CN108254678A - 一种基于正弦余弦算法的模拟电路故障分类方法 - Google Patents
一种基于正弦余弦算法的模拟电路故障分类方法 Download PDFInfo
- Publication number
- CN108254678A CN108254678A CN201810051656.4A CN201810051656A CN108254678A CN 108254678 A CN108254678 A CN 108254678A CN 201810051656 A CN201810051656 A CN 201810051656A CN 108254678 A CN108254678 A CN 108254678A
- Authority
- CN
- China
- Prior art keywords
- fault
- sine
- analog circuit
- circuit
- carried out
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于正弦余弦算法的模拟电路故障分类方法,包括选择脉冲信号或者正弦信号作为实验模拟电路的激励信号源;将电路中各元件参数的偏离值作为软故障注入实验模拟电路中;采用蒙特卡罗分析法采集实验模拟电路中可测试节点的故障输出数据;采用小波包法对故障输出数据进行小包波变换,得到若干高频和低频系数;根据若干高频和低频系数计算得到小波包能量熵,并根据小波包能量熵得到故障诊断特征向量;采用主元分析法对故障诊断特征向量进行降维处理,根据降维后的故障诊断特征向量构建支持向量机模型;采用正弦余弦算法对向量机模型进行参数的优化,根据优化后的向量机模型对模拟电路故障输出数据进行故障分类。
Description
技术领域
本发明属于电路诊断的技术领域,具体涉及一种基于正弦余弦算法的模拟电路故障分类方法。
背景技术
随着科技的快速发展,在武器系统、航空航天等国防军工领域中,对电子设备的指标要求也更加苛刻,对自动化的故障诊断和先进的故障诊断技术有着迫切的需求。而数模混合电路中80%以上的故障都来自于模拟电路部分,模拟电路的高故障率和诊断成本一直是困扰电子工业自动化测试的最大瓶颈。因此,模拟电路故障诊断一直是一个研究热点,也已经有很多研究成果。模拟电路的元器件具有容差特性,且很多故障是元器件性能参数发生变化的软故障,故障样本可辨识性较差,这给故障诊断带来了很大的难度。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于正弦余弦算法的模拟电路故障分类方法,以解决现有元器件软故障诊断分类方法可辨识性较差、仅适用于低维、搜索速度慢和准确度较低的问题。
为达到上述目的,本发明采取的技术方案是:
提供一种基于正弦余弦算法的模拟电路故障分类方法和方法,其包括:
选择脉冲信号或者正弦信号作为实验模拟电路的激励信号源;
将电路中各元件参数的偏离值作为软故障注入实验模拟电路中;
采用蒙特卡罗分析法采集实验模拟电路中可测试节点的故障输出数据;
采用小波包法对故障输出数据进行小包波变换,得到若干高频和低频系数;
根据若干高频和低频系数计算得到小波包能量熵,
其中,Hj,k为小波包能量熵,ej,k(i)为第i个子频带在j层k节点小波包对应能量在总能量中的概率;
根据小波包能量熵得到故障诊断特征向量,并采用主元分析法对故障诊断特征向量进行降维处理,根据降维后的故障诊断特征向量构建支持向量机模型;
采用正弦余弦算法对支持向量机模型进行随机数的优化,
其中,为个体X在第t次迭代中的位置,r1、r2、r3为随机数,Pi是当前个体最优解的位置,r4为[0,1]范围中的随机数;
根据优化后的向量机模型对模拟电路故障输出数据进行故障分类。
优选地,软故障为实验模拟电路中各元件参数偏离原值的50%。
优选地,正弦余弦算法中随机数r1计算如下:
其中,t为当前迭代次数,T为最大迭代次数,a为常数。
本发明提供的基于正弦余弦算法的模拟电路故障分类方法,具有以下有益效果:
本发明通过采集实验模拟电路中的故障输出数据,并对故障输出数据进行小包波变换,得到的高频和低频系数用于计算得到故障诊断特征向量,进而根据故障诊断特征向量构建向量机模型,并采用正弦余弦算法对构建向量机模型进行参数优化,优化后的向量机模型迭代精度高速度快,可适用于高维数据,准确度高。
附图说明
图1为基于正弦余弦算法的模拟电路故障分类方法的流程图。
图2为基于正弦余弦算法的模拟电路故障分类方法优化向量机模型的流程图。
图3为基于正弦余弦算法的模拟电路故障分类方法Sallen-Key带通滤波器电路原理图。
图4为基于正弦余弦算法的模拟电路故障分类方法Sallen-Key带通滤波器电路测试集分类结果。
图5为基于正弦余弦算法的模拟电路故障分类方法四运放双二次高通滤波器电路原理图。
图6为基于正弦余弦算法的模拟电路故障分类方法四运放双二次高通滤波器中各分类器的最优准确率迭代曲线。
图7为基于正弦余弦算法的模拟电路故障分类方法四运放双二次高通滤波器电路测试集分类结果。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例,参考图1和图2所示,本方案的基于正弦余弦算法的模拟电路故障分类方法,根据具体的实验模拟电路,选择脉冲信号或者正弦信号作为实验模拟电路的激励信号源。
故障注入,通过对模拟电路各个元件参数的变化(一般参数上下浮动50%)作为软故障注入实验模拟电路中。
采用蒙特卡罗分析法采集多组实验模拟电路中可测试节点的故障输出数据。
特征提取,采用小波包法对故障输出数据进行小包波变换,得到若干高频和低频系数。
将若干高频和低频系数带入下式计算得到小波包能量熵,
其中,Hj,k为小波包能量熵,ej,k(i)为第i个子频带在j层k节点小波包对应能量在总能量中的概率。
根据小波包能量熵得到故障诊断特征向量,并采用主元分析法对所述故障诊断特征向量进行降维处理,根据降维后的故障诊断特征向量构建支持向量机模型。
采用正弦余弦算法对向量机模型进行参数的优化,
其中,为个体X在第t次迭代中的位置,r1、r2、r3为随机数,Pi是当前个体最优解的位置,r4为[0,1]范围中的随机数。
根据优化后的向量机模型对模拟电路故障输出数据进行故障分类。
其中,正弦余弦算法中正弦和余弦函数幅值的自适应调节如下式:
其中,t为当前迭代次数,T为最大迭代次数,a为常数。
根据本申请的一个实施例,参考图3所示,为常见的模拟电路Sallen-Key带通滤波器电路与四运放双二次高通滤波器电路。
图中的out输出为测试节点,各个元件的标称值如图所示,其中元件容差为:电阻±5%,电容±10%。
定义当元件参数偏离原值50%即为电路发生软故障,电路划分为正常状态(nonfault-NF)和8种故障状态,分别记为R2↑,R2↓,R3↑,R3↓,C1↑,C1↓,C2↑,C2↓,如下表所示:
故障编码 | 故障模式 | 标称值 | 故障值 |
F0 | NF | - | - |
F1 | R2↑ | 3kΩ | 4.5kΩ |
F2 | R2↓ | 3kΩ | 1.5kΩ |
F3 | R3↑ | 2kΩ | 3kΩ |
F4 | R3↓ | 2kΩ | 1kΩ |
F5 | C1↑ | 5nF | 7.5nF |
F6 | C1↓ | 5nF | 2.5nF |
F7 | C2↑ | 5nF | 7.5nF |
F8 | C2↓ | 5nF | 2.5nF |
对图3所示的电路图进行仿真实验,对上表的各个故障进行100次蒙特卡罗分析,并采集120us内的输出端波形,保存输出端波形作为电路的故障输出类型。9种故障共900个样本数据,从中随机抽取300个样本作为训练集,剩余600个样本作为测试集。
特征提取,对900个样本数据进行5层小包波变换,
其中,Hj,k为小波包能量熵,ej,k(i)为第i个子频带在j层k节点小波包对应能量在总能量中的概率。
进而得到32个高频和低频序列系数,根据32个高频和低频序列系数构建得到32维特征向量。采用主元分析法对故障诊断特征向量进行降维处理,采用主元分析法进行32维特征向量的特征选择,其特征选择阈值为85%。
根据降维后的故障诊断特征向量构建支持向量机模型,并利用正弦余弦算法对向量机模型进行参数的优化,
其中,为个体X在第t次迭代中的位置,r1、r2、r3为随机数,Pi是当前个体最优解的位置,r4为[0,1]范围中的随机数。
将本发明与网格搜索法(GridSearch)、遗传算法(GA)、粒子群算法(PSO)对比。设定相同的libSVM参数c(惩罚因子)和g(核参数)搜索范围,c为[0.1,1000],g为[0.01,1000],交叉验证参数v均为5。GridSearch步进值为0.1,GA、PSO和SCA(正弦余弦算法)均采用相同的迭代次数20和种群规模20,在训练集上的对比结果如下表所示,运行环境均为四核Intel Core i5-4210U1.70GHz,4G运行内存。
表2Sallen-Key带通滤波器电路训练集诊断结果
分类算法 | 准确率/% | 消耗时间/s |
GridSearch | 99.6667 | 82 |
GA | 81 | 31 |
PSO | 99.6667 | 19 |
SCA | 99.6667 | 10 |
从上表可以看出,综合分类准确率和消耗时间来看,SCA均表现最优,可见SCA-SVM(正弦余弦算法-支持向量机模型)用于模拟电路故障诊断分类具有优于其它算法的功能。使用SCA优选后的SVM参数进行计算,分类结果如图4所示,在测试集上分类准确率达到了99.1667%(595/600)。
根据本申请的一个实施例,参考图5、图6和图7所示,选择四运放双二次高通滤波器电路作为实验对象,验证SCA-SVM分类器的通用性。每个故障进行200次蒙特卡罗分析,故障类别如下表所示,每个故障抽取前100个样本组成训练集,后100个样本组成测试集。
采用四种不同算法进行验证,算法参数设置同上,四种算法在训练集上的运行情况如下表所示:
分类算法 | 准确率/% | 消耗时间/s |
GridSearch | 96.8462 | 673.07 |
GA | 87.5385 | 324.08 |
PSO | 97.0769 | 227.11 |
SCA | 97.5385 | 71.44 |
从上表和图6可知,最优分类准确率、运行时间、算法的收敛速度,SCA均优于其它三种算法,运行时间远远少于其它算法,算法在第二代即收敛达到最高准确率97.5385%。使用SCA-SVM对测试集进行分类,分类准确率达到了98.38%,算法在测试集上的测试如图7所示表现也很好。SCA-SVM分类步进能达到全局最优分类准确率,还具有最快的收敛速度,提高了模拟电路故障诊断分类的效率。
本发明通过采集实验模拟电路中的故障输出数据,并对故障输出数据进行小包波变换,得到的高频和低频系数用于计算得到故障诊断特征向量,进而根据故障诊断特征向量构建向量机模型,并采用正弦余弦算法对构建向量机模型进行参数优化,优化后的向量机模型迭代精度高速度快,可适用于高维数据,准确度高。
虽然结合附图对发明的具体实施方式进行了详细地描述,但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内,本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (3)
1.一种基于正弦余弦算法的模拟电路故障分类方法,其特征在于,包括:
选择脉冲信号或者正弦信号作为实验模拟电路的激励信号源;
将电路中各元件参数的偏离值作为软故障注入实验模拟电路中;
采用蒙特卡罗分析法采集所述实验模拟电路中可测试节点的故障输出数据;
采用小波包法对所述故障输出数据进行小包波变换,得到若干高频和低频系数;
根据若干所述高频和低频系数计算得到小波包能量熵,
其中,Hj,k为小波包能量熵,ej,k(i)为第i个子频带在j层k节点小波包对应能量在总能量中的概率;
根据所述小波包能量熵得到故障诊断特征向量,并采用主元分析法对所述故障诊断特征向量进行降维处理,根据所述降维后的故障诊断特征向量构建支持向量机模型;
采用正弦余弦算法对所述支持向量机模型进行随机数的优化,
其中,为个体X在第t次迭代中的位置,r1、r2、r3为随机数,Pi是当前个体最优解的位置,r4为[0,1]范围中的随机数;
根据优化后的向量机模型对模拟电路故障输出数据进行故障分类。
2.根据权利要求1所述的基于正弦余弦算法的模拟电路故障分类方法,其特征在于:所述软故障为实验模拟电路中各元件参数偏离原值的50%。
3.根据权利要求1所述的基于正弦余弦算法的模拟电路故障分类方法,其特征在于,所述正弦余弦算法中随机数r1计算如下:
其中,t为当前迭代次数,T为最大迭代次数,a为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810051656.4A CN108254678A (zh) | 2018-01-19 | 2018-01-19 | 一种基于正弦余弦算法的模拟电路故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810051656.4A CN108254678A (zh) | 2018-01-19 | 2018-01-19 | 一种基于正弦余弦算法的模拟电路故障分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108254678A true CN108254678A (zh) | 2018-07-06 |
Family
ID=62741313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810051656.4A Pending CN108254678A (zh) | 2018-01-19 | 2018-01-19 | 一种基于正弦余弦算法的模拟电路故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108254678A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766666A (zh) * | 2019-02-14 | 2019-05-17 | 长沙理工大学 | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 |
CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN111061871A (zh) * | 2019-11-26 | 2020-04-24 | 广东奥博信息产业股份有限公司 | 一种政企服务文本倾向性分析方法 |
CN111553111A (zh) * | 2020-04-30 | 2020-08-18 | 成都航空职业技术学院 | 一种基于mcnp的数字仿核信号发生器 |
CN112485652A (zh) * | 2020-12-09 | 2021-03-12 | 电子科技大学 | 基于改进正余弦算法的模拟电路单故障诊断方法 |
CN113141375A (zh) * | 2021-05-08 | 2021-07-20 | 国网新疆电力有限公司喀什供电公司 | 一种网络安全监控的方法、装置、存储介质及服务器 |
WO2023125059A1 (zh) * | 2021-12-29 | 2023-07-06 | 中兴通讯股份有限公司 | 故障数据获取方法、故障处理方法、电子设备及存储介质 |
CN116577062A (zh) * | 2023-07-12 | 2023-08-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种用于风洞飞行实验的正交多正弦激励信号设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728551B (zh) * | 2013-01-30 | 2016-03-09 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
-
2018
- 2018-01-19 CN CN201810051656.4A patent/CN108254678A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728551B (zh) * | 2013-01-30 | 2016-03-09 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
毛先柏等: "PCA-SVM在模拟电路故障诊断中的应用", 《计算机测量与控制》 * |
潘秀昌: "SCA-SVM模型在年径流丰枯识别中的应用", 《三峡大学学报(自然科学版)》 * |
肖玉飞: "基于小波包熵与支持向量机的模拟电路故障诊断", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766666A (zh) * | 2019-02-14 | 2019-05-17 | 长沙理工大学 | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 |
CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN109782158B (zh) * | 2019-02-19 | 2020-11-06 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN111061871B (zh) * | 2019-11-26 | 2022-02-22 | 广东奥博信息产业股份有限公司 | 一种政企服务文本倾向性分析方法 |
CN111061871A (zh) * | 2019-11-26 | 2020-04-24 | 广东奥博信息产业股份有限公司 | 一种政企服务文本倾向性分析方法 |
CN111553111B (zh) * | 2020-04-30 | 2023-03-28 | 成都航空职业技术学院 | 一种基于mcnp的数字仿核信号发生器 |
CN111553111A (zh) * | 2020-04-30 | 2020-08-18 | 成都航空职业技术学院 | 一种基于mcnp的数字仿核信号发生器 |
CN112485652B (zh) * | 2020-12-09 | 2021-09-14 | 电子科技大学 | 基于改进正余弦算法的模拟电路单故障诊断方法 |
CN112485652A (zh) * | 2020-12-09 | 2021-03-12 | 电子科技大学 | 基于改进正余弦算法的模拟电路单故障诊断方法 |
CN113141375A (zh) * | 2021-05-08 | 2021-07-20 | 国网新疆电力有限公司喀什供电公司 | 一种网络安全监控的方法、装置、存储介质及服务器 |
WO2023125059A1 (zh) * | 2021-12-29 | 2023-07-06 | 中兴通讯股份有限公司 | 故障数据获取方法、故障处理方法、电子设备及存储介质 |
CN116577062A (zh) * | 2023-07-12 | 2023-08-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种用于风洞飞行实验的正交多正弦激励信号设计方法 |
CN116577062B (zh) * | 2023-07-12 | 2023-09-15 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种用于风洞飞行实验的正交多正弦激励信号设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108254678A (zh) | 一种基于正弦余弦算法的模拟电路故障分类方法 | |
CN104793124B (zh) | 基于小波变换和ica特征提取的开关电路故障诊断方法 | |
CN107894564A (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
CN104807534B (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
He et al. | Wavelet neural network approach for fault diagnosis of analogue circuits | |
CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
CN110232207B (zh) | 一种基于人工神经网络的电磁干扰滤波器设计方法 | |
CN103267941A (zh) | 一种集成开关电流电路故障模式测试方法 | |
CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
CN105787558A (zh) | 基于ads的知识神经网络微带滤波器设计方法 | |
CN104535905A (zh) | 基于朴素贝叶斯分类的局部放电诊断方法 | |
CN111709350B (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
CN104182511B (zh) | 一种簇特征加权的模糊紧致散布聚类方法 | |
CN106357458B (zh) | 网元异常检测方法及装置 | |
CN102129027A (zh) | 一种基于故障字典的开关电流电路故障诊断方法 | |
Yun et al. | A weak fault diagnosis scheme for common rail injector based on MGOA-MOMEDA and improved hierarchical dispersion entropy | |
CN103603794A (zh) | 一种储气库注采压缩机组自适应故障诊断方法及设备 | |
CN103592595A (zh) | 一种开关电流电路故障诊断方法 | |
CN103064009A (zh) | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 | |
CN107423682A (zh) | 一种非线性脑电信号的复杂度分析方法 | |
CN109782158A (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN109903181B (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
CN114355173B (zh) | 一种基于多输入残差网络的模拟滤波电路故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |