CN105046279A

CN105046279A - 一种模拟电路故障模式分类方法

Info

Publication number: CN105046279A
Application number: CN201510482928.2A
Authority: CN
Inventors: 袁莉芬; 罗帅; 何怡刚; 陈鹏; 张朝龙; 龙英; 程珍; 袁志杰; 赵德勤
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2015-08-07
Filing date: 2015-08-07
Publication date: 2015-11-11
Anticipated expiration: 2035-08-07
Also published as: US20180039865A1; CN105046279B; WO2017024691A1; US10706332B2

Abstract

一种模拟电路故障模式分类方法，其包括如下实施步骤：（1）利用数据采集板对模拟电路的每种故障模式采集M组电压信号样本向量；（2）依次对电压信号样本向量利用子空间投影提取故障特征向量；（3）对提取的故障特征向量进行标准化处理，得到标准化故障特征向量；（4）构建基于支持向量机的故障模式分类器，输入标准化故障特征，对分类器进行学习训练，确定分类器结构参数；（5）按故障模式判定规则，完成故障模式判决。本发明的故障模式分类器的学习训练简单，模式分类精度可靠。

Description

一种模拟电路故障模式分类方法

技术领域

本发明涉及模拟电路故障诊断领域，特别涉及一种模拟电路故障模式分类方法。

背景技术

现代电子和计算机技术的迅猛发展使得电子设备的组成和结构越来越复杂,规模越来越庞大,为了提高系统的安全性和可靠性,对电路测试和诊断提出了更高、更新的要求。电子系统中容易出问题的部分往往在模拟电路,模拟电路的故障诊断也一直制约我国电路工业的“瓶颈”。为顺应当代微电子技术和信息技术的新发展,开展模拟电路工业发展具有重要的理论价值和现实意义。

目前基于支持向量机的模拟电路故障模式分类器优势在于它适合于小样本决策，对学习样本的数量要求较低，能够在有限特征信息情况下，最大限度的挖掘数据中隐藏的分类信息，缺点在于故障特征向量的维数过大，会增加支持向量机的学习训练难度，另外对训练数据不同的处理方法也会影响故障模式分类器的分类精度。

发明内容

本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种模拟电路故障模式分类器方法，以利于减轻故障模式分类器的学习训练难度，提高故障模式分类器的分类精度，

本发明基于支持向量机构建故障模式分类器，利用子空间投影方法提取故障特征，再对故障特征进行标准化处理，最后使用标准化故障特征训练支持向量机，实现模拟电路故障模式分类器的构建。

本发明解决其技术问题所采用的技术方案是：

一种模拟电路故障模式分类方法，包括以下几个步骤：

一种模拟电路故障模式分类方法，其特征在于，包括以下几个步骤：

(1)利用数据采集板在模拟电路的每种故障模式F_i，i＝1,2,…,N下的待测节点处采集M组电压信号样本向量V_ij,j＝1,2,…,M，V_ij代表第i类故障模式的第j组电压信号样本向量，N代表故障模式的总数；

(2)依次对工作在故障模式F_i，i＝1，2，...，N下的电压信号样本向量V_ij，j＝1，2，...，M利用子空间投影提取故障特征向量V_ij ^F，V_ij ^F表示第i种故障模式下，第j组电压信号样本的故障特征向量；

(3)对提取的故障特征向量V_ij ^F进行标准化处理，得到标准化故障特征向量其计算方法为：

(4)依次对两种不同故障模式和构建一个二分类支持向量机，其中i₁＝1，2，...，N，i₂＝1，2，...，N，(i₁≠i₂)，N为故障模式总数，则总共能构建N(N-1)/2个不同的二分类支持向量机；

(5)将待测标准化故障特征同时送入N(N-1)/2个二分类支持向量机进行分类判决，根据每个二分类支持向量机的分类结果统计票数，若待测故障模式属于故障模式F_i，i＝1，2，...，N，则F_i的票数加1，最后所得投票数最多的故障模式即为待测电路所属的故障模式。

进一步，所述步骤(2)中，利用子空间投影提取故障特征向量V_ij ^F的步骤为：

(2.1)计算电压信号样本向量V_ij维数：L＝length(V_ij)；

(2.2)生成L×L维托普利兹变换矩阵Φ:

Φ = [\begin{matrix} F_{11} & F_{12} & ... & F_{1 L} \\ F_{12} & F_{13} & ... & F_{11} \\ ... & ... & ... & ... \\ F_{1 L} & F_{11} & ... & F_{1 (L - 1)} \end{matrix}],

其中

F_{1 k} = e^{- j \frac{2 π}{L} k}, k = 1, 2, ..., L;

(2.3)计算电压信号样本向量V_ij在托普利兹变换矩阵Φ内的投影向量：V_P＝Φ^TV_ij，其中T表示转置矩阵；

(2.4)求最大投影子空间及故障特征向量V_ij ^F：

(2.4.1)初始化子空间投影坐标维数K：其中代表向上取整，N为待测电路故障模式总数；

(2.4.2)构建最大投影子空间索引向量I，其维数为1×K，并将其初始化为1×K维的0向量，即I＝[00…0]，同时构建一计数变量p，初始化p＝1；

(2.4.3)更新最大投影子空间索引向量I：I(p)＝Index(Max(|V_p|))，此处I(p)代表I向量中的第p个向量值，Max(·)代表求向量元素最大值，V_P表示电压信号样本向量V_ij在托普利兹变换矩阵Φ内的投影向量,Index(·)代表求索引；

(2.4.4)判断：p<K？,如果不是，则执行步骤(2.4.5)；否则，执行p＝p+1,且用0值替换投影向量V_P中最大元素，返回步骤(2.4.3)；

(2.4.5)以I向量元素作为托普利兹变换矩阵Φ的行索引值，提取对应行向量构成矩阵Φ_Λ，其维数为K×L；

(2.4.6)计算最大投影子空间

(2.4.7)计算子空间投影故障特征向量

进一步，步骤(4)中，每个二分类支持向量机的具体构建步骤为：

(4.1)构建二分类器决策模

y (x) = Σ_{i}^{\overset{&OverBar;}{N}} α_{i} y_{i} \exp (- | | x - x_{i} | |^{2} / 2) + b,

其中代表训练数据样本数量，x_i称为支持向量，α_i为某一实数，b为偏置量，y_i∈y＝{+1,-1}为类标识；

(4.2)划分训练样本集：将故障模式和下的标准化故障特征及j＝1，2，...，M构成训练样本集S＝{{S₊},{S_-}},其中

S_{+} = {({\hat{V}}_{i_{1} 1}^{F}, + 1), ({\hat{V}}_{i_{1} 2}^{F}, + 1), ..., ({\hat{V}}_{i_{1} M}^{F}, + 1)}, S_{-} = {({\hat{V}}_{i_{2} 1}^{F}, - 1), ({\hat{V}}_{i_{2} 2}^{F}, - 1), ..., ({\hat{V}}_{i_{2} M}^{F}, - 1)},

的类标识定义+1，的类标识定义为-1；

(4.3)利用训练样本集S对二分类器决策模型进行训练，以确定二分类支持向量机的参数α_i及b；

(4.4)输出二分类支持向量机判决函数：

y = sgn (Σ_{i}^{\overset{&OverBar;}{N}} α_{i} y_{i} \exp (- | | x - x_{i} | |^{2} / 2) + b),

其中sgn(·)为符号函数；表示训练数据样本数量；

(4.5)按判决函数对待测特征完成模式判决：测试过程中的判决投票按判决函数进行，若输出y＝1，则故障模式的票数加1，否则，故障模式的票数加1。

进一步，所述步骤(4.3)中，利用训练样本集S对二分类器决策模型进行训练，以确定二分类支持向量机的参数α_i及b的具体步骤为：

(4.3.1)标准化核矩阵：

\overset{&OverBar;}{K} = [\begin{matrix} {\overset{&OverBar;}{K}}_{11} & {\overset{&OverBar;}{K}}_{12} & ... & {\overset{&OverBar;}{K}}_{1, 2M} \\ {\overset{&OverBar;}{K}}_{21} & {\overset{&OverBar;}{K}}_{22} & ... & {\overset{&OverBar;}{K}}_{2, 2M} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ {\overset{&OverBar;}{K}}_{2M,1} & {\overset{&OverBar;}{K}}_{2M,2} & ... & {\overset{&OverBar;}{K}}_{2M,2M} \end{matrix}],

{\overset{&OverBar;}{K}}_{i j} = \exp (- | | x_{i} - x_{j} | |^{2} / 2), i, j = 1, 2, ..., 2 M;

M表示电压信号样本向量的采集组数；

式中diag(·)代表求对角阵，sqrt(·)代表求矩阵元素的均方根，更新表示标准化核矩阵；

(4.3.2)二分类器训练，其训练伪代码如下：

输入训练样本集：S＝{{S₊},{S_-}}；

处理过程：如果类标识y_i＝+1,则否则

如果类标识y_i＝-1,则否则M表示电压信号样本向量的采集组数；

α^{+} = [α_{1}^{+}, α_{2}^{+}, ..., α_{2 M}^{+}], α^{-} = [α_{1}^{-}, α_{2}^{-}, ..., α_{2 M}^{-}];

(4.3.2)计算分类器参数：

实数

α_{i} = α_{i}^{+} - α_{i}^{-};

偏置量其中(·)^T代表矩阵或者向量的转置。表示标准化核矩阵。

本发明与现有技术相比具有如下优点：

(1)本发明利用子空间投影方法提取故障特征向量，根据电压信号样本向量的长度确定合适的故障特征向量的维数，保证故障特征信息完整的同时也减少冗余的故障特征，有助于降低故障模式分类器的学习训练难度。

(2)本发明使用标准化处理方法处理故障特征向量，对提高故障模式分类器的分类精度有较明显的效果。

附图说明

图1为本发明模拟电路故障模式分类器方法的流程框图；

图2为本发明构建二分类支持向量机步骤框图。

具体实施方式

以下结合附图和实施例对本发明进行详细的说明。

参照图1，一种模拟电路故障模式分类方法，包括以下几个步骤：

所述步骤(2)中，利用子空间投影提取故障特征向量V_ij ^F的步骤为：

(2.1)计算电压信号样本向量V_ij维数：L＝length(V_ij)；

(2.2)生成L×L维托普利兹变换矩阵Φ:

Φ = [\begin{matrix} F_{11} & F_{12} & ... & F_{1 L} \\ F_{12} & F_{13} & ... & F_{11} \\ ... & ... & ... & ... \\ F_{1 L} & F_{11} & ... & F_{1 (L - 1)} \end{matrix}],

其中

F_{1 k} = e^{- j \frac{2 π}{L} k}, k = 1, 2, ..., L;

(2.4)求最大投影子空间及故障特征向量V_ij ^F：

(2.4.6)计算最大投影子空间

(2.4.7)计算子空间投影故障特征向量

参照图2，步骤(4)中，每个二分类支持向量机的具体构建步骤为：

(4.1)构建二分类器决策模

f (x) = Σ_{i}^{\overset{&OverBar;}{N}} α_{i} y_{i} \exp (- | | x - x_{i} | |^{2} / 2) + b,

S_{+} = {({\hat{V}}_{i_{1} 1}^{F}, + 1), ({\hat{V}}_{i_{1} 2}^{F}, + 1), ..., ({\hat{V}}_{i_{1} M}^{F}, + 1)}, S_{-} = {({\hat{V}}_{i_{2} 1}^{F}, - 1), ({\hat{V}}_{i_{2} 2}^{F}, - 1), ..., ({\hat{V}}_{i_{2} M}^{F}, - 1)},

的类标识定义+1，的类标识定义为-1；

(4.4)输出二分类支持向量机判决函数：

y = sgn (Σ_{i}^{\overset{&OverBar;}{N}} α_{i} y_{i} \exp (- | | x - x_{i} | |^{2} / 2) + b),

其中sgn(·)为符号函数；表示训练数据样本数量；

所述步骤(4.3)中，利用训练样本集S对二分类器决策模型进行训练，以确定二分类支持向量机的参数α_i及b的具体步骤为：

(4.3.1)标准化核矩阵：

\overset{&OverBar;}{K} = [\begin{matrix} {\overset{&OverBar;}{K}}_{11} & {\overset{&OverBar;}{K}}_{12} & ... & {\overset{&OverBar;}{K}}_{1, 2M} \\ {\overset{&OverBar;}{K}}_{21} & {\overset{&OverBar;}{K}}_{22} & ... & {\overset{&OverBar;}{K}}_{2, 2M} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ {\overset{&OverBar;}{K}}_{2M,1} & {\overset{&OverBar;}{K}}_{2M,2} & ... & {\overset{&OverBar;}{K}}_{2M,2M} \end{matrix}],

其中

{\overset{&OverBar;}{K}}_{i j} = \exp (- | | x_{i} - x_{j} | |^{2} / 2), i, j = 1, 2, ..., 2 M;

M表示电压信号样本向量的采集组数；

(4.3.2)二分类器训练，其训练伪代码如下：

输入训练样本集：S＝{{S₊},{S_-}}；

处理过程：如果类标识y_i＝+1,则否则

α^{+} = [α_{1}^{+}, α_{2}^{+}, ..., α_{2 M}^{+}], α^{-} = [α_{1}^{-}, α_{2}^{-}, ..., α_{2 M}^{-}];

(4.3.2)计算分类器参数：

实数

α_{i} = α_{i}^{+} - α_{i}^{-};

Claims

1.一种模拟电路故障模式分类方法，其特征在于，包括以下几个步骤：

(4)依次对两种不同故障模式F_i1和F_i2构建一个二分类支持向量机，其中i₁＝1，2，...，N，i₂＝1，2，...，N，(i₁≠i₂)，N为故障模式总数，则总共能构建N(N-1)/2个不同的二分类支持向量机；

2.根据权利要求1所述的模拟电路故障模式分类方法，其特征在于，所述步骤(2)中利用子空间投影提取故障特征向量V_ij ^F的步骤为：

(2.1)计算电压信号样本向量V_ij维数：L＝length(V_ij)；

(2.2)生成L×L维托普利兹变换矩阵Φ:

Φ = [\begin{matrix} F_{11} & F_{12} & ... & F_{1 L} \\ F_{12} & F_{13} & ... & F_{11} \\ ... & ... & ... & ... \\ F_{1 L} & F_{11} & ... & F_{1 (L - 1)} \end{matrix}],

其中

F_{1 k} = e^{- j \frac{2 π}{L} k},

k＝1,2，...，L；

(2.4)求最大投影子空间及故障特征向量V_ij ^F：

(2.4.6)计算最大投影子空间

(2.4.7)计算子空间投影故障特征向量

3.根据权利要求1所述的模拟电路故障模式分类方法，其特征在于，步骤(4)中，每个二分类支持向量机的具体构建步骤为：

(4.1)构建二分类器决策模

f (x) = Σ_{i}^{\overset{&OverBar;}{N}} α_{i} y_{i} \exp (- | | x - x_{i} | |^{2} / 2) + b,

(4.2)划分训练样本集：将故障模式和下的标准化故障特征及j＝1，2，...，M构成训练样本集其中

S_{+} = {({\hat{V}}_{i_{1} 1}^{F}, + 1), ({\hat{V}}_{i_{1} 2}^{F}, + 1), ..., ({\hat{V}}_{i_{1} M}^{F}, + 1)}, S_{-} = {({\hat{V}}_{i_{2} 1}^{F}, - 1), ({\hat{V}}_{i_{2} 2}^{F}, - 1), ..., ({\hat{V}}_{i_{2} M}^{F}, - 1)},

的类标识定义+1，的类标识定义为-1；

(4.4)输出二分类支持向量机判决函数：

y = sgn (Σ_{i}^{\overset{&OverBar;}{N}} α_{i} y_{i} \exp (- | | x - x_{i} | |^{2} / 2) + b),

其中sgn(·)为符号函数；表示训练数据样本数量；

4.根据权利要求3所述的模拟电路故障模式分类方法，其特征在于，所述步骤(4.3)中，利用训练样本集S对二分类器决策模型进行训练，以确定二分类支持向量机的参数α_i及b的具体步骤为：

(4.3.1)标准化核矩阵：

\overset{&OverBar;}{K} = [\begin{matrix} {\overset{&OverBar;}{K}}_{11} & {\overset{&OverBar;}{K}}_{12} & ... & {\overset{&OverBar;}{K}}_{1, 2M} \\ {\overset{&OverBar;}{K}}_{21} & {\overset{&OverBar;}{K}}_{22} & ... & {\overset{&OverBar;}{K}}_{2, 2M} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ {\overset{&OverBar;}{K}}_{2M,1} & {\overset{&OverBar;}{K}}_{2M,2} & ... & {\overset{&OverBar;}{K}}_{2M,2M} \end{matrix}],

其中

{\overset{&OverBar;}{K}}_{i j} = \exp (- | | x_{i} - x_{j} | |^{2} / 2),

i,j＝1,2,…,2M；M表示电压信号样本向量的采集组数；

(4.3.2)二分类器训练，其训练伪代码如下：

输入训练样本集：S＝{{S₊},{S_-}}；

处理过程：如果类标识y_i＝+1,则否则

α^{+} = [α_{1}^{+}, α_{2}^{+}, ..., α_{2 M}^{+}], α^{-} = [α_{1}^{-}, α_{2}^{-}, ..., α_{2 M}^{-}];

(4.3.2)计算分类器参数：

实数

α_{i} = α_{i}^{+} - α_{i}^{-};

偏置量

b = 0.5 ({(α^{+})}^{T} \overset{&OverBar;}{K} α^{+} - {(α^{-})}^{T} \overset{&OverBar;}{K} α^{-})

其中(·)^T代表矩阵或者向量的转置；表示标准化核矩阵。