CN102435910B - 基于支持向量分类的功率电子电路健康监测方法 - Google Patents

Abstract

一种基于支持向量分类的功率电子电路的健康监测方法，属于电路网络测试领域。该方法包括如下步骤：1）对待测的功率电子电路进行可测性分析，确定电路故障的层次、类型和数目并采用软件进行仿真；2）进行离线操作包括数据采集、特征提取、分类器训练和故障字典的构建；3）在进行实际电路的在线监测时，利用可测点采集故障信息，并利用步骤2)中同样的故障特征提取方法实施故障信息压缩和提取，并利用离线操作中的故障字典对该故障样本进行状态决策与状态评估。本发明具有子分类器数目少、方法简便、可靠性高等优点，能够实施功率电子电路的健康评估和未知故障分类，因而可以提高功率电子电路的自动化程度和故障诊断效率。

Description

基于支持向量分类的功率电子电路健康监测方法

技术领域

本发明涉及一种基于支持向量分类的功率电子电路健康监测方法，属于电路网络测试领域。

背景技术

功率电子电路的故障诊断技术在各个领域得到了广泛的研究和应用，但基于电路健康评估和监测方面的研究和应用显得较少。功率电子电路的健康监测十分重要，根据电路的健康状况可以十分方便的实施电路的故障预测与健康管理（PHM）。功率电子电路的PHM主要分为三类：基于Canary的预警装置应用与设计；故障预兆推理和监控；损伤累积建模与分析。此处所采用的功率电子电路健康监测方法属于第二类，主要包括电路的健康评估、故障检测与故障分类等关键技术。

目前，模式识别与人工智能等基于数据驱动技术的运用是功率电子电路健康监测与评估研究中的热点。在这些方法中，支持向量机以其外推能力强、学习样本稀疏、对样本的数据维数不敏感等优点，已经成为继建模分析、神经网络等方法后的又一个研究重点。支持向量机功能较强，在诊断领域可以实施故障诊断和定位、故障检测和预测等。但常规支持向量机不能直接用于多分模式识别，必须进行一定的重新设计才能完成此类工作。目前，主要的设计思路包括两种：组合单类支持向量机分类器、直接设计一个多类支持向量机分类器。目前，典型设计中以前者居多。M-ary SVC是目前所有方法中已知所需单分类器数目最小的一种多分类方法，决策也十分简单。但这种方法没有充分考虑各种模式的优化组合，因而造成了不同的分类器结构，因而可能导致不同的测试性能。如果在机器学习之前，能够考虑各种训练模式的优化组合，并重新组织分类器的训练结构，则可以较好的解决这一问题。

发明内容

为了解决上述问题，本发明提出了一种基于支持向量分类（SVC）的功率电子电路健康监测方法，该方法基于改进型的M-ary SVC进行故障分类和定位，并借助于SVDD方法实施故障训练，可提高功率电子电路的故障诊断效率。

本发明为解决其技术问题采用如下技术方案：

一种基于支持向量分类的功率电子电路健康监测方法，包括如下步骤：

1）对待测的功率电子电路进行可测性分析，确定电路故障的层次、类型和数目并采用软件进行仿真；

2）进行离线操作包括数据采集、故障特征提取、分类器训练和故障字典的构建，所述故障特征提取，采用快速傅里叶分析方法或小波包分析方法；所述分类器训练包括SVDD训练方法，即支持向量机数据描述训练方法和SVC训练方法，即支持向量机分类器训练方法，其中，SVDD训练方法是一种单类分类方法，SVC训练方法是一种多类分类方法，利用SVDD训练方法把健康态的样本和故障态的样本分别进行训练，得到两组训练参数，把两组训练参数依次放入存储器中进行存储，形成两个故障字典，分别称为故障字典Fh和故障字典Ff；SVC的训练是采用M-ary支持向量机分类器进行训练，这种分类器是一种多分类器，此处把故障态样本进行SVC训练，得到对应的训练参数，把所有的训练参数保存进存储器，即形成了故障字典Fm；

3）在进行实际电路的在线监测时，利用可测点采集故障信息，并利用步骤2)中同样的故障特征提取方法实施故障信息压缩和提取，并利用离线操作中的故障字典对该故障样本进行状态决策与状态评估，具体步骤：

① 首先调取故障字典Ff，判断样本是否属于有故障状态，如果是，则转向步骤③，否则，转向步骤②；

② 调取故障字典Fh，判断样本是否属于健康态，如果是，则转向第③步，否则，报警产生新故障；

③ 调取故障字典Fm，按照前面所述的调整之后的训练结构进行故障定位，并输出所定位的故障模式；

④ 状态评估的方法如下：如果当前样本的状态属于健康态，则计算当前的样本与球心距之间的距离distx，并设定一定的阈值，即基线baseline，判断如果distx<baseline，则表明当前的系统属于健康态，工作状态良好；如果distx≥baseline，则表明系统健康出现问题，可能出现故障的概率较大。

所述步骤2）中的分类器是M-ary支持向量分类器，进行机器学习时所需的训练样本标签分配，具体步骤如下：

① 计算所需的M-ary SVC子分类器的个数；

② 按照基于数字编码方法，使得子分类器进行排列，子分类器的排列按照自后往前或从左到右排列，每一列称为一层，最左边的列为第一层，最右边的列称为最后一层，每一列对应全部的故障模式，即某个子分类器的样本标签划分是在称为一层的概念上开展的；

③ 设计第一层SVC分类器的结构，即重新安排样本标签，再按照顺序，依次设计其他层的SVC结构，直至第一个SVC为止；此处定义两个概念：宏和子宏。所谓宏是针对某层SVC的训练样本集而言的，在本层内，包含属于“-1”标签或“+1”标签的模式类的集合都称为一个宏；子宏是由上层的宏或宏内的子宏分解而来，每个上层的宏总是分解为一个或两个子宏，这两个子宏之间还需重新调整样本的标签，即重新调整为两个新宏，由此，某层SVC的宏既包括一个子宏，也包括多个来自上层分解的子宏，最后一层的子宏数目最多，且每个子宏仅包括一种模式类，表明所有的模式类均已经分开，此处利用最小距离方法把一个宏分解为子宏，是由于对一个宏内的模式类而言，总是存在某几个模式类之间的欧式距离和最小，把这几个模式类划入到一个子宏内，剩余模式类划入另外一个子宏；

④ 按照步骤③得到的宏的结构安排SVC训练，每层经过训练之后得到的训练参数放入存储器中进行保存，形成一个二元支持向量机分类器BSVC；

⑤ 保存所有的BSVC参数即整体形成一部故障字典Fm，以用于多故障模式分类。

本发明的有益效果如下：

1、 通过对M-ary支持向量机的训练结构进行调整，能够显著优化该分类器的结构，从而达到提高训练效率，减少支持向量，并提高测试效率的目的。

2、 通过借助SVDD的异常检测机制对故障进行训练，可以提高监测系统对新故障和未知故障的监测能力，以达到提高监测性能的目的。

3、 通过借助支持向量分析方法（即SVC与SVDD的联合判决），可以提高功率电子电路故障监测和评估的自动化程度和诊断效率，可以应用在功率电子电路系统的离线和在线故障诊断（板级和系统级）。

附图说明

图1 基于支持向量分类的功率电子电路状态监测流程图。

具体实施方式

下面结合附图对本发明创造作进一步的详细说明。

本发明设计了一种基于支持向量分类的功率电子电路健康监测方法，该方法主要包括故障模式设计和电路可测性分析、离线操作与在线操作三部分。所采用的步骤流程如图1所示。具体操作包括如下步骤：

一、故障模式设计和电路可测性分析。

在采用本方法之前，首先需要对待测的功率电子电路进行故障模式的分析，确定故障的层次（即故障属于器件级、模块级还是子系统级）、类型（例如是单软故障还是多软故障，是单硬故障还是多硬故障，还是软故障与硬故障的并存）和数目（即有多少个器件是潜在的故障源，是否要考虑二种或二种以上器件的故障组合等）。一般的，故障层次、类型和数目的确定往往随对象的用途、规模和诊断要求不同而不同，例如，对于含开关管较多的功率驱动电路或可靠性要求较高的功率电路而言，诊断的层次往往需要诊断至器件级，器件故障以多硬故障为主；对于拓扑结构复杂且模块化明显的功率电子电路而言，诊断的层次往往需要诊断至模块级；当诊断面向的对象是一个结构复杂、包含多个电路模块的网状系统时，此时的诊断层次往往是子系统级。目前大部分的故障诊断系统考虑较多的是单故障模式，因为单故障的产生概率较大。此处，假设需要在线诊断的故障模式一共有N种（电路的正常情况往往也作为其中一种特殊的故障模式列入）。

另外，还需要确定哪些元件是需要进行监测的（即在实际应用中容易产生故障的器件，或者，这些器件十分重要，一旦产生故障可能会导致整个系统的崩溃，这些器件都是需要考虑的），或者哪些节点是可测节点（即通过这些节点可以采集到反映故障模式的信息），或哪些故障信息类型（即采集的信息是电压还是电流）可以实施后续的故障判别。

上述这些工作可以采用仿真软件PSpice或Saber等软件进行， 采用软件进行仿真时，需要在软件内部绘制原理图，并根据实际电路系统可能出现的故障模式进行设置，例如，如果设置电阻器件出现了开路硬故障，可以在电阻的一端串联一个极大的电阻（例如100 MΩ）加以仿真和模拟。同时，可借助于软件自带的功能进行各种情况下的仿真模拟，例如Monte Carlo分析用于设置容差器件的分析等。软件分析可以提供所有的可测节点的电压输出信息，也包括各个支路的电流等信息。因此，采集这些信息并进行定性或定量分析，分辨出哪些节点和信息类型有利于进行故障信息采集，并在能够分辨所有故障模式的前提下，确保所利用的可测节点数和故障信息类型数最少。

二、离线操作。

离线操作主要包括数据采集、特征提取与分类器训练三个部分。

<1> 数据采集（即A/D转换）。因为本发明的分类器由多个支持向量分类器构成，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。样本的获取既可以采用历史真实样本获取，也可以采用仿真软件加以实现。如果采用仿真方式获取故障样本，需要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分析可以采用均匀或正态分布。

在进行实际的硬件数据采集时，还需要特别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（例如霍尔器件）把电流信号转换为电压信号再进行数据采集。ADC的采样速率、精度和数据点个数等可根据实际需要确定，比如，数据采集的AD转换器精度为14位，采样率                                                =1MHz。

<2> 故障特征提取。对采集到的数据样本进行故障特征提取，以压缩数据并去除高频噪声的干扰。故障特征提取的方法很多，可以采用快速傅里叶分析（FFT）或小波包分析。以小波包分析为例，设

为原始信号S经小波包分解后的第i层（i=1，2，…，l）的第j个节点的小波包分解系数，

为

的单支重构信号，则总信号S可等价于如下形式：

当功率电子电路工作不正常，开始出现故障或预兆时，对经过小波包分解的各个系数都会产生一定的影响。由小波分解原理可知，低频系数包含了样本的原始轮廓，虽然高频系数包含了某些故障特征的变化，但受噪声干扰也十分严重，因此，为了尽量减少功率电子电路工作时各种噪声对样本的干扰，此处仅采用第1~l层的小波包变换的低频系数作为故障特征矢量。为了进一步压缩数据维，对每层的小波系数进行规格化操作，规格化函数为

。其中，

，

为矢量取绝对值函数，表示矢量的求和函数，

表示取矢量的最大值函数。

把所有节点的规格化数据进行组合之后，合并成为一个l+1维矢量：Fv=[

，…，

]。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Fv进行归一化的公式如下：

经过数据的归一化之后，故障样本的数据落入区间[0，1]。此处，可以把样本划分为训练样本集和测试样本集（两个样本集的大小尺寸可以不同），训练样本主要配合机器学习，构建故障字典；测试样本主要配合一定类型的Mercer核函数进行核参数的寻优（可以采用“网格验证”的方法加以确定）。

<3> 离线分类器训练。此处，采用支持向量机分类器（SVC）和支持向量数据描述（SVDD）两种分类器实施故障分类，但这两种分类器必须先进行学习才能进行后续的使用。分类器进行机器学习，需要以下步骤：

1、 首先，对健康态的样本和已定义的故障态样本依次进行支持向量数据描述（SVDD）的训练，训练时，目标样本的标签一般定义为“+1”。训练完毕，分别构建故障字典。

SVDD方法是在给定一定的样本的前提下，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，该问题的优化表达公式为：。该公式的约束条件为：。式子中，

为最小化函数；

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；

为松弛因子，当

时对应于超球体之外的数据点；a为超球的半径大小，

为数据样本。

对健康态的样本按照SVDD的优化表达公式训练，经过训练可以得到下列参数：核函数参数、支持向量、拉式系数、球半径和球心等，把这些参数保存在存储器中即形成故障字典Fh。

对故障态的全体样本按照SVDD的优化表达公式训练，经过训练可以下列参数：核函数参数、支持向量、拉式系数、球半径和球心等，把这些参数保存在存储器中即形成故障字典Ff。

2、 在利用SVDD对样本进行测试时，需要采用以下的距离计算公式：

上式中，dist为疑似样本x和球心之间距离的平方，

为Mercer核函数，

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，即样本为异常样本（即SVDD具有异常检测能力）；当f(x)= +1时候样本位于超球体表面或超球体内部，属于目标样本。其中，x为待检测样本，x _i 、x _j 依次为故障字典中的第i个、第j个支持向量，

、依次为支持向量x _i 、x _j 的拉式系数。

 3、根据故障模式的数目N-1计算所需的M-ary SVC子分类器数目：

，

表示留尾法（向大）取整，N为正整数。

     基本SVC的原理是在给定两种模式样本（设两类模式样本的标签分别为：+1和-1）的前提下，利用核函数将两类样本映射至一个高维空间，在该空间中寻找一个超面，使其位于两类模式的样本最大间隔1/

，此处的是指该超面的法向量。SVC需要最小化下列公式：

。此处，C是指SVC训练中的惩罚系数；

为训练过程中的松弛因子，以允许错分样本的出现。经过SVC的训练之后，可以获取的参数如下：支持向量x _i  ；拉式系数

；支持向量x _i的标签y _i ，偏差b。SVC的判别公式如下：

，此处，为Mercer核函数，

为符号函数。

此处，M-ary SVC的使用是在现有故障模式中寻找两两组合（即寻找一个优化组合的过程，该详细的过程见下面的步骤4所示）以进行SVC训练，并获得训练参数（即获得一个子分类器），并把这些子分类器分别存入存储器中，整体形成一部故障字典Fm。

4、需要对M-ary SVC的训练结构进行调整，经过调整之后的分类器具有优化的结构，可以得到优良的分类性能，此处经过结构优化的分类器训练之后的参数进行保存，成为故障字典Fm。

在进行分类器的调整之前，需要按照基于数字编码方法，使得子分类器进行排列，子分类器的排列按照自后往前（或从左到右）排列，每一列称为一层，最左边的一列为第一层，最右边的一列称为最后一层。即某个子分类器的样本标签划分是在称为一层的概念上开展的。

例如，假设现有四类模式（P0、P1、P2、P3，每类的样本未知）进行识别，则需要2个二元SVC（BSVC），依次记为BSVC0和BSVC1，则对应模式类的样本标签划分和BSVC的排列顺序按二进制编码方式排列用下述表格1所示：

表1 对一个四类模式进行识别时需要的训练结构表

BSVC1	BSVC0	模式代码
			-1	-1	P0
-1	+1	P1
			+1	-1	P2
+1	+1	P3

上表中，BSVC1称为第一层（即第一列对应的P0~P3模式），BSVC0称为第二层（即第二列对应的P0~P3模式）。

此处的分类器调整采用了自后向前的设计方法，即在保持BSVC顺序不变的前提下，首先设计最后一个（即第一层）BSVC分类器的结构（即重新安排样本标签），再按照顺序，依次设计其他BSVC结构，直至第一个（最后一层）BSVC为止。此处定义两个概念：宏和子宏。所谓宏是针对某层BSVC的训练样本集而言的，在本层内，包含属于“-1”标签或“+1”标签的模式类的集合都称为一个宏；子宏是由上层的宏或宏内的子宏分解而来，每个上层的宏总是分解为一个或两个子宏（视不同情况而言），这两个子宏之间还需重新调整样本的标签，即重新调整为两个新宏。由此可见，某层BSVC的宏既可能只包括一个子宏，也可能包括多个来自上层分解的子宏，最后一层BSVC的子宏数目最多，且每个子宏仅包括一种模式类，表明所有的模式类均已经分开。此处利用最小距离方法把一个宏分解为子宏，是由于对一个宏内的模式类而言，总是存在某几个模式类之间的欧式距离和最小，把这几个模式类划入到一个子宏内，剩余模式类划入另外一个子宏。

基于上述宏和距离等思想，设计多类SVC的方法如下：

(1) 对于第一层的BSVC而言，带“+1”标签的模式类数目往往较少，因此先利用最小距离方法计算属于“+1”标签的模式类。具体操作如下：

(a) 计算所有模式类别的中心均值矢量

（i=1，…，N-1），N为正整数，并利用中心均值代表整个模式类中的训练样本：

其中，S为训练样本的个数，

为第i类模式的第j个样本。

(b) 计算各类别之间的欧式距离关系矩阵。

此处，

（i，j=1， … ， N-1），因此，关系矩阵中的对角线元素皆为0，且关系矩阵

是一个对称阵。

(c) 对矩阵

的各列进行升序排序，得到重新排序之后的矩阵（由于对角元均为0，排序之后的第一行元素应皆为0）。设第一层BSVC所需的“+1”标签所对应的模式类别数目为k₁（k₁由模式类数目和划分为“-1”标签样本所对应的模式数共同确定），则求取

矩阵每一列前k₁个数据的和，得到一个和矢量A：

求取和矢量A的最小值所对应的模式类（

）：

上式所表示的含义是：所有的模式类中，必存在k₁个模式类之间的距离和最小，同时也表示这k₁-1个模式类是模式类

的最近邻。因此，此处把这k₁个模式类划为一个宏（记为macro1_p），其样本未来作为第一层BSVC的“+1”标签样本（或“-1”标签样本）；剩余的模式类划为另外一个宏（记为macro1_n），其样本未来作为“-1”标签（或“+1”标签样本）样本加以训练。

(2) 对于第二层BSVC而言，根据其编码机制和规律可知，需要把第一层划分的两个宏进行深入分解，即需要把macro1_p分解为一个子宏集（包含两个新的子宏）：macro1_p_p和macro1_p_n；把macro1_n分解为另外一个子宏集（包含两个新的子宏）：macro1_n_p和macro1_n_n。分解的算法和上述步骤相同，关系矩阵的规模也随之大大减小。在本层的分解之后，还需进一步安排子宏之间的样本分配，此处的方法是：把两个子宏集内的两个子宏作为一个整体重新求取均值（共得到四个均值），这样只需计算两次即可判断某两个子宏之间的距离为最近，这两个子宏重新组合成为一个新宏（记为macro2_p），未来作为本层次BSVC的训练样本的“+1”标签（或“-1”标签样本）；另外的两个子宏重新组合成为一个新宏（记为macro2_n），未来作为本层次BSVC的训练样本的“-1”标签（或“+1”标签样本）。

(3) 对于其他层次的BSVC而言，按照上述步骤逐渐对上层的宏进行分解，随着分解层次的增大，子宏集和所包含子宏的分解数目会逐渐增多，此时，当计算各个子宏集之间各自子宏之间的距离大小（即安排标签）时，可以选择其中的一个子宏作为“参照物”，即其他子宏集内的子宏逐个和该参照物求取距离，如果距离较近，则选择该子宏内较近距离的子宏划入和该参照物标签相同的新宏，另外一个子宏则划入本层的另外一个新宏内。

 三、在线操作。

在线操作需要对功率电子电路系统进行实时监测。假设在某个时间段在电路的可测节点处采集了故障数据，并进行特征提取（注：在线操作中的数据采集、特征提取等步骤均与离线操作的对应步骤相同）。利用离线操作中的三部故障字典（即Fh、Ff和Fm）的配合对该故障样本进行状态决策与状态评估，其步骤如下：

<1> 首先调取故障字典Ff，判断样本是否属于有故障状态，如果是，则转向步骤<3>，否则，转向步骤<2>；

<2> 调取故障字典Fh，判断样本是否属于健康态，如果是，则转向第<3>步，否则，报警产生新故障；

<3> 调取故障字典Fm，按照M-ary的经过优化的分类器结构进行故障定位，并输出所定位的故障模式。

<4> 状态评估的方法如下：如果当前样本的状态属于健康态，则计算当前的样本与球心距之间的距离distx，并设定一定的阈值（基线）baseline，判断如果distx<baseline，则表明当前的系统属于健康态，工作状态良好；如果distx≥baseline，则表明系统健康出现问题，可能出现故障的概率较大。

Claims (2)

1.一种基于支持向量分类的功率电子电路的健康监测方法，其特征在于，包括如下步骤：

1）对待测的功率电子电路进行可测性分析，确定电路故障的层次、类型和数目并采用软件进行仿真；

2）进行离线操作包括数据采集、故障特征提取、分类器训练和故障字典的构建，所述故障特征提取，采用快速傅里叶分析方法或小波包分析方法；所述分类器训练包括SVDD训练方法，即支持向量机数据描述训练方法和SVC训练方法，即支持向量机分类器训练方法，其中，SVDD训练方法是一种单类分类方法，SVC训练方法是一种多类分类方法，利用SVDD训练方法把健康态的样本和故障态的样本分别进行训练，得到两组训练参数，把两组训练参数依次放入存储器中进行存储，形成两个故障字典，分别称为故障字典Fh和故障字典Ff；SVC的训练是采用M-ary支持向量机分类器进行训练，这种分类器是一种多分类器，此处把故障态样本进行SVC训练，得到对应的训练参数，把所有的训练参数保存进存储器，即形成了故障字典Fm；

3）在进行实际电路的在线监测时，利用可测点采集故障信息，并利用步骤2)中同样的故障特征提取方法实施故障信息压缩和提取，并利用离线操作中的故障字典对该故障样本进行状态决策与状态评估，具体步骤：

① 首先调取故障字典Ff，判断样本是否属于有故障状态，如果是，则转向第③，否则，转向步骤②；

② 调取故障字典Fh，判断样本是否属于健康态，如果是，则转向第③步，否则，报警产生新故障；

③ 调取故障字典Fm，按照前面所述的调整之后的训练结构进行故障定位，并输出所定位的故障模式；

④ 状态评估的方法如下：如果当前样本的状态属于健康态，则计算当前的样本与球心之间的距离distx，并设定一定的阈值，即基线baseline，判断如果distx<baseline，则表明当前的系统属于健康态，工作状态良好；如果distx≥baseline，则表明系统健康出现问题，可能出现故障的概率较大。

2.根据权利要求1所述的基于支持向量分类的功率电子电路的健康监测方法，其特征在于所述步骤2）中的分类器是M-ary支持向量分类器，进行机器学习时所需的训练样本标签分配，具体步骤如下：

① 计算所需的M-ary SVC子分类器的个数；

② 按照基于数字编码方法，使得子分类器进行排列，子分类器的排列按照自后往前或从左到右排列，每一列称为一层，最左边的列为第一层，最右边的列称为最后一层，每一列对应全部的故障模式，即某个子分类器的样本标签划分是在称为一层的概念上开展的；

③ 设计第一层SVC分类器的结构，即重新安排样本标签，再按照顺序，依次设计其他层的SVC结构，直至最后一层的SVC为止；此处定义两个概念：宏和子宏，所谓宏是针对某层SVC的训练样本集而言的，在本层内，包含属于“-1”标签或“+1”标签的模式类的集合都称为一个宏；子宏是由上层的宏或宏内的子宏分解而来，每个上层的宏总是分解为一个或两个子宏，这两个子宏之间还需重新调整样本的标签，即重新调整为两个新宏，由此，某层SVC的宏既包括一个子宏，也包括多个来自上层分解的子宏，最后一层的子宏数目最多，且每个子宏仅包括一种模式类，表明所有的模式类均已经分开，此处利用最小距离方法把一个宏分解为子宏，是由于对一个宏内的模式类而言，总是存在某几个模式类之间的欧式距离和最小，把这几个模式类划入到一个子宏内，剩余模式类划入另外一个子宏；

④ 按照步骤③得到的宏的结构安排SVC训练，每层经过训练之后得到的训练参数放入存储器中进行保存，形成一个二元支持向量机分类器BSVC；

⑤ 保存所有的BSVC参数即整体形成一部故障字典Fm，以用于多故障模式分类。

Images