正樣本,而負(fù)樣本位于超球體外,訓(xùn)練時(shí)每個(gè)樣本依據(jù)圖譜空間距離不同而被賦予不同的懲罰度;D、采集待測(cè)電路在線運(yùn)行的測(cè)試樣本,進(jìn)行濾波、特征提取和降維的預(yù)處理;E、對(duì)步驟D采集的測(cè)試樣本進(jìn)行分層故障診斷首先,用正常類診斷模型判斷是否是故障,如果是,則采用故障類診斷模型定位故障類別,并更新樣本庫(kù)和診斷模型。
2.如權(quán)利要求1所述基于GSD_SVDD的模擬電路動(dòng)態(tài)在線故障診斷方法,其特征在于, 步驟C具體包括以下各步驟Cl、將訓(xùn)練樣本χ映射到圖的拉普拉斯譜空間;C2、采用k-means聚類算法計(jì)算每類故障樣本的聚類中心以及樣本到聚類中心的圖譜 空間距離,作為每個(gè)訓(xùn)練樣本的權(quán)值;C3、設(shè)置閾值ξ 圖譜空間距離大于閾值的樣本為負(fù)樣本,小于閾值的樣本為正樣本, 其中閾值ξ !的設(shè)定根據(jù)負(fù)樣本數(shù)不能超過(guò)正樣本數(shù)的10%的規(guī)則;C4、訓(xùn)練超球體,得到GSD_SVDD診斷模型;其中GSD_SVDD診斷模型由求解下列最優(yōu)二 次規(guī)劃得到 其中,a是由訓(xùn)練樣本訓(xùn)練得到的超球體的球心,R是該超球體的球體半徑,Ci^Ci分別 是正負(fù)樣本的懲罰常量,ξ ρ ξ工分別是正負(fù)樣本的松弛變量,m” m,分別是正負(fù)樣本的權(quán) 值,即為樣本的圖譜空間距離,N” Ni分別為正負(fù)樣本數(shù),它們之和為樣本總數(shù),其中正樣本 集賦予標(biāo)簽= 1,負(fù)樣本集賦予標(biāo)簽Y1 = -1。
3.如權(quán)利要求1所述基于GSD_SVDD的模擬電路動(dòng)態(tài)在線故障診斷方法,其特征在于, 所述步驟E具體包括以下各步驟E1、根據(jù)測(cè)試樣本與診斷模型超球體之間的判斷準(zhǔn)則,用正常類診斷模型判斷是否是 故障,如果是故障類,則執(zhí)行步驟E2 ;否則,執(zhí)行步驟E3 E2、根據(jù)測(cè)試樣本與診斷模型超球體之間的判斷準(zhǔn)則,用故障類診斷模型定位故障樣 本的故障類別;如只有一個(gè)故障診斷模型超球體滿足條件,則執(zhí)行步驟E3 ;如果有多個(gè)故障診斷模型 超球體滿足時(shí),采用貝葉斯決策規(guī)則判斷樣本ζ的所屬故障類,然后執(zhí)行步驟E3,其中貝葉斯決策規(guī)則判斷函數(shù)是class of ζ = arg max 吾_ d) (2))其中,Ni是訓(xùn)練樣本中第i類故障樣本數(shù),i = 1,. . .,c,c為故障樣本類數(shù),N為所有 訓(xùn)練樣本總數(shù),^是第i類GSDSVDD診斷模型超球體的半徑,Cli(Z)是測(cè)試樣本ζ距離第i 類診斷模型超球體球心的距離;E3、更新訓(xùn)練樣本庫(kù)和診斷模型,其步驟按照以下過(guò)程執(zhí)行E301、計(jì)算測(cè)試樣本ζ到第t類超球體的球心距離dt(Z),其中t是步驟El或E2中判 斷測(cè)試樣本所屬的類別;E302、判斷距離dt(Z)是否大于等于第t類超球體的半徑,如果小于,則測(cè)試樣本ζ為 該類超球體的非支持向量,不影響球體的決策邊界,不需要更新第j類訓(xùn)練樣本庫(kù)和重新 訓(xùn)練診斷模型;如果大于或等于,則測(cè)試樣本ζ為第t類超球體的支持向量,位于超球體邊 界或超球體之外,影響超球體的決策邊界,執(zhí)行步驟E303 ;E303、將測(cè)試樣本ζ添加到第t類訓(xùn)練樣本集中,重新訓(xùn)練超球體,更新第t類的診斷 模型。
4.如權(quán)利要求3所述的基于GSD_SVDD的模擬電路動(dòng)態(tài)在線故障診斷方法,其特征在 于,步驟El和E2中所述測(cè)試樣本與診斷模型超球體之間的判斷準(zhǔn)則,具體按照以下方法執(zhí) 行判斷測(cè)試樣本ζ是否屬于該類診斷模型只需判斷測(cè)試樣本ζ與診斷模型超球體之間是 否滿足以下條件,如滿足該條件,則判斷其屬于該類;否則,不屬于該類 其中,K是核函數(shù),χ是超球體的訓(xùn)練樣本,i, j = l....n, η為訓(xùn)練樣本數(shù),f % =1 ’當(dāng)ai > 0時(shí)稱為支持向量,R是該超球體的半徑。
5.如權(quán)利要求1、2、3或4所述基于GSD_SVDD的模擬電路動(dòng)態(tài)在線故障診斷方法,其特 征在于,步驟A中所述從待測(cè)電路中選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合,是通過(guò)比較待測(cè)電路中各可 測(cè)節(jié)點(diǎn)的故障分離度的大小選擇得到;具體按照以下各步驟執(zhí)行Al、采用仿真工具模擬待測(cè)電路的運(yùn)行狀態(tài),并在電路輸入端加入與待測(cè)電路工作時(shí) 相同的激勵(lì)信號(hào);A2、采集故障特征樣本,計(jì)算各故障特征樣本集的故障分離度;具體按照如下各步驟 A201、分別在各可測(cè)節(jié)點(diǎn)處采集故障特征樣本,得到與可測(cè)節(jié)點(diǎn)數(shù)相同個(gè)數(shù)的故障特 征樣本集,且每一可測(cè)節(jié)點(diǎn)分別對(duì)應(yīng)一個(gè)故障特征樣本集;A202、使用KFCM算法計(jì)算故障特征樣本集中各故障樣本類的聚類中心Vi,i = 1,..., c,c為故障樣本類的個(gè)數(shù);其中,KFCM算法的目標(biāo)函數(shù)為 約束條件為Σ =1,(k= 1,2,···η) /=1式中,υ = [uik]是隸屬矩陣,V = [Vi]是聚類中心矩陣,Uik介于(0,1)間,Uik表示第k個(gè)數(shù)據(jù)點(diǎn)Φ (Xk)屬于類i的程度,me [l,-)是一個(gè)加權(quán)指數(shù),Vi是輸入空間中的聚類 中心,i = 1,...,c,η是數(shù)據(jù)樣本數(shù);Α203、按照以下公式計(jì)算各故障特征樣本集的故障分離度 其中,Ji(X)是在第i個(gè)可測(cè)節(jié)點(diǎn)下采集的故障特征樣本集X的故障分離度,i = 1,...,C ;A3、將計(jì)算得到的故障分離度值按照從大到小進(jìn)行排序,選取前ξ 2個(gè)故障分離度值所 對(duì)應(yīng)的可測(cè)節(jié)點(diǎn)作為最優(yōu)測(cè)試節(jié)點(diǎn),ξ 2為1-10的整數(shù)。
全文摘要
本發(fā)明公開了一種基于GSD_SVDD的模擬電路動(dòng)態(tài)在線故障診斷方法,屬于模擬電路故障診斷技術(shù)領(lǐng)域。本發(fā)明方法在離線測(cè)試中使用KFCM算法計(jì)算電路每個(gè)可測(cè)節(jié)點(diǎn)的故障分離度值,根據(jù)故障分離度值的大小選擇最優(yōu)測(cè)試節(jié)點(diǎn)集合;在在線診斷過(guò)程中,采用基于圖譜空間距離正負(fù)樣本加權(quán)的SVDD單類分類方法構(gòu)建故障診斷模型,并采用分層診斷方法對(duì)測(cè)試樣本進(jìn)行診斷,同時(shí)動(dòng)態(tài)更新故障類庫(kù)及診斷模型。本發(fā)明方法有效的降低了診斷模型的訓(xùn)練和在線診斷時(shí)間,確保了在線診斷的實(shí)時(shí)性要求,提高了故障診斷的精度,并能動(dòng)態(tài)更新診斷模型參數(shù),使診斷系統(tǒng)具有自適應(yīng)能力。
文檔編號(hào)G01R31/316GK101907681SQ20101022868
公開日2010年12月8日 申請(qǐng)日期2010年7月15日 優(yōu)先權(quán)日2010年7月15日
發(fā)明者崔江, 王友仁, 羅慧 申請(qǐng)人:南京航空航天大學(xué)