CN101614787A - 基于M-ary结构分类器的模拟电子电路故障诊断方法 - Google Patents

Abstract

本发明公布了一种基于M－ary结构分类器的模拟电子电路故障诊断方法，属于模拟电路网络测试领域。本发明方法包括以下步骤：首先对模拟电路进行可测性分析，以确定合适的测试激励和测点；其次，在电子电路的可测节点处采集待测的电路输出信号；第三，对采集的电路故障信息进行压缩以提取故障特征样本；最后，对样本的标签按M－ary编码方式进行设计，并按支持向量数据描述(SVDD)分类器的方式建立超球体子分类器并对样本进行训练，训练完毕存储信息形成故障字典。本发明具有子分类器数目少、方法简单、可靠性高等优点，能提高电子电路故障诊断的自动化程度和效率。

Description

基于M-ary结构分类器的模拟电子电路故障诊断方法

技术领域

发明涉及一种基于M-ary结构分类器的模拟电子电路故障诊断方法，属于模拟电路网络测试领域。

背景技术

模拟电路的诊断技术已经成为继网络分析、网络综合之后的第三大分支。其中，基于人工智能的模拟诊断方法因具有诸多优点而成为目前国际上的研究热点之一。目前，模拟电路智能故障诊断方法的主流是基于机器学习一类的模式识别方法。

基于机器学习的模式识别方法可以分为监督学习和非监督学习两类。在模拟电路诊断中，大部分方法都是基于监督学习或者各种方法的混合集成。在各类监督学习方法中，支持向量机方法以其泛化能力强、所需样本较少、对样本维数不敏感等优点，已经成为继各种神经网络方法之后的又一大研究重点，因此，基于支持向量机的故障分类器十分适合诊断模拟电路故障。但支持向量机不能用于多模式分类的故障诊断，必须进行一定的设计才能完成此类工作，目前的方法主要有两种：组合单类支持向量机分类器、直接改造单类支持向量机分类器以设计一个多类支持向量机分类器，后者算法较为复杂，目前最常用的方法是前者。在采用单类支持向量机组合构成多类支持向量机分类器的过程中，所需单类支持向量机分类器的个数是不同的，对于“one against rest”结构和由各种决策树支持向量机分类器，需要诊断的故障模式为N+1类时，需要的单类支持向量机个数为N个；对于“one against one”和DDAG分类器结构，需要的单类支持向量机个数为个。当N较大时，所需的分类器训练、故障字典存储复杂度和测试复杂度会较大(当然也和支持向量的个数有关系)，如果采用M-ary编码结构，则可以使得单类支持向量机分类器的个数大大减少，这是目前所有方法中已知的单类分类器数目最小的分类器结构。

采用支持向量机分类器具有很多优点，但是常用的支持向量机分类器在高维空间内采用超面分割两类样本，这种方法用于某些模拟电子电路故障诊断中时，没有考虑原始样本的分布属性及特点(例如：两类样本可能以超球或近似超球的形式分布)，可能会造成样本的误诊率上升。

发明内容

本发明所要解决的技术问题是针对现有技术存在的缺陷提供一种基于M-ary结构分类器的模拟电子电路故障诊断方法。

本发明为实现上述目的，采用如下技术方案：

本发明是一种基于M-ary结构分类器的模拟电子电路故障诊断方法，包括如下步骤：

一.构建故障字典

1)对模拟电子电路进行可测性分析，确定模拟电子电路的可测节点和故障类型；

2)对模拟电子电路施加与故障类型对应的测试激励后采用数据采集卡在步骤1所述的可测节点处采集模拟电子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傅里叶分析或小波变换提取故障特征；

4)将步骤3所述的故障特征依次经过归一化和基于M-ary编码结构SVDD分类器得到训练参数，所述训练参数即构成故障字典；

二.故障诊断

5)将步骤4所述的故障字典内的信息作为基于M-ary编码结构的支持向量机的节点，即构成了基于M-ary编码结构的支持向量机分类器；

6)当待测的功率电子电路运行时，则重复步骤2至3得到实际故障样本；

8)将步骤6所述的实际的故障样本经过步骤5所述的基于M-ary编码结构的支持向量机分类器输出故障模式。

本发明通过借鉴M-ary支持向量机的子分类器设计和编码方法，可以显著降低故障字典中子分类器的数目，简化了后续的故障定位和分类；采用SVDD方法对数据样本进行训练，得到的分类器是一个封闭的高维超球体结构，这在一定程度上可以提高样本的诊断精度，用于模拟电子电路的故障诊断中可以提高诊断的自动化程度和诊断效率，可以应用的场合包括：模拟电子系统的离线和在线故障诊断，板级、模块级或子系统级装置的内嵌式自测试(BIT)。

附图说明

图1：本发明故障诊断框图；

图2：带M-ary结构的SVDD分类器对四种模式的分类示意图。

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：

本发明设计了一种基于SVDD的分类器，该分类器由多个超球体子分类器构成，新设计的分类器主要用于模拟电子电路的故障诊断中，所采用的方法和步骤如图1所示。本发明的实施主要分为两个步骤进行：建立故障字典；采集数据样本并利用设计的分类器进行计算和定位。具体操作如下：

1)在采用本方法之前，首先需要对待测的电子电路进行故障模式的分析，确定故障的类型和数目，故障类型和数目的确定随对象的用途、规模和诊断要求不同而不同，一般的，对于离线诊断的精密模拟电子电路，可能需要诊断至元件级，且故障类型可以是软故障和硬故障，因为元件个数较多，所以故障模式的数目往往较大；对于基于模块级或板级(例如场可替换单元LRU)的电子电路系统，在进行在线诊断或用于模拟BIT时，所需的故障模式往往较少，且故障模式的类型往往以硬故障为主。其次，对待测的电子电路系统进行可测性分析，确定电子电路的测试节点和测试激励，这些工作需要离线进行。假设需要在线诊断的故障模式一共有N+1(N≥1)种，故障代码依次标记为：f₀，f₁，...，f_N，其中，f₀代表电路系统无故障情况下的故障代码。

2)因为本发明的分类器由多个超球体SVDD分类器构成，需要采用基于监督机制的机器学习方法进行训练，故需要一定的故障特征样本。一般的，机器学习需要的故障特征样本来源有两种：仿真样本和实际样本。其中，采用实际的样本进行训练十分有用，但是考虑到实际样本的获取较为困难，在某些情况下是不可能得到的，因此，可以采用仿真的样本进行训练。在进行软件建模的时候，采用的元件模型应尽量和实际采用的元件一致。确定后续机器学习所需要的训练样本数目，假设每种故障模式采用的训练样本数目为t，则N+1种故障模式总共需要的训练样本数目为t·(N+1)。在进行仿真时，按给定的的N+1个故障模式f₀，f₁，...，f_N进行仿真，考虑实际应用中元件容差的影响，此处采用Monte Carlo算法进行模拟，Monte Carlo分析可以采用均匀分布。

在仿真和处理时，需要同时考虑诊断所需的传感器类型和精度：如果采集的为电流信号，则需要通过硬件电路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(系统产生故障后的检测、处理和定位时间要求等)确定，比如，数据采集的AD精度为14位(参考电压满幅度为10V时，对电压信号的分辨率大约为2.4mV)，采样率f_s＝100KHz，采样的数据点数d为128点(需要1ms左右)。

3)对仿真采集到的数据样本进行小波包分析，可以有效的压缩数据并去除高频噪声的干扰，其中，小波包的函数类型根据实际试验的效果确定。设X_ij为原始信号S(d为采样点数大小)经小波包分解后的第i层(i＝1，...，l)的第j个节点的小波包分解系数，s_ij为X_ij的单支重构信号，则总信号S为各个单支重构信号之和：

$S=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{2^l}{\mathrm{\Σ}}}{s}_{\mathrm{ij}}$

当系统出现故障时，对经过小波包分解的各个系数都会产生一定的影响。为了消除高频噪声对数据样本的污染，此处采用第l层的小波包变换的低频系数作为故障特征矢量，在第l层中小波包的低频分解系数包括第(l-1)层的高频分解信号的低频系数和低频分解信号的低频系数，这些都作为有效的故障特征并保留。第l层的小波包变换的低频系数出现在该层的偶数个节点处，即第0，2，...，2^l-2个节点处的系数(依次对应

)作为故障特征矢量。因为在l层的每个节点的系数维数为：d/2^l，把该层每个偶数节点处的低频系数进行规格化处理，把所有节点进行组合之后并成为一个高维矢量：

$\mathrm{FE}=[\mathrm{norm}\left(n_0\right),...,\mathrm{norm}\left(n_{(2^l-2)}\right)]$

上式中，norm(·)为1-规格化函数，即：norm(·)＝max(sum(abs(·)))，abs(·)为矢量取绝对值函数，sum(·)表示矢量的求和函数，max(·)表示取矢量的最大值函数。对待测的电子电路而言，假设共有p个可测节点，记FE_k为第k个可测节点的故障信号经过小波包分解之后得到的低频系数故障特征矢量，则整个的电路故障特征矢量V为：V＝[FE₁，FE₂，...，FE_p]。一般的，当电路的规模较大，d、p和l值较大时，V的维数较大，采用常规的神经网络方法往往不能奏效，因此，采用支持向量机分类器加以诊断可避免出现的”维数灾难”；有些情况下，数据的维数过大，可能会导致存储复杂度的提升，这时可以对样本进行PCA降维操作，虽然损失了一些诊断信息，但是故障特征数据的维数可能会显著降低，对故障特征样本到底需不需要降维要根据实际需要决定。对通过小波包分析得到的故障特征进行归一化操作，其主要目的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V进行归一化的公式如下：

$\frac{[V-\min \left(V\right)]}{[\max \left(V\right)-\min \left(V\right)]}$

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，确定一定的Mercer核函数(可选择类型包括：多项式核、径向基核和sigmoid核)，Mercer核函数的类型可以在进行样本测试的时候采用“网格验证”的方法加以确定。

4)分类器设计、训练和测试。采用本发明所需要的故障分类器，需要以下步骤：

A、根据故障模式的数目(N+1)计算所需的超球体子分类器的数目：

表示留尾法(向大)取整。

B、安排训练样本的标签，采用M-ary支持向量机中的相关编码方法，因为每一种故障模式的诊断需要所有故障子分类器的参与，每一个子分类器的输出只有两个状态：“-1”或“+1”，两个状态可以等效看做是数字电路中的0，1状态，即每一种故障模式的诊断和决策取决于所有子分类器输出编码，且是唯一的。以16种故障模式(故障代码依次记为：f₀，f₁，...，f₁₅)的诊断为例，所需的子分类器(依次记为Cf₀，Cf₁，Cf₂，Cf₃)数目是4，每一种故障模式和四个子分类器的输出编码是唯一对应的，如下表1所示：

表1

故障代码	输出编码
		f0	0000
f1	0001
		f2	0010
f3	0011
		f4	0100
f5	0101
		f6	0110
f7	0111
		f8	1000
f9	1001
		f10	1010
f11	1011
		f12	1100
f13	1101
		f14	1110
f15	1111

因此，根据相关的数字电路编码和解码知识可知，训练四个子分类器所需的故障模式样本由对应诊断出的故障模式指定，比如：超球体子分类器Cf₃所需的训练样本为一类样本，此处定为带“+1”标签的训练样本，该部分样本所容纳的故障模式有：{f₈，f₉，f₁₀，f₁₁，f₁₂，f₁₃，f₁₄，f₁₅}，其余故障模式的训练样本带“-1”标签(由于超球体子分类器只需对一类样本进行训练，所以，该部分的样本其实用处不大，当在进行诊断的时候，如果诊断的结果为“+1”则表示样本位于球体内，否则位于球体之外，属于非目标样本)；超球体子分类器Cf₀所需的训练样本中，带“+1”标签的训练样本包含的故障模式有：{f₁，f₃，f₅，f₇，f₉，f₁₁，f₁₃，f₁₅}。当然，上述编码和解码的过程都是根据预先的设定计算的，可以灵活根据实际需要进行训练样本标签、故障代码、输出子分类器编码设置等进行合理的安排。

C、训练样本的标签和对应的子分类器设置完成之后，可以按照相关的SVDD方法进行样本的训练了。SVDD方法是在给定一定的样本(此处的训练样本即上述获取到的“+1”标签的样本集合)的前提下，寻找一个尽可能小的超球体，使得超球体能够把尽量多的目标样本全部包含在内，该问题的优化表达式为：

$\underset{R,{\mathrm{\ξ}}_i}{\min }\left(F(R,a,{\mathrm{\ξ}}_i)\right)=R^2+C\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i$

该公式的约束条件为：||(x_i-a)||²≤R²+ξ_i。式子中，min(·)为最小化函数；F(·)为函数表达式符号；R为超球体子分类器中的球半径；C为惩罚因子，在尽量少的球外数据点和尽量小的球半径之间进行折衷；ξ_i为松弛因子，当ξ_i＞0时对应于超球体之外的数据点；a为超球的半径大小，x_i为数据样本。此处的优化问题和常规的支持向量机的训练方法类似，经过训练可以最终得到对应的训练参数，训练参数包括：核函数的类型、支持向量、拉式系数、球半径和球心等。把设计的所有子分类器的训练参数进行保存即成为一部故障字典。

D、在对样本进行测试的时候，需要采用以下的距离计算公式：

$\mathrm{dist}=K(x,x)-2\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_{i}K(x,x_i)+\underset{i,j}{\mathrm{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)$

f(x)＝sgn(R²-dist)

上式中，dist为疑似样本x和球心之间的距离的平方，K(·)为Mercer核函数，sgn(·)为符号函数，f(x)为决策结果，当f(x)＝-1时表示测试的样本位于超球体外，当f(x)＝+1时候样本位于超球体表面或超球体内部，属于正常样本。

采用M-ary编码的SVDD分类器对高维样本的测试结构示例见图2所示。其中，给出了对四种样本(依次采用不同符号表示不同的故障模式类，采用I、II、III、IV四个符号代表不同的故障模式)的分类器测试，采用两个超球体子分类器对两组样本进行训练：SP1训练I、II类故障模式的样本，而SP2训练II、III类的故障模式的训练样本。当对某种样本进行测试时，根据SP1和SP2的输出组合判断样本的归属，例如：SP1的输出为+1，SP2的输出为-1，表示当前的样本归属为I类(即图中的“□“类)；如果SP1的输出为-1，SP2的输出为+1，表示当前的样本归属为III类(即图中的“★”类)。

Claims (2)

1、一种基于M-ary结构分类器的模拟电子电路故障诊断方法，包括如下步骤：

一.构建故障字典

1)对模拟电子电路进行可测性分析，确定模拟电子电路的可测节点和故障类型；

2)对模拟电子电路施加与故障类型对应的测试激励后采用数据采集卡在步骤1所述的可测节点处采集模拟电子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傅里叶分析或小波变换提取故障特征；

其特征在于：

4)将步骤3所述的故障特征依次经过归一化和基于M-ary编码结构SVDD分类器得到训练参数，所述训练参数即构成故障字典；

二.故障诊断

5)将步骤4所述的故障字典内的信息作为基于M-ary编码结构的支持向量机的节点，即构成了基于M-ary编码结构的支持向量机分类器；

6)当待测的模拟电子电路运行时，则重复步骤2至3得到实际故障样本；

8)将步骤6所述的实际的故障样本经过步骤5所述的基于M-ary编码结构的支持向量机分类器输出故障模式。

2、根据权利要求1所述的基于M-ary结构分类器的模拟电子电路故障诊断方法，其特征在于故障字典的构建方法如下：

a)确定SVDD分类器的超球体子分类器的数目：

其中N+1为故障类型的数目，N为自然数；

b)安排训练故障样本的标签；

c)将步骤b所述的标签过的故障样本经过步骤a所述相对应的超球体子分类器得到训练参数，保存所有故障样本对应的训练参数即构成一部故障字典。

Images