CN101251579B - 一种基于支持向量机的模拟电路故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机的模拟电路故障诊断方法。包括以下步骤：针对典型故障情况，对电路进行仿真得到可及点电压值，作为支持向量机训练样本；对传统蚂蚁算法进行改进，在路径选择的问题上，混合使用概率选择和随机选择两种方法；利用改进蚂蚁算法优化支持向量机的RBF核函数参数(γ，C)；用训练样本训练SVM，并将训练后的结果以及误差存入存储器中；测量待测电路的实际电压信号，将其输入训练好的支持向量机，支持向量机的稳态输出即为故障的类型，完成模式识别，实现故障诊断。本发明的方法用于小样本学习的故障诊断问题有明显的优势，且有速度快，准确率高，泛化能力强的优点。

Description

一种基于支持向量机的模拟电路故障诊断方法

技术领域

本发明涉及一种模拟电路故障诊断方法，特别涉及一种基于支持向量机的模拟电路故障诊断方法。

背景技术

模拟电路故障诊断归根到底是一个模式分类问题，即根据测量数据判断电路状态属于哪个故障类。近几年来较常用的方法是利用神经网络来进行模拟电路故障诊断。但神经网络理论上有较多的缺陷无法圆满解决，例如结构选择、局部极值、过学习等问题，其中最重要的问题就是推广能力不足，在学习样本不完备的情况下难以得到准确的诊断结论，不能很好的解决实际问题中小样本问题。而实际工程中的故障诊断问题往往很难得到大量样本，因此故障样本的缺乏成为制约神经网络用于故障诊断的瓶颈问题。而基于结构风险最小化的支持向量机适用于小样本情况，用于故障诊断有更好的适应能力，更高的分类准确率，更适用于解决实际的工程问题。

支持向量机(Support Vector Machine，SVM)是以结构风险最小化原则为理论基础而建立的新的机器学习算法，专门针对少样本情况下的机器学习问题，目前主要应用与模式识别，回归估计，概率密度函数估计等方面。在故障模式的识别中，SVM能在少训练样本的前提下，考虑对渐进性能的要求，在现有有限信息的条件下得到最优的结果。SVM的应用研究虽然已经取得了阶段性研究成果，但还有一些问题需要进一步深入研究，其中最重要最核心的问题是SVM中核函数及其参数的选择，目前仍没有一个统一的模式，多是采用凭借经验选择，大范围搜索或验证的方法进行寻优。

目前，SVM中的RBF核函数参数(γ，C)的求解方法有以下几种：第一种方法是网格搜索法，利用不同的(γ，C)取值对应的不同的SVM的性质，在直线logγ＝logC-logγ附近寻优，此方法计算量小，费时少，但学习精度略低；第二种方法是网格搜索法，此方法分别对参数C和γ取X个值和Y个值，再对其所有组合一一对应的SVM分别进行训练并计算其学习性能，从而找出最优的参数组合，优点是可以并行处理每个SVM的训练，且具有较高的学习精度，但估算范围难以确定且计算量大，费时较多。由上述可知，目前存在的核函数参数(γ，C)的寻优方法均有尚待完善之处，存在无法兼顾小计算量和高学习精度的难题。

发明内容

为解决支持向量机用于模拟电路故障诊断所存在的技术问题，本发明提供一种基于支持向量机的模拟电路故障诊断方法，本发明利用改进蚂蚁算法优化RBF核函数参数，具有速度快，准确率高，泛化能力强的优点。

本发明解决上述技术问题的技术方案包括以下步骤：

1)、对待测电路进行灵敏度分析，确定电路的测试节点；

2)、针对典型故障情况，对电路进行仿真得到可及点电压值，一部分作为SVM的训练样本，一部分作为测试样本，并存入存储器；

3)、利用改进蚂蚁算法进行RBF核函数参数(γ，C)的选择，即在蚂蚁算法的路径中，交替使用概率选择和随机选择的方法；

4)、依据故障类别个数决定构建的SVM个数。一组训练好的SVM故障诊断分类器，对每个测试样本，应只有其中一个SVM的输出为1，否则，表示出错，应重新进行训练；

5)、用训练样本训练网络，并将训练后的结果以及误差存入存储器中；

6)、测量待测电路的实际电压信号，将其输入训练好的SVM，分析SVM的稳态输出，得到故障的类型，完成模式识别，实现故障诊断。

本发明的技术效果在于：本发明在传统蚂蚁算法的概率路径选择中加入随机选择算子，可使寻优过程能在保留前次搜索产生的较好解和随机寻得的较好解之间取得平衡。在原算法的基础上，提高蚂蚁选择路径的随机性，相当于变异出不同的解，使寻优过程从传统算法中易出现的停滞状态中摆脱出来。用此方法的寻优结果做核函数参数的SVM，用于模拟电路故障诊断时，具有更高的诊断精度和更快的训练速度，且更适用于实际工程问题中的小样本情况。

附图说明

图1为本发明的流程图。

图2为本发明中改进蚂蚁算法的流程图。

具体技术方案

下面结合附图对本发明进一步的说明。

本发明的流程图如图1所示，其具体过程如下：

(1)测前准备部分。首先，构造一个有代表性的测试电路。

选择故障集：对已建立的模拟电路，考虑电路中的元件故障，而不考虑电路中的引线故障。实际的方案是根据被测电路的特点和以往的经验以及元件故障率来选择若干单故障和多个故障作为故障集。

添加激励信号：通常选用与实际工作相似的输入信号作为激励信号。为了充分隔离故障集中的所有(至少大部分)故障，实际工作中可采用多种输入信号的组合信号作为电路激励。

(2)选择电路中的测试节点。选择测试节点的基本准则是：在故障集中故障均可以隔离的前提下，使测试点的数目最少，尽可能的选择维数最低的测试向量(即特征)来区分故障集中的所有故障。本发明中的实际做法是采用灵敏度分析：将电路中的所有节点选为可及节点，计算在各种故障状态下每个节点的测试值，以电压值表示，并划分模糊域，得到若干模糊集。接下来选择一个对应模糊集最多的测试节点A₁，其模糊集为S₁。令t＝1，S_t ^*＝S₁。取剩下待取节点中模糊集个数最多的节点作为测试节点A_i+1，求相应的S_i+1 ^*。比较S_i+1 ^*中的集合数与故障表中包含的故障数目大小，如果大于等于故障数目，则说明目前测试点集可以隔离所有故障。所取测试点集为：A＝{A₁，A₂，...，A_i+1}。如果小于故障数目，则增加测试节点。

(3)对电路进行PSPICE仿真得到测试点电压值，将测试点电压值吗进行归一化处理，以消除量纲的影响，同时也可加快仿真的速度。在本发明中，采取将数据中最大值V_max做为基准，将每个数据V_i以V_i/V_max代替，将所有数据调整到区间[0，1]之内。将得到的数据分为训练样本和测试样本两部分，并存入存储器，组成故障状态表。

(4)多故障分类器SVM的建立

SVM在分类问题上只考虑了两类可分的情况，在解决故障诊断这种多值分类问题时，需要建立多个SVM。当SVM用于多类分类时，目前有两种算法：“成对分类”和“一类对余类”。本发明中采用“一类对余类”的方法进行分类器的构造，当共有m类需分类时，把第j类看做正类，其余M-1类均看做负类或0，决策函数为：

f^j(x)＝sgn(g^j(x))

即，当共有m类需要分类时，需要构造m个SVM分类器。第j个分类器的输出为1，则有第j个故障发生；第j个输出为-1，则无第j个故障发生。一组训练好的SVM故障诊断分类器，对每个测试样本，应只有其中一个的输出为1。否则，表示出错，应重新进行训练。

本发明中考虑电路的m种单软故障的情况，连同电路的正常工作状态(NOR)共m+1种状态建立SVM，对应建立两类分类器：SVM0、SVM1、SVM2、...、SVMm，其中SVMn表示为识别第n类与余类而建立的两类可分支持向量机。

(5)改进蚂蚁算法优化SVM的RBF核函数参数

具体步骤如下：

1.准备工作，初始化参数

1)首先对RBF核函数参数(γ，C)取值范围进行估算，再依经验，分别将两范围离散化为a个点和b个点，则得到n＝a×b个点，作为待寻优数集。

2)产生包含n只蚂蚁的蚁群，初始化蚁群参数，循环代数计数器NC置为0，预设最大循环代数次数为NCmax。令点j初始时时的信息素及其增量为τ_(j)(0)＝0，Δτ_(j)(0)＝0；

3)将n只蚂蚁一一对应的随机放入n个点，即设置蚂蚁的初始位置，将蚂蚁k的初始位置放入tabu(k)。

2.寻优开始

1)大部分蚂蚁的路径选择依如下公式进行：

allow为下步允许走的点的集合，已经过的点不允许走，即构成禁忌表tabu_k，η常取点i，j之间距离的倒数。α，β分别表示已存在的信息量和新启发的重要程度即依据概率选择法进行路径寻优，少量蚂蚁进行随机选择寻优(random)。每只蚂蚁完成一次路径环游，就进行一次局部信息素更新。

2)全部n只蚂蚁均完成一次环游后，全局信息素进行一次更新，禁忌表tabu清零。：

τ_ij(t+n)＝(1-ρ)*τ_ij(t)+Δτ_ij    ρ∈(0，1)

${\mathrm{\Δ\τ}}_{\mathrm{ij}}=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{{\mathrm{\Δ\τ}}_{\mathrm{ij}}}^k$

ρ为信息素挥发因子，Δτ_ij为本次环游中路径ij上增加的信息量，若蚂蚁k未经过该路径则Δτ_ij为0，否则为Q/L_k(Q为信息素调整速率系数)。这里取ant-cycle模型，即L_k表示蚂蚁k该次环游总共走过的路径长度。

如果此时当前结果中包含最优解，则算法停止并输出结果。

3)若当前不包含最优解，则算法继续，转至1步3)继续进行，同时置循环代数计数器NC＝NC+1。重复进行以上步骤，到NC＝NCmax时为止，算法结束。

3.结果分析

由前面的分析可知，越好的选择点产生的信息素增量越大，之后其他蚂蚁选择该点的可能性越大。因为本方案中，蚂蚁和参数点是一一对应关系，所以选择较优路径的蚂蚁初始时对应的点为最好的点，即算法寻优找到的最好参数。

(6)SVM的训练、测试及结果整理

训练SVM：用训练样本输入建立好的SVM，并将训练后的结果以及误差存入存储器中；检验SVM：用测试样本输入训练好的SVM进行检测，将得到的结果也存入存储器以记录。

整理结果：多故障情况时，因为训练用的分类器模型有多个，测试时，数据是依次输入每个模型的，所以整理每个模型的输出结果，才可得到最终诊断结果。

(7)用电路实际故障状态进行诊断测试：对被测电路进行故障状态下的实际测试，得到电压信号作为实际诊断数据，输入训练好的SVM，比较得到的输出与各故障集空间子中心的距离

v_i ^*为第i个点上的测量值，v_i(F_j)为故障F_j第i个点的子中心值。如果找到SSD(F_t)为所有距离中最小的，则说明电路正发生故障F_t。故障诊断过程完成。

本发明应用示例：

根据上述诊断步骤，对某电路进行诊断。

1.具体步骤如下：

构造一测试用电路；本例中仅考虑电阻R1，R2，R3，R4出现单软故障的情况，以电路的正常工作状态(NOR)和4种故障状态共5种状态建立多故障分类器，4种故障状态各取4个样本，加正常状态时样本，共17个数据作为分类器的两类输入。对应建立5个两类分类器：SVM0、SVM1、SVM2、SVM3、SVM4，其中SVMn表示第n类与余类之间建立的两类支持向量机，SVM1~4将故障时每种状态的4个样本与其余4种状态的13个样本分开，SVM0将正常状态的1个样本与其余16个故障样本分开。由优选法，该电路中选择电路输出端作为测试端即可。

将所有数据除以其中最大的值，即进行数据的归一化，作为故障诊断的统一特征向量，分别做为故障诊断的训练样本，测试样本。

2.具体数据

所获得的训练样本、测试样本以及诊断结果分别于表1、2、3所示。将训练样本重新输回SVM分类器得到回判结果，同时对测试样本进行分类判断，分别得到对训练数据的回判率和对测试样本的判断率，作为评价SVM诊断性能的重要指标。采用传统网格搜索法对数据集进行交叉验证，求得最好的参数组合为(2.5，6)，使用该组RBF核函数参数的SVM对训练集的回判率为97.647％，对测试集的判断率为97.778％(错误诊断结果用下划线标识)；而用本方案提出的，经过改进蚂蚁算法寻优得到的参数组合为(4，9)，将其用于SVM进行故障诊断，对训练集的回判率和对测试集的判断率均为100％，诊断性能明显优于前者。由测试结果可知，在同样的网络和训练样本下，经本发明提出的改进蚂蚁算法优化RBF核函数参数的SVM的故障诊断能力优于传统核参数参数寻优法得到的SVM。

表1：训练样本

表2测试样本

表3两种寻优法得到的SVM的诊断结果

Claims (2)

1.一种基于支持向量机的模拟电路故障诊断方法，包括以下步骤：

1)建立待测电路，依经验设置故障集，以及施加于电路的激励信号；

2)、对待测电路进行灵敏度分析，确定电路的测试节点；

3)、针对典型故障情况，对电路进行HSPICE仿真得到可及点电压值，一部分作为支持向量机的训练样本，一部分作为测试样本，进行归一化处理后存入存储器；

4)、利用改进蚂蚁算法优化支持向量机RBF核函数参数；

5)、用训练样本训练支持向量机，并将训练后的结果以及误差存入存储器中，用测试样本输入向量机网络进行检验；

6)、测量待测电路的实际电压信号，将其输入训练好的支持向量机，分析支持向量机的稳态输出结果，得到故障的类型，完成模式识别，实现故障诊断。

2.根据权利要求1所述的基于支持向量机的模拟电路故障诊断方法，所述步骤4)的步骤如下：

a1.对RBF核函数参数(γ，C)取值范围进行估算，再依经验，分别将两范围离散化为a个点和b个点，则得到n＝a×b个点，作为待寻优数集；

a2.产生包含n只蚂蚁的蚁群，初始化蚁群参数，循环代数计数器NC置为0，预设最大循环代数次数为NCmax，令点j初始时的信息素及其增量为τ_(j)(0)＝0，Δτ_(j)(0)＝0；

a3.将n只蚂蚁一一对应的随机放入n个点，即设置蚂蚁的初始位置，将蚂蚁k的初始位置放入禁忌表tabu_k；

a4.大部分蚂蚁依据概率选择法进行路径寻优，少量蚂蚁进行随机选择寻优，每只蚂蚁完成一次路径环游，就进行一次局部信息素更新；

a5.全部n只蚂蚁均完成一次环游后，全局信息素进行一次更新，禁忌表tabu_k清零，如果此时当前结果中包含最优解，则算法停止并输出结果；

a6.若当前不包含最优解，则算法继续，转至a4继续进行，同时置循环代数计数器NC＝NC+1，重复进行以上步骤，到NC＝NCmax时为止，算法结束。

Images