一種新穎的模擬電路早期故障診斷方法
【專利摘要】一種新穎的模擬電路早期故障診斷方法，包括以下步驟：（1）采集模擬電路的時(shí)域響應(yīng)信號(hào)，采集到的時(shí)域響應(yīng)信號(hào)為所述模擬電路的輸出電壓信號(hào)；（2）對采集的電壓信號(hào)進(jìn)行小波變換；（3）對原始信號(hào)模式和小波子模式進(jìn)行分形分析，生成各模式小波分形維；（4）將所述的小波分形維所構(gòu)成的候選特征向量矢量數(shù)據(jù)進(jìn)行核熵成分分析，獲得低維的特征矢量數(shù)據(jù)；（5）構(gòu)建最小二乘支持向量機(jī)多類分類器，其中用于區(qū)分發(fā)生重疊的早期故障類別的最小二乘支持向量機(jī)的懲罰因子和寬度因子應(yīng)用量子粒子群算法優(yōu)化選擇；（6）將低維的特征矢量數(shù)據(jù)送入最小二乘支持向量機(jī)多類分類器，輸出早期故障診斷結(jié)果。該發(fā)明可有效地檢測出模擬電路的早期故障。
【專利說明】一種新穎的模擬電路早期故障診斷方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于機(jī)器學(xué)習(xí)及電子電路工程領(lǐng)域，涉及一種建立早期故障診斷模型并對模擬電路早期故障進(jìn)行檢測的方法。

【背景技術(shù)】
[0002]模擬電路廣泛地應(yīng)用于家用電器、工業(yè)生產(chǎn)線、汽車以及航空航天等設(shè)備中，模擬電路的故障將會(huì)引起設(shè)備的性能下降、功能失靈、反應(yīng)遲緩以及其他電子故障。模擬電路的早期故障發(fā)生于故障的初始階段，此時(shí)電路性能下降但尚未失效，正確的識(shí)別早期故障有助于電路的及時(shí)維護(hù)，因此對模擬電路的進(jìn)行早期故障診斷，是十分必要的。
[0003]針對模擬電路的故障診斷，已有研究工作引入小波分析、小波分形分析(即小波變換后進(jìn)行分形分析)、主元分析(principal component analysis, PCA)、核主元分析(kernel principal component analysis, KPCA)、核線性判另Ij分析(kernel lineardiscriminant analysis, KLDA)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等研究方法。然而針對模擬電路的早期故障診斷的工作尚較少，其原因在于各元件的早期故障特征與電路正常時(shí)特征區(qū)別不明顯，易于存在故障類別的重疊，從而導(dǎo)致識(shí)別較為困難。因此，若要實(shí)現(xiàn)模擬電路的早期診斷，需要選擇合適的特征提取與處理方法，且需要采用高效的分類方法。
[0004]當(dāng)前的研究工作一般認(rèn)為，當(dāng)模擬電路中元件參數(shù)值偏離標(biāo)稱值50%時(shí)，即可認(rèn)定該元件發(fā)生故障。


【發(fā)明內(nèi)容】

[0005]為了克服現(xiàn)有技術(shù)存在的上述缺陷，本發(fā)明提供一種診斷正確率高的新穎的模擬電路早期故障診斷方法。
[0006]該方法首先應(yīng)用小波分形分析計(jì)算被測電路的故障響應(yīng)信號(hào)的小波分形維特征矢量數(shù)據(jù)，然后應(yīng)用核熵成分分析(kernel entropy component analysis, KECA)進(jìn)行特征矢量數(shù)據(jù)的降維，最后將降維后的特征矢量數(shù)據(jù)應(yīng)用最小二乘支持向量機(jī)(leastsquares support vector machines, LSSVM)多類分類器的方法以進(jìn)行早期故障識(shí)別，其中用于區(qū)分發(fā)生重疊的早期故障類別的LSSVM的懲罰因子和寬度因子應(yīng)用量子粒子群(quantum-behaved particle swarm optimizat1n, QPS0)算法優(yōu)化選擇。
[0007]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案為:
一種新穎的模擬電路早期故障診斷方法，包括以下步驟:
(1)采集模擬電路的時(shí)域響應(yīng)信號(hào)，采集到的時(shí)域響應(yīng)信號(hào)為所述模擬電路的輸出電壓信號(hào)；
(2)對采集的電壓信號(hào)進(jìn)行小波變換；
(3)對原始信號(hào)模式和小波子模式進(jìn)行分形分析，生成各模式小波分形維；
(4)將所述小波分形維所構(gòu)成的候選特征向量數(shù)據(jù)進(jìn)行核熵成分分析，獲得低維的特征矢量數(shù)據(jù)；(5)構(gòu)建最小二乘支持向量機(jī)(leastsquares support vector machines, LSSVM)多類分類器，其中用于區(qū)分發(fā)生重疊的早期故障類別的LSSVM的懲罰因子和寬度因子應(yīng)用量子粒子群(quantum-behaved particle swarm optimizat1n, QPSO)算法優(yōu)化選擇；
(6)將低維的特征矢量數(shù)據(jù)送入LSSVM多類分類器，輸出早期故障診斷結(jié)果。
[0008]上述的步驟(1)中，被測模擬電路輸入端采用脈沖激勵(lì)，輸出端采樣電壓信號(hào)。
[0009]上述的步驟(2)中，對采樣的得到的電壓輸出信號(hào)進(jìn)行Haar小波變換。
[0010]上述的步驟(3)中分形分析中分形維/?的計(jì)算公式為:

【權(quán)利要求】
1.一種新穎的模擬電路早期故障診斷方法，其特征在于，包括以下步驟: (1)采集模擬電路的時(shí)域響應(yīng)信號(hào)，采集到的時(shí)域響應(yīng)信號(hào)為所述模擬電路的輸出電壓信號(hào)； (2)對采集的電壓信號(hào)進(jìn)行小波變換； (3)對原始信號(hào)模式和小波子模式進(jìn)行分形分析，生成各模式小波分形維； (4)將所述小波分形維所構(gòu)成的候選特征向量數(shù)據(jù)進(jìn)行核熵成分分析，獲得低維的特征矢量數(shù)據(jù)； (5)構(gòu)建最小二乘支持向量機(jī)多類分類器，其中用于區(qū)分發(fā)生重疊的早期故障類別的最小二乘支持向量機(jī)的懲罰因子和寬度因子應(yīng)用量子粒子群算法優(yōu)化選擇； (6)將低維的特征矢量數(shù)據(jù)送入最小二乘支持向量機(jī)多類分類器，輸出早期故障診斷結(jié)果。
2.根據(jù)權(quán)利要求1所述的新穎的模擬電路早期故障診斷方法，其特征在于，在所述步驟(I)中，被測模擬電路輸入端采用脈沖激勵(lì)，輸出端采樣電壓信號(hào)。
3.根據(jù)權(quán)利要求1所述的新穎的模擬電路早期故障診斷方法，其特征在于，在所述步驟(2)中，對采樣的得到的電壓輸出信號(hào)進(jìn)行Haar小波變換。
4.根據(jù)權(quán)利要求1所述的新穎的模擬電路早期故障診斷方法，其特征在于，在所述步驟(3)中，分形分析中分形維/?的計(jì)算公式為:
_1g(M)
1g(M)+ log(mdfTL) ’ 其中TL為信號(hào)波形曲線的總長度/為信號(hào)點(diǎn)序列的第一個(gè)點(diǎn)&與其他點(diǎn)&的最大歐幾里德距離，即為i/=max (dist (5l, 5i)) ;a為信號(hào)點(diǎn)序列相繼兩個(gè)點(diǎn)之間的平均距離#為信號(hào)波形步長的數(shù)目，其中#=7Z/a。
5.根據(jù)權(quán)利要求1所述的新穎的模擬電路早期故障診斷方法，其特征在于，在所述的步驟(4)中，核熵成分分析的工作原理是，將原始數(shù)據(jù)空間投影到高維特征空間，對核矩陣進(jìn)行特征分解，選取對瑞利熵估計(jì)貢獻(xiàn)最大的特征向量作為新的數(shù)據(jù)空間，降低數(shù)據(jù)的特征向量的維數(shù)，并構(gòu)成新的低維數(shù)據(jù)。
6.根據(jù)權(quán)利要求1所述的新穎的模擬電路早期故障診斷方法，其特征在于，在所述步驟(5)中，最小二乘支持向量機(jī)多類分類器為基于最小二乘支持向量機(jī)的早期故障診斷模型； LSSVM多類分類器是基于二叉樹的LSSVM多類分類器，其中二叉樹的構(gòu)建步驟為:先將所有類別分成兩個(gè)子類，再將子類進(jìn)一步劃分成兩個(gè)次級子類，如此循環(huán)下去，直到所有的節(jié)點(diǎn)都只包含一個(gè)單獨(dú)的類別為止；此節(jié)點(diǎn)也是二叉樹中的葉子，該方法將原有的多類問題同樣分解成了一系列的兩類分類問題，并且只需構(gòu)造左-1個(gè)LSSVM分類器，其中々為早期故障類別的總數(shù)； 最小二乘支持向量機(jī)的懲罰因子和寬度因子應(yīng)用量子粒子群算法優(yōu)化選擇的步驟為: (1)初始化量子粒子群算法，包括粒子的位置和迭代尋優(yōu)范圍，壓縮擴(kuò)張因子和迭代次數(shù)，其中需要優(yōu)化的懲罰因子與寬度因子被映射為粒子的二維位置； (2)計(jì)算群體中每個(gè)粒子的適應(yīng)度，得出每一個(gè)粒子的個(gè)體最優(yōu)位置和群體的全局最優(yōu)位置； (3)計(jì)算所有粒子的個(gè)體最優(yōu)位置的平均點(diǎn)； (4)對群體中每個(gè)粒子進(jìn)行位置的更新； (5)重復(fù)(2)— (4)直至迭代結(jié)束，輸出結(jié)果。
7.根據(jù)權(quán)利要求1所述的新穎的模擬電路早期故障診斷方法，其特征在于，在所述的步驟(6)中，模擬電路早期故障的定義為當(dāng)元件的參數(shù)值偏離標(biāo)稱值25%時(shí)，該元件發(fā)生早期故障。
8.根據(jù)權(quán)利要求6所述的新穎的模擬電路早期故障診斷方法，其特征在于，量子粒子群算法按照下述公式進(jìn)行迭代尋優(yōu)
式中，#為種群的規(guī)模;"和S是[O，I]之間均勻分布的隨機(jī)數(shù)是所有粒子的個(gè)體最優(yōu)位置的平均點(diǎn)'Pi是粒子i個(gè)體最優(yōu)位置'Pg是全局最優(yōu)位置^ (?+i)是粒子i在第?+l次迭代中獲得的位置是當(dāng)前的迭代次數(shù).Α為壓縮擴(kuò)張因子。
【文檔編號(hào)】G06F19/00GK104198924SQ201410460742
【公開日】2014年12月10日 申請日期:2014年9月11日 優(yōu)先權(quán)日:2014年9月11日
【發(fā)明者】何怡剛, 張朝龍, 佐磊, 尹柏強(qiáng), 袁莉芬, 李兵 申請人:合肥工業(yè)大學(xué)