CN107798343A - 一种基于流形结构改进的svm模拟电路故障诊断方法 - Google Patents
一种基于流形结构改进的svm模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN107798343A CN107798343A CN201710962111.4A CN201710962111A CN107798343A CN 107798343 A CN107798343 A CN 107798343A CN 201710962111 A CN201710962111 A CN 201710962111A CN 107798343 A CN107798343 A CN 107798343A
- Authority
- CN
- China
- Prior art keywords
- failure
- signal
- entropy
- svm
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开一种基于流形结构改进的SVM模拟电路故障诊断方法,主要步骤为:用软件模拟诊断对象的故障;对于电路中的每一种故障用蒙特卡洛分析,检测故障的特征信号,用小波包将故障信号分解,基于最优小波熵原则使信号分解具有最大规律性,提取每组信号最优能量值为故障的特征值;对故障分类时,选用改进的SVM,将一部分数据进行样本训练,剩余部分进行判别分析,从而得出分类的正确率。在构造SVM时考虑样本类间的相似度,使分类后能保证各类数据间结构特征,达到更好的分类效果。
Description
技术领域
本发明具体涉及模拟电路技术领域,是一种基于流形结构改进的SVM模拟电路故障诊断方法,主要应用于模拟电路的故障诊断,主要是基于小波包最优能量熵和流形结构以及类内相似度的SVM(Support Vector Machine,支持向量机)模拟电路故障诊断。
背景技术
在当今智能化迅猛发展的时代,模拟电路已经广泛应用于军事、工业、生活等各个领域。由于模拟电路的运行环境复杂多样,其自身存在的故障模型欠佳,元件容差,故障参数连续和电路非线性等特点,使得模拟电路故障诊断技术发展缓慢。随着机器学习的发展,更先进的技术被运用到模拟电路的故障诊断中,为了进一步提高电路的准确性,以及在遇到问题时,减少维修所耗费的精力和财力,通过测试手段来对电路的故障进行诊断和辨识,可及时维修,更换出现故障的电路器件,降低了企业运营的成本。传统的SVM分类,在构造最优超平面时仅仅关注于数据整体类间的可分离性,忽视了数据的结构信息,导致在数据中存在非线性流形结构,分类的边界过于光滑,严重影响了SVM的分类性能。同时一般电路的输出与故障之间存在着非线性的关系,标准的SVM仅关注类间的间隔信息是远不够的。本文提出了基于形结构类内离散度的SVM,融合数据的全局和局部先验信息,能够有效地提高SVM的诊断效果。
发明内容
针对上述缺陷,本文提出了基于流形结构改进的SVM模拟电路故障诊断,可以更快更准确的诊断出模拟电路出现的故障。
1.该方法包括以下步骤:
A1、用软件模拟诊断对象的故障。
A2、对于电路中的每一种故障用蒙特卡洛分析,检测故障的特征信号,用小波包将故障信号分解,基于最优小波熵原则使信号分解具有最大规律性,提取每组信号最优能量值为故障的特征值。
A3、对故障分类时,选用改进的SVM,将一部分数据进行样本训练,剩余部分进行判别分析,从而得出分类的正确率。
2.在A1中所用到的软件为orcad以及Pspice
3.对于A2中所得到的故障特征值的步骤为:
(1)将所测量的信号进行3层小波包分解,能够得出8个频带的小波包分解系数
(2)在此基础上构建最优小波树,主要基于最优能量熵
a.计算出小波树中每个节点的能量熵
b.从最低一层小波包分解的子空间比较,若两个子空间的熵值小于母空间熵,保留这两个子空间,母空间的熵用这两个子空间的熵之和代替,反之保留母空间,舍弃子空间
c.最后将剩余最优能量熵的系数重构可得最优小波树,再计算该信号的能量值,作为故障信号的特征值
4、对于故障分类时,构造SVM时,主要将样本的类内离散度以及数据之间的流形结构考虑进去,该方法步骤如下:
a.构造类内的相似矩阵,计算样本集中任意两个样本点的欧氏距离,若两个样本间的距离小于阈值ε,可以认为是连接的,赋予权值1,否则权值为0.
b.Wij为该样本同类间的权重矩阵,数据的类内相似度矩阵,可以定义为S=ω(W'-W)ω,其中
c.对于SVM的分类,期最优化的问题也就可以描述为
5.在实施步骤A3分类判别故障时,就用到所测得特征数据一部分用于训练,剩余的用于分类判别,测得分类的正确率。
有益效果
基于最优能量熵重构得到的最优小波树的能量值作为特征向量,更能表现出故障信号的特征。在SVM判别分析时,考虑数据的流形结构,以及个样本间的权值矩阵结合类内的离散度矩阵,能有效提高判别分析的准确度,达到更好的分类效果。
附图说明
图1为所选取的诊断电路;
图2基于该方法诊断电路的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
选取带通滤波器作为诊断对象,电路图如附图1,在OrCAD/PSpice软件中画出电路,元件具有容差,设立电阻容差为标称值的5%,电感为10%。设立故障模式分别为C1↑,C2↑,C3↑,C4↑,R1↑,R2↓,R3↑,R4↓,R5↑,R6↓,R7↑,R8↓,其中↑表示该值为大于标称值50%的故障值,↓为小于标称值50%的故障值。这样就有12组故障值,加上正常状态,一共有13中状态。用蒙特卡洛分析法对每一种故障状态进行200次分析,再用matlab对信号进行小波包分析,重构出最优小波树,将他们的最优能量熵作为特征值,组成特征向量。
算法步骤如下:
a.计算出小波树中每个节点的能量熵其中eij为每个频带的相对能量
b.从最低一层小波包分解的子空间比较,若两个子空间的熵值小于母空间熵,即Ent(N)>Ent(N1)+Ent(N2),留这两个子空间,母空间的熵用这两个子空间的熵之和代替,反之保留母空间,舍弃子空间
c.最后将剩余最优能量熵的系数重构可得最优小波树,再计算该信号的能量值,作为故障信号的特征值T=[E0,E1…En]。
对于故障分类时,构造SVM时,主要将样本的类内离散度以及数据之间的流形结构考虑进去,该方法步骤如下:
d.构造类内的相似矩阵,计算样本集中任意两个样本点的欧氏距离,若两个样本间的距离小于阈值ε,可以认为是连接的,赋予权值1,否则权值为0.
e.Wij为该样本同类间的权重矩阵,数据的类内相似度矩阵,可以定义为S=ω(W'-W)ω,其中
对于SVM的分类,期最优化的问题也就可以描述为其中类内的离散度矩阵为Sw=S1+S2,i=1,2。
最后剩余的用于分类判别,测得分类的正确率。
Claims (5)
1.一种基于流形结构改进的SVM模拟电路故障诊断方法,其特征在于,该方法包括以下步骤:
A1、用软件模拟诊断对象的故障;
A2、对于电路中的每一种故障用蒙特卡洛分析,检测故障的特征信号,用小波包将故障信号分解,基于最优小波熵原则使信号分解具有最大规律性,提取每组信号最优能量值为故障的特征值;
A3、对故障分类时,选用改进的SVM,将一部分数据进行样本训练,剩余部分进行判别分析,从而得出分类的正确率。
2.如权利要求1所述的方法,其特征在于,在A1中所用到的软件为orcad以及Pspice。
3.如权利要求1所述的方法,其特征在于,对于A2中所得到的故障特征值的步骤为:
(1)将所测量的信号进行3层小波包分解,能够得出8个频带的小波包分解系数;
(2)在此基础上构建最优小波树,主要基于最优能量熵;
a.计算出小波树中每个节点的能量熵;
b.从最低一层小波包分解的子空间比较,若两个子空间的熵值小于母空间熵,保留这两个子空间,母空间的熵用这两个子空间的熵之和代替,反之保留母空间,舍弃子空间;
c.最后将剩余最优能量熵的系数重构可得最优小波树,再计算该信号的能量值,作为故障信号的特征值。
4.如权利要求1所述的方法,其特征在于,在A3中对于故障分类时,构造SVM时,主要将样本的类内离散度以及数据之间的流形结构考虑进去,该方法步骤如下:
f.构造类内的相似矩阵,计算样本集中任意两个样本点的欧氏距离,若两个样本间的距离小于阈值ε,认为是连接的,赋予权值1,否则权值为0;
g.Wij为该样本同类间的权重矩阵,数据的类内相似度矩阵,定义为S=ω(W'-W)ω,其中
h.对于SVM的分类,期最优化的问题描述为
5.如权利要求1所述的方法,其特征在于,在A3分类判别故障时,就用到所测得特征数据一部分用于训练,剩余的用于分类判别,测得200组特征数据,将前150组用于训练,剩余50组用于判别,来测得分类的正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710962111.4A CN107798343A (zh) | 2017-10-16 | 2017-10-16 | 一种基于流形结构改进的svm模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710962111.4A CN107798343A (zh) | 2017-10-16 | 2017-10-16 | 一种基于流形结构改进的svm模拟电路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107798343A true CN107798343A (zh) | 2018-03-13 |
Family
ID=61533178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710962111.4A Pending CN107798343A (zh) | 2017-10-16 | 2017-10-16 | 一种基于流形结构改进的svm模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798343A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615053A (zh) * | 2018-04-16 | 2018-10-02 | 南京邮电大学 | 基于粒子群优化的流形svm模拟电路故障诊断方法 |
CN110879351A (zh) * | 2019-11-28 | 2020-03-13 | 山东科技大学 | 一种基于rcca-svm的非线性模拟电路故障诊断方法 |
US11002789B2 (en) * | 2018-05-16 | 2021-05-11 | Wuhan University | Analog circuit fault feature extraction method based on parameter random distribution neighbor embedding winner-take-all method |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
-
2017
- 2017-10-16 CN CN201710962111.4A patent/CN107798343A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
周绍磊等: ""基于改进SVM的模拟电路故障诊断"", 《海军航空工程学院学报》 * |
魏玉芬等: ""基于对数熵最优小波包基树的图像编码压缩研究"", 《黑龙江八一农垦大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615053A (zh) * | 2018-04-16 | 2018-10-02 | 南京邮电大学 | 基于粒子群优化的流形svm模拟电路故障诊断方法 |
US11002789B2 (en) * | 2018-05-16 | 2021-05-11 | Wuhan University | Analog circuit fault feature extraction method based on parameter random distribution neighbor embedding winner-take-all method |
CN110879351A (zh) * | 2019-11-28 | 2020-03-13 | 山东科技大学 | 一种基于rcca-svm的非线性模拟电路故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599920A (zh) | 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法 | |
CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN101819253B (zh) | 一种基于概率神经网络的容差电路故障诊断方法 | |
WO2016091084A1 (zh) | 一种基于复杂网络的高速列车系统安全评估方法 | |
CN104849650B (zh) | 一种基于改进的模拟电路故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN107798343A (zh) | 一种基于流形结构改进的svm模拟电路故障诊断方法 | |
CN106092578A (zh) | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 | |
CN105224872A (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN104614166A (zh) | 一种飞机发动机转子振动信号故障状态识别的方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
CN103323228A (zh) | 一种矿用钻机故障智能识别方法 | |
CN104504403A (zh) | 一种基于散射变换的旋转机械故障预测方法 | |
Li et al. | A novel framework for early pitting fault diagnosis of rotating machinery based on dilated CNN combined with spatial dropout | |
Gao et al. | IMA health state evaluation using deep feature learning with quantum neural network | |
CN104102726A (zh) | 基于层次聚类的改进k均值聚类算法 | |
CN106295708A (zh) | 一种基于Fisher分类器组的连续型数据预处理方法 | |
CN103728135A (zh) | 一种非负矩阵分解的轴承故障特征提取和诊断方法 | |
WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN108615053A (zh) | 基于粒子群优化的流形svm模拟电路故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180313 |