CN101533068A - 基于dagsvc的模拟电路故障诊断方法 - Google Patents

Abstract

本发明公布了一种基于DAGSVC的模拟电路故障诊断方法，包括以下步骤：对待测的模拟电路施加一定的测试激励，在电路的可测节点采集待测电路输出响应信号；对采集的电路输出响应信号进行多阶分数阶小波包(FRWPT)变换并提取故障特征以形成测试样本；利用故障字典的预储存信息配合一种DAGSVC进行计算以实现故障的分类和定位。本发明采用的方法具有全局训练最优、所需的训练样本少、故障信息的分辨率高等优点，能够提高模拟电路的故障诊断精度和效率。

Description

基于DAGSVC的模拟电路故障诊断方法

技术领域

发明涉及一种基于DAGSVC的模拟电路故障诊断方法，属于电路网络测试和信号处理领域

背景技术

电路网络诊断技术已经成为继电路网络理论分析和综合之后的又一个研究重点。对于数字电路，诊断的方法较为成熟，但对于模拟电路的故障诊断方法目前还没有什么新的突破，仍然踯躅不前。

目前，对模拟电路的诊断方法主要包括：建模和模式识别方法。其中，建模方法主要适合线性或弱非线性电路的故障诊断，而基于神经网络、模糊数学等智能模式识别方法的模拟故障诊断技术既可以诊断线性电路，也可以诊断非线性电路，正在成为目前的研究热点。在诊断模拟电路的模式识别方法中，故障字典方法的应用前景最为广阔，最具有工程应用价值。为了能够诊断模拟电路中的参数故障，绝大部分的故障字典主要借助神经网络等机器学习的方法构成。而常规的神经网络，例如：BP神经网络、小波神经网络等存在诸多的缺点，比如在样本的训练时容易陷入局部最优，需要的样本数量比较庞大，训练的效率也低，这些问题都限制了常规神经网络等方法在模拟电路故障诊断中的进一步应用。由于支持向量机分类器对于数据的高维特性不敏感，且泛化能力极强，克服了神经网络等常规方法所固有的缺点，因此，该类型的分类器十分适合诊断模拟电路故障。但是常规的二元支持向量机分类器(主要“1-v-r”和“1-v-1”两种类型的结构)存在诊断精度低或诊断速度较慢等问题；而具有类似结构的DDAG分类器存在结构不唯一，不同的结构可能存在诊断精度不一致的情况。另外，在故障诊断过程中，故障样本的提取技术也十分关键，常规的故障特征提取技术主要采用幅频特性分析、傅立叶分析和小波包变换等信号分析方法，而这些方法仅得到信号变换以后的特征信息，而没有反映信号变换过程中特征信息的变化情况，造成了故障信息缺失、故障分辨率降低等问题。

发明内容

本发明的目的是针对现有技术存在的缺陷提供一种基于DAGSVC的模拟电路故障诊断方法。

本发明为实现上述目的，采用如下技术方案：

本发明基于DAGSVC的模拟电路故障诊断方法，其特征在于包括如下步骤：

一.构建故障字典

1)对模拟电路进行可测性分析，确定模拟电路的可测节点和测试激励；

2)对电路施加与设置故障模式所对应的测试激励，采用数据采集卡在步骤1所述的可测节点处采集模拟电路的输出响应信号；

3)将步骤2所述的输出响应信号经过分数阶小波包变换和分解提取规格化处理之后的值作为故障特征；

4)将步骤3所述的故障特征经过归一化得到故障样本；

5)将步骤4所述的故障样本作为训练样本，将训练样本经过常规的“1-v-1”支持向量机分类器分组训练得到训练参数形成故障字典；

二.DAGSVC分类器设计和故障诊断

6)在进行样本测试时，按照一种预设计的有向无环图结构进行计算和判别，并提取故障字典内的信息作为有向无环图的节点，即形成了有向无环图支持向量机分类器DAGSVC。

7)重复步骤2至步骤4得到实际的故障样本，将实际的故障样本经过步骤6所述的有向无环图支持向量机分类器DAGSVC以输出故障模式。

本发明的技术效果在于：

通过采用电路的可测性分析等技术，可以有效地减少测点数目，减小故障字典的规模；采用FRWPT等多分辨率分析方法，可以更有效地提取故障特征样本，并有利于后续的分类器分类；采用的DAGSVC的结构唯一，可以很好的避免BP神经网络等现有方法固有的局部极值、训练效率差、对数据维较为敏感等缺点，并能够获得较“1-v-r”支持向量机分类器、“1-v-1”支持向量机分类器更好的诊断效率。

附图说明

图1基于分数阶小波包和DAGSVC的模拟故障诊断框图；

图2DAGSVC结构示意图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明采用基于DAGSVC的模拟电路故障诊断过程框图，如图1所示，具体操作如下：

1)对待测的模拟电路进行频率扫描、灵敏度分析等可测性分析方法，确定电路的最优测试节点和测试激励，测试节点和测试激励等设置在进行样本训练和样本测试时均保持不变。

2)针对设置的各种典型故障模式，对电路施加优化好的测试激励，并在优化好的可测节点处采集电路的输出响应V_out，并对信号V_out进行分数阶小波包多层分解，分解的系数进行规格化处理，提取规格化处理之后的值作为故障特征。

上述方法中，电路的输出节点一般为电压节点，如果采集的为电路的电流信号，则需要把电流信号转换为电压信号再进行数据采集。数据采集的精度、采样率和采集的数据长度可以根据实际的需要确定，比如，数据采集的AD精度为14位，采样率为5MHz，数据点数M为2048点。

分数阶小波包的函数类型和变换的阶次根据实验的效果加以选择，即根据最终实验的效果加以确定。FRWPT变换公式为：

其中，变换的核函数为(下式中的n为整数)：

在本式中，j为复数中的虚数代表符号(j²＝-1)，cot、csc代表余切和余割函数，a旋转因子，t为时间变量，u为上式核函数的参数，δ为冲击函数，n为整数(0、1、2等)，π为圆周率常数。上个式子当旋转因子a＝π/2时，即成为常规的小波包分析。FRWPT是频域、时域和窗参数的函数，因此，利用不同的a值对信号进行分析可以得到从不同角度得到的故障信息特征。

假设在旋转因子a确定的前提下，对电路某个节点的输出响应进行多层分解，设分解的层数为H，则在第H层一共可以得到2^H个小波系数，这些小波系数既反映了故障在低频带内所造成的影响，也反映了故障在高频带内所造成的影响，因此，对于故障诊断都是有价值的信息。把第H层所有的小波分解系数C₁、C₂、...、C_j、...

等进行组合成为一个完整的故障向量，记为： $W_a=[C_1,C_2,...,C_j,...,C_{2^H}],$ 每个小波分解系数均为M/2^H维向量。对全部小波系数进行一维规格化操作后重新进行组合，即成为一个新的故障特征向量

：

$W_a\′=[C_1\′,C_2\′,...,C_j\′,...,C_{2^H}\′]$

其中，C₁′＝max(sum(abs(C₁)))，max、sum、abs依次表示对向量进行取最大值操作、求累加和操作和取绝对值操作。

对采用不同的旋转因子得到的

进行组合，得到 $W\′=[W_0\′,W_{(2\mathrm{\π}/N)}\′,W_{(4\mathrm{\π}/N)}\′,...,W_{2\mathrm{\π}(N-1)/N}\′]$ ，此处把整个的旋转因子a在0～2π空间内均匀采样N次，最终得到的故障特征向量为(M*N)/2^H维。当M和N较大时，W′的维数可能很大，采用常规的神经网络方法往往不能奏效，因此，采用支持向量机加以分类和诊断可以避免出现的“维数灾难”。

3)对故障特征进行归一化操作，并把故障样本作为训练样本输入至常规的“1-v-1”支持向量机分类器中，对分类器进行训练，训练完毕，保存各个分类器的训练核参数、支持向量和偏差等信息，形成故障字典。

故障特征的归一化操作主要是为了样本在训练时防止数据范围的波动过大而设定的。对故障特征W′进行归一化的公式如下：

$\frac{(W\′-\min (W\′))}{[\max (W\′)-\min (W\′)]},$

其中，min表示取最小值函数。经过数据的归一化之后，故障样本的数据范围在[0，1]之间。把所有故障模式的样本分为两组：训练样本和测试样本，并且把不同故障模式的训练样本两两分组并利用“1-v-1”支持向量机进行训练，训练的时候，对输入的训练样本乘上一个缩放因子scaler(scaler可取的值为：0.1、1、10、100)，确定一定的Mercer核函数(可取的类型为：一次多项式、二次多项式、径向基核和sigmoid核)，在对应一定的参数情况下全部训练完毕，利用“1-v-1”支持向量机对测试样本进行分类并计算整体的故障诊断精度大小，取最高故障诊断精度所对应的各个参数作为最终的最优参数加以保存。训练完毕，把训练过程中的核函数类型、拉式系数、支持向量和训练偏差等信息保存进故障字典。

4)把待测电路的实际测量信号进行分数阶小波包变换，并提取故障特征样本，输入至DAGSVC中进行测试，根据分类器的输出即可确定故障模式。

分类器设计完毕，需要进行测试。测试样本的获取方法和训练样本的获取方法完全一致：利用测试信号激励待测模拟电路，并在可测节点采集电路的输出响应并进行分数阶小波包分解，对分解系数进行特征提取操作，便形成了故障样本。然后把故障特征样本输入至DAGSVC进行故障分类。

有向无环图的结构见图2所示。常规的有向DDAG分类器具有多种可能结构，存在很大的不确定性，此处的设计保证分类器的结构具有唯一性。在进行测试的时候，在某个节点需要调用故障字典内对应的存储信息进行计算，比如：在最顶层节点需要调用故障字典内f₀和f_N所组合形成的二元支持向量机分类器的训练信息，而不是其他二元支持向量机分类器的训练信息。

Claims (3)

1、一种基于DAGSVC的模拟电路故障诊断方法，其特征在于包括如下步骤：

一.构建故障字典

1)对模拟电路进行可测性分析，确定模拟电路的可测节点和测试激励；

2)对模拟电路施加与设置故障模式所对应的测试激励，采用数据采集卡在步骤1所述的可测节点处采集模拟电路的输出响应信号；

3)将步骤2所述的输出响应信号经过分数阶小波包变换和分解提取规格化处理之后的值作为故障特征；

4)将步骤3所述的故障特征经过归一化得到故障样本；

5)将步骤4所述的故障样本作为训练样本，将训练样本经过常规的“1-v-1”支持向量机分类器分组训练得到训练参数形成故障字典；

二.DAGSVC分类器设计和故障诊断

6)在进行样本测试时，按照一种预设计的有向无环图结构进行计算和判别，并提取故障字典内的信息作为有向无环图的节点，即形成了有向无环图支持向量机分类器DAGSVC。

7)重复步骤2至步骤4得到实际的故障样本，将实际的故障样本经过步骤6所述的有向无环图支持向量机分类器DAGSVC以输出故障模式。

2、根据权利要求1所述的基于DAGSVC的模拟电路故障诊断方法，其特征在于所述有向无环图支持向量机分类器DAGSVC的标记方法如下：

故障字典包含N+1种故障模式，依次标记为f₀，f₁，...，f_N，整个DAGSVC从上向下分为N+1层，除最后一层外都带节点，每个节点为一个二元支持向量机分类器，最后一层为分开的各故障模式代码；

最顶层的节点标记为：f₀-v-f_N，表示f₀和f_N两个样本集训练成为一个基本的二元支持向量机分类器，且下标较小的样本集在分类器训练时作为“-1”标签出现，另外一个作为“+1”标签出现；第二层有两个节点，左边为：f₀-v-f_N-1，右边为：f₁-v-f_N；第三层有三个节点，左边为：f₀-v-f_N-2，中间的节点为：f₁-v-f_N-1，最右边的节点为：f₂-v-f_N；依此类推第i层节点有i个二元支持向量机分类器，依次为：f₀-v-f_N+1-i、f₁-v-f_N-i、…、f_N-1-v-f_N，其中N为自然数，v是一个联接符号，代表该节点是两种故障模式的样本按照“1-v-1“支持向量机分类器训练而成的。

3、根据权利要求1所述的基于DAGSVC的模拟电路故障诊断方法，其特征在于所述有向无环图支持向量机分类器DAGSVC的获取方法包括如下步骤：

a)把所有故障模式的样本分为两组：训练样本和测试样本，并且把不同故障模式的训练样本两两分组并利用“1-v-1”支持向量机分类器训练，训练的时候，对输入的训练样本乘上一个缩放因子scaler，确定一定的Mercer核函数类型和参数，当全部训练完毕，利用“1-v-1”支持向量机分类器对测试样本进行诊断分类，并计算整体的故障诊断精度大小，取最高故障诊断精度所对应的核函数类型及参数作为最终的最优参数加以保存；对N+1种故障模式，最终得到二元支持向量机分类器的个数为：个；

b)将步骤1所述的每个二元支持向量机分类器的训练信息进组合以形成一个表格，即一部完整的故障字典，当进行样本测试时，按照一种预设计的有向无环图结构进行计算和判别，并提取故障字典内的信息作为有向无环图的节点，即形成了有向无环图支持向量机分类器DAGSVC。

Images