CN107884706B - 基于向量值正则核函数逼近的模拟电路故障诊断方法 - Google Patents
基于向量值正则核函数逼近的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN107884706B CN107884706B CN201711097329.4A CN201711097329A CN107884706B CN 107884706 B CN107884706 B CN 107884706B CN 201711097329 A CN201711097329 A CN 201711097329A CN 107884706 B CN107884706 B CN 107884706B
- Authority
- CN
- China
- Prior art keywords
- vvrkfa
- sample set
- training
- fault
- parameters
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2872—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation
- G01R31/2879—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation related to electrical aspects, e.g. to voltage or current supply or stimuli or to electrical loads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/286—External aspects, e.g. related to chambers, contacting devices or handlers
- G01R31/2868—Complete testing stations; systems; procedures; software aspects
- G01R31/287—Procedures; Software aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2884—Testing of integrated circuits [IC] using dedicated test connectors, test elements or test circuits on the IC under test
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
- G01R31/3163—Functional testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/04—Physical realisation
- G06N7/043—Analogue or partially analogue implementation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Toxicology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tests Of Electronic Circuits (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
基于向量值正则核函数逼近的模拟电路故障诊断方法,包括如下步骤:(1)获取模拟电路的故障响应电压信号;(2)对采集的信号进行小波包变换,计算小波包系数能量值作为特征参量;(3)应用量子粒子群算法优化向量值正则核函数逼近的正则化参数和核参数,训练故障诊断模型。(4)应用训练完成的诊断模型,对电路故障进行识别。该发明中向量值正则核函数逼近方法的分类性能优化其他的分类算法,同时应用量子粒子群算法优化参数亦优于传统获取参数的方法,本发明提出的故障诊断方法可高效地诊断出电路的元件故障,包括软故障及硬故障。
Description
技术领域
本发明属于模拟电路故障诊断技术领域,具体涉及一种基于向量值正则核函数逼近的模拟电路故障诊断方法。
背景技术
随着集成电路技术的发展,大规模数模混合集成电路广泛应用于电子消费品,工业控制及航空航天等领域。一旦其发生故障,将会影响到设备的性能和功能,甚至导致灾难性后果。另据资料报道,虽然模拟部分仅占集成电路芯片的5%,但其故障诊断及测试成本却占总成本的95%。因此,极有必要开展模拟电路故障诊断及测试技术的研究。
现阶段,已有诸多学者采用人工神经网络(Artificial Neural Network,
ANN)和支持向量机(Support Vector Machine,SVM)等方法对模拟电路故障进行诊断。然而,ANN方法存在学习速度慢、容易陷入局部最优解及过训练等问题,难以适应诊断实时性要求。支持向量机(support vector machine,SVM)建立在结构风险最小原理基础上,可较好地解决分类中的小样本和非线性问题,但在面临不平衡数据集及大样本时,难以达到最佳分类能力。
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,提供一种诊断速度快、准确率高的基于向量值正则核函数逼近的模拟电路故障诊断方法。
本发明首先采集测试电路的时域响应信号,进行小波包分解后,计算各结点的能量值作为样本特征参量,应用QPSO优化VVRKFA模型的正则参数及核参数并构建基于VVRKFA的故障诊断模型,最后向该模型输入测试数据,识别故障类别。
本发明首次提出将VVRKFA引入模拟电路的故障诊断中。本发明中通过应用VVRKFA构建故障诊断分类器,定位故障。应用VVRKFA区分故障类型时,需要选择其正则参数及核参数,以使其达到最佳分类性能。通过应用VVRKFA识别故障,取得相对于其他现有方法更高的故障诊断正确度。并且在处理大规模数据时,VVRKFA仅需更短的训练及测试时间。
本发明解决其技术问题所采用的技术方案是:
基于向量值正则核函数逼近(Vector-Valued regularized kernel functionapproximation,VVRKFA)的模拟电路故障诊断方法,包括以下步骤:
(1)提取被测试模拟电路各节点的时域响应电压信号,即采集输出信号。
(2)对采集的输出信号进行小波包分解,计算各节点的能量作为原始样本特征数据。并将原始样本特征数据平均划分为训练样本集及测试样本集两部分。
(3)基于训练样本集,应用量子粒子群算法(Quantum particle swarmoptimization,QPSO)优化向量值正则核函数逼近(Vector-Valued Regularized KernelFunction Approximation,VVRKFA)数学模型的正则参数及核参数,构建基于VVRKFA的故障诊断模型。
(4)向构建的基于VVRKFA的故障诊断模型输入测试样本集,对电路故障类别进行识别。
进一步,所述步骤(1)中,被测模拟电路只有一个输入端和一个输出端,输入端输入正弦信号,输出端采样电压信号。
进一步,所述步骤(2)中,对采集的输出信号即电压信号应用db10小波包变换。
进一步,所述步骤(3)中,基于VVRKFA的故障诊断模型的构建过程为:
(3.a)确定核函数类型:
选用高斯核函数K(xi,xj)=exp(σ||xi-xj||2)为VVRKFA的核函数,用以建立VVRKFA的数学模型,σ为高斯核函数的宽度因子;
VVRKFA的数学模型如下:
其中,是回归系数矩阵,目的是将特征内积空间映射到标签空间;N是故障类别数;m为训练样本集中训练样本的维数;是训练样本集降维后的降维样本数据集中样本的维数;是基向量;C是正则参数;是松弛变量;矩阵是训练样本集降维后的降维样本数据集n为训练样本集中所有训练样本总数;K(.,.)是核函数;xi为训练样本集中的训练样本;Yi为训练样本xi的类别标签向量;T为矩阵转置符号;J为目标函数名。[Θb]=YPT[CI+PPT]-1,其中为训练样本数据集;I为单位矩阵,是包含训练样本的m个类别标签向量的矩阵。
(3.b)应用量子粒子群算法优化VVRKFA数学模型,获取VVRKFA数学模型正则参数及核参数的最优值。
(3.c)以训练样本集中的训练样本xi为输入数据,将步骤(3.b)中获取的最优正则参数及核参数构建如下的向量值映射函数:
此处,为回归系数矩阵,为训练样本集降维后的降维样本数据集。K(.,.)是核函数,式(2)中,核函数K(.,.)为步骤(3.b)获取的最优核函数;C是正则参数,式(2)中,正则参数C为步骤(3.b)获取的最优核参数;是基向量,N为故障类别数;m是训练样本集中训练样本的维数;是训练样本集降维后的降维样本数据集中样本的维数;n为训练样本集中所有训练样本的总数。
(3.d)应用步骤(3.c)中构建的映射函数,建立VVRKFA的决策函数,VVRKFA的决策函数表示为:
其中xt为测试样本集内的测试样本;是训练样本集中第j类故障中所有训练样本的中心点,dM表示马氏距离,xi为训练样本集中的训练样本,是类内协方差矩阵,n是训练样本集中训练样本总数;N为故障类别数;nj为训练样本集中第j类故障类中的训练样本个数;为训练样本xi在特征子空间的映射投影。为测试样本xt在特征子空间的映射投影。
决策函数的建立即为基于VVRKFA故障诊断模型的构建完成。
进一步,所述步骤(3.b)中,应用量子粒子群算法优化VVRKFA数学模型的正则参数与核参数,获取VVRKFA数学模型的最优正则参数及核参数,具体步骤为:
(3.b.1)初始化QPSO算法参数,包括种速度、位置、种群规模、迭代次数和寻优范围。此处每个粒子均为二维向量,第一维为VVRKFA数学模型的正则参数,第二维为VVRKFA数学模型的核参数。
(3.b.2)计算粒子的适应度,获取全局最优个体和局部最优个体。
(3.b.3)更新粒子的速度及位置。
(3.b.4)重复步骤(3.b.2)和(3.b.3)直至达到最大迭代次数,输出最优参数结果(即VVRKFA数学模型的最优正则参数及核参数)。
进一步,所述步骤(4)中,向故障诊断模型输入测试样本数据集,对电路故障类别进行识别,得到测试样本集中每个测试样本所属故障类别,进而获得每类故障的诊断正确率,完成对被测试模拟电路的诊断。
本发明使用向量值正则核函数逼近(Vector-Value regularized kernelfunction approximation,VVRKFA)方法,在保持较高诊断准确率下,能显著减少时间及空间开销,明显优于传统的故障分类方法。
相比现有技术,本发明具有如下优点:
(1)首次提出将VVRKFA引入模拟电路的故障诊断中。相比于传统的ANN及SVM方法,VVRKFA具有更高的分类精度,更少的时间及空间开销。(2)提出应用QPSO算法优化VVRKFA的正则化参数和核参数。相比于传统的网格搜索法,QPSO算法可以获得最优的参数,显著提高VVRKFA的性能。
附图说明
图1为本发明基于向量值正则核函数逼近方法的模拟电路故障诊断方法的流程图。
图2为本发明选用的视频放大电路电路图。
图3为量子粒子群算法优化向量值正则核函数逼近方法参数的训练过程。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明。
参照图1,本发明由4个步骤构成:步骤1,提取被测模拟电路的时域响应信号。步骤2,对信号进行3层db10小波包分解,提取第3层节点,共8个节点的能量作为原始样本特征数据。并将原始样本特征数据平均划分为训练样本集及测试样本集两部分。步骤3,基于训练样本集,应用QPSO算法优化VVRKFA数学模型的参数,构建基于VVRKFA的故障诊断模型。步骤4,向构建的基于VVRKFA的故障诊断模型输入测试样本集,对电路故障类别进行识别。
步骤1中,获取被测模拟电路的时域响应信号,输入端通过幅值为5伏,频率为100Hz的正弦信号激励,输出端采样电压信号。
步骤2中,各节点的能量的计算方法如下:
小波包分析时将信号投影到一组互相正交的小波基函数张成的空间上,并将信号分解成高频和低频两部分,在下一层分解中同时对低频和高频部分进行分解,是一种更为精细的分析方法。
小波包函数μj,k(t)定义为:
μj,k(t)=2j/2μ(2jt-k);
其中:j∈Z为分解层数,k∈Z为频带数据点数;t为时间点。
对于一组离散信号x(t),小波包分解算法如下式:
其中h(k-2t),g(k-2t)分别为相应的多尺度分析中低通滤波器系数和高通滤波器;是第j层第n个频带中第k个小波分解系数点;是第j+1层第2n个频带的小波分解序列;是第j+1层第2n+1个频带的小波分解序列;,k∈Z为频带数据点数;t为时间点。
则小波包节点能量值为:
VVRKFA的故障诊断模型建立步骤为:
(3.a)确定核函数类型:
选用高斯核函数K(xi,xj)=exp(σ||xi-xj||2)为VVRKFA的核函数,用以建立VVRKFA的数学模型,σ为高斯核函数的宽度因子;
VVRKFA的数学模型如下:
其中,是回归系数矩阵,目的是将特征内积空间映射到标签空间;N是故障类别数;m为训练样本集中训练样本的维数;是训练样本集降维后的降维样本数据集中样本的维数;是基向量;C是正则参数;是松弛变量。VVRKFA的核函数中的元素xj取值为矩阵B,矩阵是训练样本集降维后的降维样本数据集n为训练样本集中所有训练样本总数;K(.,.)是核函数;xi为训练样本集中的训练样本;Yi为训练样本xi的类别标签向量;T为矩阵转置符号;J为目标函数名。[Θb]=YPT[CI+PPT]-1,其中为训练样本数据集;I为单位矩阵,是包含训练样本的m个类别标签向量的矩阵。
(3.b)应用量子粒子群算法优化VVRKFA数学模型,获取VVRKFA数学模型正则参数的最优值及核参数的最优值。
(3.c)以训练样本集中的训练样本xi为输入数据,将步骤(3.b)中获取的最优正则参数及最优核参数构建如下的向量值映射函数:
此处,为回归系数矩阵,为训练样本集降维后的降维样本数据集。K(.,.)是核函数,式(2)中,核函数K(.,.)为步骤(3.b)获取的最优核函数;C是正则参数,式(2)中,正则参数C为步骤(3.b)获取的最优核参数;是基向量,N为故障类别数;m是训练样本集中训练样本的维数;是训练样本集降维后的降维样本数据集中样本的维数;n为训练样本集中所有训练样本的总数。
(3.d)应用步骤(3.c)中构建的映射函数,建立VVRKFA的决策函数,VVRKFA的决策函数表示为:
其中xt为测试样本集内的测试样本;是训练样本集中第j类故障中所有训练样本的中心点,dM表示马氏距离,xi为训练样本集中的训练样本,是类内协方差矩阵,n是训练样本集中训练样本总数;N为故障类别数;nj为训练样本集中第j类故障类中的训练样本个数;为训练样本xi在特征子空间的映射投影。为测试样本xt在特征子空间的映射投影。
决策函数的建立即为基于VVRKFA故障诊断模型的构建完成。
应用量子粒子群算法优化VVRKFA数学模型的正则参数与核参数,获取VVRKFA数学模型的最优正则参数及核参数,步骤为:
(3.b.1)初始化QPSO算法相关参数,包括迭代次数,寻优范围,种群规模,粒子位置和速度。此处每个粒子均为二维向量,第一维为VVRKFA数学模型的正则参数,第二维为VVRKFA数学模型的核参数。
(3.b.2)计算每个粒子的适应度,获取全局最优及局部最优个体。
(3.b.3)更新每个粒子的位置,更新表达式如下式所示:
(3.b.4)重复(3.b.2)和(3.b.3)直至迭代结束,输出结果。
QPSO算法中的粒子位置更新公式为:
Xi(t+1)=Pi'(t)±α|Mbesti(t+1)-Xi(t)|×In(1/u);
式中,Pi'(t)=Pi(t-1)+(1-β)Pg(t-1),N为种群规模,Mbest为所有粒子的个体最优位置的平均点;ωmax是最大惯性权重;ωmin是最小惯性权重,Pj和Pg分别是粒子j个体最优位置和全局最优位置;X是粒子的位置;t为当前的迭代次数,α为压缩扩张因子;u和β是[0,1]之间均匀分布的随机数;Pi'是粒子i更新后的位置;Pi是粒子i当前的位置。
所述步骤(4)中,向故障诊断模型输入测试样本数据集,对电路故障类别进行识别,得到测试样本集中每个测试样本所属故障类别,进而获得每类故障的诊断正确率,完成对被测试模拟电路的诊断。
下面以一个实例说明本发明所提出的基于VVRKFA模拟电路故障诊断方法的执行过程及性能。
图2所示为视频放大器电路,各元件的标称值及容差均于图上标出。以此电路为例展示本发明提出的故障诊断方法的整个流程,激励源是幅值为5V,频率维100Hz的正弦信号,故障响应时域信号在电路输出端采样获得。选择R1、R2、R3、C4、R4、R5、R6、R8和Q1作为测试对象。表1、表2给出了各测试元件的故障码,标称值和故障值,其中↑和↓分别表示故障值高出和低于标称值。无故障情况同样视为一种故障,故障码为F0。为每种故障类别分别采样60个数据,分成2部分,前30个用于建立VVRKFA的故障诊断模型,后30个数据用于测试该故障诊断模型的性能。
表1视频放大电路参数故障
故障码 | 故障类 | 故障值 | 故障码 | 故障类 | 故障值 |
F1 | R2↑ | 15kΩ | F2 | R2↓ | 6kΩ |
F3 | R4↑ | 100Ω | F4 | R4↓ | 27Ω |
F5 | R6↑ | 150Ω | F6 | R6↓ | 5Ω |
F7 | R8↑ | 1kΩ | F8 | R8↓ | 5 0Ω |
表2视频放大电路灾难性故障
故障码 | 故障值 | 故障码 | 故障值 |
F9 | R1开路 | F10 | R1短路 |
F11 | R3短路 | F12 | C4开路 |
F13 | R5开路 | F14 | 基极开路 |
F15 | 基极-发射极短路 | F16 | 集电极开路 |
QPSO算法中种群规模和迭代次数分别设置为10和100,最大惯性权重设为1,最小惯性权重为0.5。在仿真中,寻优得到的正则化参数和核宽度因子分别为1.0076×10-4和1.0095。QPSO优化VVRKFA的训练过程如图3。应用寻优得到的最优正则化参数和核宽度因子构建基于VVRKFA的故障诊断模型,输入测试数据进行故障识别。诊断结果如表3所示。经PSO算法参数选择后的GMKL-SVM故障诊断模型正确地识别了所有的F0,F1,F3,F4,F7,F8,F11,F11,F12,F13,F14,F15和F14故障;错误地将2个F2故障识别为F5故障,错误地将1个F5故障识别为F3故障,错误地将1个F6故障识别为F0故障。可以认为,经QPSO算法优化正则化参数和和宽度因子后的VVRKFA的故障诊断模型,在故障诊断中取得了较好的诊断效果。经计算,模拟电路的故障整体正确诊断率可以达到98.82%。
表3各故障类别诊断结果
Claims (3)
1.基于向量值正则核函数逼近的模拟电路故障诊断方法,其特征在于,包括以下步骤:
(1)提取被测试模拟电路各节点的时域响应电压信号,即采集输出信号;
(2)对采集的输出信号进行小波包分解,计算各节点的能量作为原始样本特征数据;并将原始样本特征数据平均划分为训练样本集及测试样本集两部分;
(3)基于训练样本集,应用量子粒子群算法QPSO优化向量值正则核函数逼近VVRKFA数学模型的正则参数及核参数,构建基于VVRKFA的故障诊断模型;
(4)向构建的基于VVRKFA的故障诊断模型输入测试样本集,对电路故障类别进行识别;
所述步骤(3)中,基于VVRKFA的故障诊断模型的构建过程为:
(3.a)确定核函数类型:
选用高斯核函数K(xi,xj)=exp(σ||xi-xj||2)为VVRKFA的核函数,用以建立VVRKFA的数学模型,σ为高斯核函数的宽度因子;
VVRKFA的数学模型如下:
其中,是回归系数矩阵,目的是将特征内积空间映射到标签空间;N是故障类别数;m为训练样本集中训练样本的维数;是训练样本集降维后的降维样本数据集中样本的维数;是基向量;C是正则参数;是松弛变量;矩阵是训练样本集降维后的降维样本数据集n为训练样本集中所有训练样本总数;K(.,.)是核函数;xi为训练样本集中的训练样本;Yi为训练样本xi的类别标签向量;T为矩阵转置符号;J为目标函数名;[Θb]=YPT[CI+PPT]-1,其中 为训练样本数据集;I为单位矩阵,是包含训练样本的m个类别标签向量的矩阵;
(3.b)应用量子粒子群算法优化VVRKFA数学模型,获取VVRKFA数学模型正则参数及核参数的最优值;
(3.c)以训练样本集中的训练样本xi为输入数据,将步骤(3.b)中获取的最优正则参数及核参数构建如下的向量值映射函数:
此处,为回归系数矩阵,为训练样本集降维后的降维样本数据集;K(.,.)是核函数,式(2)中,核函数K(.,.)为步骤(3.b)获取的最优核函数;C是正则参数,式(2)中,正则参数C为步骤(3.b)获取的最优核参数;是基向量,N为故障类别数;m是训练样本集中训练样本的维数;是训练样本集降维后的降维样本数据集中样本的维数;n为训练样本集中所有训练样本的总数;
(3.d)应用步骤(3.c)中构建的映射函数,建立VVRKFA的决策函数,VVRKFA的决策函数表示为:
其中xt为测试样本集内的测试样本;是训练样本集中第j类故障中所有训练样本的中心点,dM表示马氏距离,xi为训练样本集中的训练样本,是类内协方差矩阵,n是训练样本集中训练样本总数;N为故障类别数;nj为训练样本集中第j类故障类中的训练样本个数;为训练样本xi在特征子空间的映射投影;为测试样本xt在特征子空间的映射投影;
决策函数的建立即为基于VVRKFA故障诊断模型的构建完成。
2.根据权利要求1所述的基于VVRKFA的模拟电路故障诊断方法,其特征在于,所述步骤(3.b)中,应用量子粒子群算法优化VVRKFA数学模型的正则参数与核参数,获取VVRKFA数学模型的最优正则参数及核参数,具体步骤为:
(3.b.1)初始化QPSO算法参数,包括种速度、位置、种群规模、迭代次数和寻优范围;此处每个粒子均为二维向量,第一维为VVRKFA数学模型的正则参数,第二维为VVRKFA数学模型的核参数;
(3.b.2)计算粒子的适应度,获取全局最优个体和局部最优个体;
(3.b.3)更新粒子的速度及位置;
(3.b.4)重复步骤(3.b.2)和(3.b.3)直至达到最大迭代次数,输出最优参数结果即VVRKFA数学模型的最优正则参数及核参数。
3.根据权利要求1或2所述的基于VVRKFA的模拟电路故障诊断方法,其特征在于,所述步骤(4)中,向故障诊断模型输入测试样本数据集,对电路故障类别进行识别,得到测试样本集中每个测试样本所属故障类别,进而获得每类故障的诊断正确率,完成对被测试模拟电路的诊断。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097329.4A CN107884706B (zh) | 2017-11-09 | 2017-11-09 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
US16/497,444 US11287470B2 (en) | 2017-11-09 | 2017-12-07 | Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit |
PCT/CN2017/114969 WO2019090878A1 (zh) | 2017-11-09 | 2017-12-07 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097329.4A CN107884706B (zh) | 2017-11-09 | 2017-11-09 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107884706A CN107884706A (zh) | 2018-04-06 |
CN107884706B true CN107884706B (zh) | 2020-04-07 |
Family
ID=61779713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711097329.4A Active CN107884706B (zh) | 2017-11-09 | 2017-11-09 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11287470B2 (zh) |
CN (1) | CN107884706B (zh) |
WO (1) | WO2019090878A1 (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884706B (zh) * | 2017-11-09 | 2020-04-07 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
CN107894564B (zh) * | 2017-11-09 | 2020-02-18 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
CN109766992B (zh) * | 2018-12-06 | 2020-12-04 | 北京工业大学 | 基于深度学习的工控异常检测及攻击分类方法 |
CN110135121B (zh) * | 2019-06-13 | 2023-04-18 | 中国人民解放军海军航空大学 | 一种基于拉格朗日-粒子群更新算法的故障诊断方法 |
CN110321627B (zh) * | 2019-06-28 | 2022-10-14 | 西北农林科技大学 | 融合叶片光合潜能的光合速率预测方法 |
CN112241605B (zh) * | 2019-07-17 | 2023-12-19 | 华北电力大学(保定) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 |
CN110837851A (zh) * | 2019-10-25 | 2020-02-25 | 西安交通大学 | 一种电静液作动器液压泵故障诊断方法 |
CN110969206B (zh) * | 2019-11-29 | 2023-06-06 | 大连理工大学 | 基于层次划分的电路故障实时诊断与自修复方法 |
CN111240279B (zh) * | 2019-12-26 | 2021-04-06 | 浙江大学 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
CN111239587A (zh) * | 2020-01-20 | 2020-06-05 | 哈尔滨工业大学 | 一种基于frft和lle特征提取的模拟电路故障诊断方法 |
CN111507422B (zh) * | 2020-04-24 | 2023-04-07 | 西安工程大学 | 基于cqfpa-wnn的变压器故障诊断方法 |
CN111610428B (zh) * | 2020-04-26 | 2023-01-17 | 哈尔滨工业大学 | 一种基于响应混叠性度量小波包分解算法的参数优化方法 |
CN111898442B (zh) * | 2020-06-29 | 2023-08-11 | 西北大学 | 一种基于多模态特征融合的人体动作识别方法及装置 |
CN113447813B (zh) * | 2020-09-03 | 2022-09-13 | 中国绿发投资集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
CN112116017B (zh) * | 2020-09-25 | 2024-02-13 | 西安电子科技大学 | 基于核保持的图像数据降维方法 |
CN112257335B (zh) * | 2020-10-10 | 2023-04-07 | 西南交通大学 | 一种结合pnn和svm的油浸式变压器的故障诊断方法 |
CN112216352A (zh) * | 2020-10-13 | 2021-01-12 | 山东建筑大学 | 基于tdksfa非线性贡献图的间歇过程故障辨识方法及系统 |
CN112308147B (zh) * | 2020-11-02 | 2024-02-09 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
CN112381141A (zh) * | 2020-11-13 | 2021-02-19 | 西安建筑科技大学 | 一种空调传感器故障检测方法及系统 |
CN112396113A (zh) * | 2020-11-23 | 2021-02-23 | 国家电网公司东北分部 | 一种电力系统运行方式数据特征两阶段选择方法 |
CN112580568B (zh) * | 2020-12-25 | 2024-03-12 | 江苏集萃复合材料装备研究所有限公司 | 基于高斯核均值局部线性嵌入的芯片缺陷检测方法 |
CN112668459B (zh) * | 2020-12-25 | 2022-09-13 | 合肥工业大学 | 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 |
CN114764538B (zh) * | 2020-12-30 | 2024-04-26 | 河北云酷科技有限公司 | 一种设备声音信号模式识别方法 |
CN113283027B (zh) * | 2021-05-20 | 2024-04-02 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
CN113295702B (zh) * | 2021-05-20 | 2022-09-02 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
CN113610179A (zh) * | 2021-08-17 | 2021-11-05 | 安徽容知日新科技股份有限公司 | 一种设备故障检测分类器训练方法、计算设备及存储介质 |
CN113657556B (zh) * | 2021-09-23 | 2023-12-26 | 华北电力大学 | 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法 |
CN114167729B (zh) * | 2021-12-08 | 2024-05-28 | 北京工业大学 | 基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统 |
CN114330114B (zh) * | 2021-12-20 | 2024-03-22 | 郑州信大先进技术研究院 | 基于量子支持向量机的铍青铜合金腐蚀速率预测方法 |
CN114519283B (zh) * | 2021-12-24 | 2024-06-18 | 华能中电威海风力发电有限公司 | 风电并网逆变器故障诊断方法与装置 |
CN114330067A (zh) * | 2021-12-30 | 2022-04-12 | 南昌大学 | 一种软基水闸有限元模型修正方法 |
CN114325352B (zh) * | 2022-01-04 | 2023-04-18 | 电子科技大学 | 一种基于经验小波变换的模拟滤波电路故障诊断方法 |
CN114609994B (zh) * | 2022-02-24 | 2023-11-07 | 天津大学 | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 |
CN114722915A (zh) * | 2022-03-16 | 2022-07-08 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 基于adasyn算法和随机森林算法的故障诊断方法及系统 |
CN114722923B (zh) * | 2022-03-22 | 2024-02-27 | 西北工业大学 | 一种轻量型的机电设备故障诊断方法 |
CN116305733B (zh) * | 2022-11-29 | 2024-05-07 | 华东理工大学 | 一种基于全局和局部特征提取的质量相关故障检测方法 |
CN116070151B (zh) * | 2023-03-17 | 2023-06-20 | 国网安徽省电力有限公司超高压分公司 | 基于广义回归神经网络特高压直流输电线路故障检测方法 |
CN116505526B (zh) * | 2023-06-30 | 2023-08-22 | 中国电力科学研究院有限公司 | 基于电压受扰曲线多摆特征的电压稳定分析方法及系统 |
CN116545853B (zh) * | 2023-07-04 | 2023-10-13 | 南京理工大学 | 基于量子粒子群的一体化网络多目标优化资源管理方法 |
CN117909837B (zh) * | 2024-03-15 | 2024-05-31 | 山东科技大学 | 一种数据和知识协同驱动的齿轮故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106597260A (zh) * | 2016-12-29 | 2017-04-26 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009152180A2 (en) * | 2008-06-10 | 2009-12-17 | D-Wave Systems Inc. | Parameter learning system for solvers |
US20100094784A1 (en) * | 2008-10-13 | 2010-04-15 | Microsoft Corporation | Generalized kernel learning in support vector regression |
US8838508B2 (en) * | 2011-10-13 | 2014-09-16 | Nec Laboratories America, Inc. | Two-stage multiple kernel learning method |
JP6206276B2 (ja) * | 2014-03-19 | 2017-10-04 | 株式会社デンソー | 自己診断機能を有する入力回路 |
CN104198924A (zh) | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
US10078720B2 (en) * | 2015-03-13 | 2018-09-18 | Taiwan Semiconductor Manufacturing Company Limited | Methods and systems for circuit fault diagnosis |
CN107884706B (zh) * | 2017-11-09 | 2020-04-07 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
US11486925B2 (en) * | 2020-05-09 | 2022-11-01 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
-
2017
- 2017-11-09 CN CN201711097329.4A patent/CN107884706B/zh active Active
- 2017-12-07 US US16/497,444 patent/US11287470B2/en active Active
- 2017-12-07 WO PCT/CN2017/114969 patent/WO2019090878A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106597260A (zh) * | 2016-12-29 | 2017-04-26 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
"基于优选小波包和ELM 的模拟电路故障诊断";何星等;《仪器仪表学报》;20131130;第34卷(第11期);正文第2616页第1-2栏 * |
Also Published As
Publication number | Publication date |
---|---|
US20210293881A1 (en) | 2021-09-23 |
CN107884706A (zh) | 2018-04-06 |
WO2019090878A1 (zh) | 2019-05-16 |
US11287470B2 (en) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107884706B (zh) | 基于向量值正则核函数逼近的模拟电路故障诊断方法 | |
US11486925B2 (en) | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation | |
Abu et al. | A study on Image Classification based on Deep Learning and Tensorflow | |
WO2017128455A1 (zh) | 一种基于广义多核支持向量机的模拟电路故障诊断方法 | |
Chalupka et al. | Causal feature learning: an overview | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
WO2019090879A1 (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
CN106485209B (zh) | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 | |
CN107830996B (zh) | 一种飞行器舵面系统故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN113268833A (zh) | 一种基于深度联合分布对齐的迁移故障诊断方法 | |
CN113533945A (zh) | 一种基于二维卷积神经网络的模拟电路故障诊断方法 | |
CN114781458B (zh) | 基于自适应小波和注意力机制的时频记忆神经网络的配电网初期故障识别方法 | |
CN108805206A (zh) | 一种用于模拟电路故障分类的改进型lssvm建立方法 | |
CN115563464A (zh) | 一种基于量子卷积神经网络的核阀门异常状态识别方法 | |
CN113112039B (zh) | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 | |
Jivani et al. | A survey on rule extraction approaches based techniques for data classification using neural network | |
CN115019129B (zh) | 基于时序成像与图像融合的双有源桥变换器故障诊断方法及系统 | |
Chen et al. | Graph convolution network-based fault diagnosis method for the rectifier of the high-speed train | |
bin Othman et al. | Neuro fuzzy classification and detection technique for bioinformatics problems | |
Ganesan et al. | A deep learning approach to fault detection in a satellite power system using Gramian angular field | |
CN109782156B (zh) | 基于人工免疫诊断网络的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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |