WO2017024691A1 - 一种模拟电路故障模式分类方法 - Google Patents

一种模拟电路故障模式分类方法 Download PDF

Info

Publication number
WO2017024691A1
WO2017024691A1 PCT/CN2015/095424 CN2015095424W WO2017024691A1 WO 2017024691 A1 WO2017024691 A1 WO 2017024691A1 CN 2015095424 W CN2015095424 W CN 2015095424W WO 2017024691 A1 WO2017024691 A1 WO 2017024691A1
Authority
WO
WIPO (PCT)
Prior art keywords
vector
fault
mode
voltage signal
matrix
Prior art date
Application number
PCT/CN2015/095424
Other languages
English (en)
French (fr)
Inventor
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
合肥工业大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 合肥工业大学 filed Critical 合肥工业大学
Priority to US15/555,077 priority Critical patent/US10706332B2/en
Publication of WO2017024691A1 publication Critical patent/WO2017024691A1/zh

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
    • G01R31/316—Testing of analog circuits
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Definitions

  • the invention relates to the field of analog circuit fault diagnosis, in particular to a method for classifying analog circuit fault modes.
  • the advantage of the analog circuit fault mode classifier based on support vector machine is that it is suitable for small sample decision, and the number of learning samples is low. It can mine the hidden classification information in the data with limited feature information. If the dimension of the fault feature vector is too large, the learning training difficulty of the support vector machine will increase, and the different processing methods of the training data will also affect the classification accuracy of the fault mode classifier.
  • the technical problem to be solved by the present invention is to overcome the above-mentioned drawbacks of the prior art, and to provide an analog circuit fault mode classifier method, which is beneficial to alleviating the learning training difficulty of the fault mode classifier and improving the classification accuracy of the fault mode classifier.
  • the invention constructs a fault mode classifier based on a support vector machine, and uses a subspace projection method to extract The fault feature is standardized, and the fault features are standardized. Finally, the standardized fault feature training support vector machine is used to construct the analog circuit fault mode classifier.
  • An analog circuit fault mode classification method includes the following steps:
  • V ij F V ij F
  • the step of extracting the fault feature vector V ij F by using the subspace projection is:
  • I(p) Index(Max(
  • I(p) represents the pth vector value in the I vector
  • Max( ⁇ ) represents the maximum value of the vector element
  • V P represents the projection vector of the voltage signal sample vector V ij in the Topplitz transformation matrix ⁇
  • Index( ⁇ ) represents the index
  • step (4) the specific construction steps of each binary classification support vector machine are:
  • sgn( ⁇ ) is a symbolic function; Indicates the number of training data samples;
  • step (4.3) the specific steps of training the two classifier decision models by using the training sample set S to determine the parameters ⁇ i and b of the two-class support vector machine are:
  • M represents the number of acquisition groups of the voltage signal sample vector
  • M represents the number of acquisition groups of the voltage signal sample vector
  • the invention has the following advantages:
  • the present invention utilizes a subspace projection method to extract a fault feature vector, and determines the dimension of a suitable fault feature vector according to the length of the voltage signal sample vector, thereby ensuring complete fault feature information while reducing redundant fault features, and contributing to Reduce the difficulty of learning and training of the fault mode classifier.
  • the present invention uses a standardized processing method to process fault feature vectors, which has a significant effect on improving the classification accuracy of the fault mode classifier.
  • FIG. 1 is a flow chart of a method for simulating a circuit fault mode classifier according to the present invention
  • FIG. 2 is a block diagram showing the steps of constructing a two-class support vector machine according to the present invention.
  • an analog circuit fault mode classification method includes the following steps:
  • V ij F V ij F
  • step (2) the step of extracting the fault feature vector V ij F by using the subspace projection is:
  • I(p) Index(Max(
  • I(p) represents the pth vector value in the I vector
  • Max( ⁇ ) represents the maximum value of the vector element
  • V P represents the projection vector of the voltage signal sample vector V ij in the Topplitz transformation matrix ⁇
  • Index( ⁇ ) represents the index
  • step (4) the specific construction steps of each binary classification support vector machine are:
  • sgn( ⁇ ) is a symbolic function; Indicates the number of training data samples;
  • step (4.3) the specific steps of training the two classifier decision models by using the training sample set S to determine the parameters ⁇ i and b of the two-class support vector machine are:
  • M represents the number of acquisition groups of the voltage signal sample vector
  • M represents the number of acquisition groups of the voltage signal sample vector

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tests Of Electronic Circuits (AREA)

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Fi采集M组电压信号样本向量Vij；(2)依次对电压信号样本向量Vij利用子空间投影提取故障特征向量Vij F；(3)对提取的故障特征向量Vij F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。上述分类方法的学习训练简单，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Fi，i＝1,2,…,N下的待测节点处采集M组电压信号样本向量Vij,j＝1,2,…,M，Vij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Fi，i＝1，2，...，N下的电压信号样本向量Vij，j＝1，2，...，M利用子空间投影提取故障特征向量Vij F，Vij 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Vij F进行标准化处理，得到标准化故障特征向量
Figure PCTCN2015095424-appb-000001
其计算方法为：
Figure PCTCN2015095424-appb-000002
(4)依次对两种不同故障模式
Figure PCTCN2015095424-appb-000003
和
Figure PCTCN2015095424-appb-000004
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Fi，i＝1，2，...，N，则Fi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Vij F的步骤为：
(2.1)计算电压信号样本向量Vij维数：L＝length(Vij)；
(2.2)生成L×L维托普利兹变换矩阵Φ:
Figure PCTCN2015095424-appb-000005
其中
Figure PCTCN2015095424-appb-000006
(2.3)计算电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量：VP＝ΦTVij，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Vij F：
(2.4.1)初始化子空间投影坐标维数K：
Figure PCTCN2015095424-appb-000007
其中
Figure PCTCN2015095424-appb-000008
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＝[0 0 … 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(|Vp|))，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，VP表示电压信号样本向量Vij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VP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ΦΛ，其维数为K×L；
(2.4.6)计算最大投影子空间
Figure PCTCN2015095424-appb-000009
(2.4.7)计算子空间投影故障特征向量
Figure PCTCN2015095424-appb-000010
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
Figure PCTCN2015095424-appb-000011
其中
Figure PCTCN2015095424-appb-000012
代表 训练数据样本数量，xi称为支持向量，αi为某一实数，b为偏置量，yi∈y＝{+1,-1}为类标识；
(4.2)划分训练样本集：将故障模式
Figure PCTCN2015095424-appb-000013
和
Figure PCTCN2015095424-appb-000014
下的标准化故障特征
Figure PCTCN2015095424-appb-000015
及
Figure PCTCN2015095424-appb-000016
j＝1，2，...，M构成训练样本集S＝{{S+},{S-}},其中
Figure PCTCN2015095424-appb-000017
的类标识定义+1，
Figure PCTCN2015095424-appb-000018
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αi及b；
(4.4)输出二分类支持向量机判决函数：
Figure PCTCN2015095424-appb-000019
其中sgn(·)为符号函数；
Figure PCTCN2015095424-appb-000020
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
Figure PCTCN2015095424-appb-000021
的票数加1，否则，故障模式
Figure PCTCN2015095424-appb-000022
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αi及b的具体步骤为：
(4.3.1)标准化核矩阵：
Figure PCTCN2015095424-appb-000023
其中
Figure PCTCN2015095424-appb-000024
M表示电压信号样本向量的采集组数；
Figure PCTCN2015095424-appb-000025
式中diag(·)代表求对角阵，sqrt(·)代表求矩阵元 素的均方根，更新
Figure PCTCN2015095424-appb-000026
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yi＝+1,则
Figure PCTCN2015095424-appb-000027
否则
Figure PCTCN2015095424-appb-000028
如果类标识yi＝-1,则
Figure PCTCN2015095424-appb-000029
否则
Figure PCTCN2015095424-appb-000030
M表示电压信号样本向量的采集组数；
Figure PCTCN2015095424-appb-000031
(4.3.2)计算分类器参数：
实数
Figure PCTCN2015095424-appb-000032
偏置量
Figure PCTCN2015095424-appb-000033
其中(·)T代表矩阵或者向量的转置。
Figure PCTCN2015095424-appb-000034
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：
(1)利用数据采集板在模拟电路的每种故障模式Fi，i＝1,2,…,N下的待测节点处采集M组电压信号样本向量Vij,j＝1,2,…,M，Vij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Fi，i＝1，2，...，N下的电压信号样本向量Vij，j＝1，2，...，M利用子空间投影提取故障特征向量Vij F，Vij 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Vij F进行标准化处理，得到标准化故障特征向量
Figure PCTCN2015095424-appb-000035
其计算方法为：
Figure PCTCN2015095424-appb-000036
(4)依次对两种不同故障模式
Figure PCTCN2015095424-appb-000037
和
Figure PCTCN2015095424-appb-000038
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Fi，i＝1，2，...，N，则Fi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。
所述步骤(2)中，利用子空间投影提取故障特征向量Vij F的步骤为：
(2.1)计算电压信号样本向量Vij维数：L＝length(Vij)；
(2.2)生成L×L维托普利兹变换矩阵Φ:
Figure PCTCN2015095424-appb-000039
其中
(2.3)计算电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量：VP＝ΦTVij，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Vij F：
(2.4.1)初始化子空间投影坐标维数K：
Figure PCTCN2015095424-appb-000041
其中
Figure PCTCN2015095424-appb-000042
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＝[0 0…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(|Vp|))，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，VP表示电压信号样本向量Vij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VP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ΦΛ，其维数为K×L；
(2.4.6)计算最大投影子空间
Figure PCTCN2015095424-appb-000043
(2.4.7)计算子空间投影故障特征向量
Figure PCTCN2015095424-appb-000044
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
Figure PCTCN2015095424-appb-000045
其中
Figure PCTCN2015095424-appb-000046
代表训练数据样本数量，xi称为支持向量，αi为某一实数，b为偏置量，yi∈y＝{+1,-1}为类标识；
(4.2)划分训练样本集：将故障模式
Figure PCTCN2015095424-appb-000047
和
Figure PCTCN2015095424-appb-000048
下的标准化故障特征
Figure PCTCN2015095424-appb-000049
及
Figure PCTCN2015095424-appb-000050
j＝1，2，...，M构成训练样本集S＝{{S+},{S-}},其中
Figure PCTCN2015095424-appb-000051
Figure PCTCN2015095424-appb-000052
的类标识定义+1，
Figure PCTCN2015095424-appb-000053
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αi及b；
(4.4)输出二分类支持向量机判决函数：
Figure PCTCN2015095424-appb-000054
其中sgn(·)为符号函数；
Figure PCTCN2015095424-appb-000055
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
Figure PCTCN2015095424-appb-000056
的票数加1，否则，故障模式
Figure PCTCN2015095424-appb-000057
的票数加1。
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αi及b的具体步骤为：
(4.3.1)标准化核矩阵：
Figure PCTCN2015095424-appb-000058
其中
Figure PCTCN2015095424-appb-000059
M表示电压信号样本向量的采集组数；
Figure PCTCN2015095424-appb-000060
式中diag(·)代表求对角阵，sqrt(·)代表求矩阵元素的均方根，更新
Figure PCTCN2015095424-appb-000061
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yi＝+1,则
Figure PCTCN2015095424-appb-000062
否则
Figure PCTCN2015095424-appb-000063
如果类标识yi＝-1,则
Figure PCTCN2015095424-appb-000064
否则
Figure PCTCN2015095424-appb-000065
M表示电压信号样本向量的采集组数；
Figure PCTCN2015095424-appb-000066
(4.3.2)计算分类器参数：
实数
Figure PCTCN2015095424-appb-000067
偏置量
Figure PCTCN2015095424-appb-000068
其中(·)T代表矩阵或者向量的转置。
Figure PCTCN2015095424-appb-000069
表示标准化核矩阵。

Claims (4)

  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：
    (1)利用数据采集板在模拟电路的每种故障模式Fi，i＝1,2,…,N下的待测节点处采集M组电压信号样本向量Vij,j＝1,2,…,M，Vij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Fi，i＝1，2，...，N下的电压信号样本向量Vij，j＝1，2，...，M利用子空间投影提取故障特征向量Vij F，Vij 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Vij F进行标准化处理，得到标准化故障特征向量
    Figure PCTCN2015095424-appb-100001
    其计算方法为：
    Figure PCTCN2015095424-appb-100002
    (4)依次对两种不同故障模式
    Figure PCTCN2015095424-appb-100003
    和
    Figure PCTCN2015095424-appb-100004
    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Fi，i＝1，2，...，N，则Fi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。
  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Vij F的步骤为：
    (2.1)计算电压信号样本向量Vij维数：L＝length(Vij)；
    (2.2)生成L×L维托普利兹变换矩阵Φ:
    Figure PCTCN2015095424-appb-100005
    其中
    Figure PCTCN2015095424-appb-100006
    k＝1,2，...，L；
    (2.3)计算电压信号样本向量Vij在托普利兹变换矩阵Φ内的投影向量：VP＝ΦTVij，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Vij F：
    (2.4.1)初始化子空间投影坐标维数K：
    Figure PCTCN2015095424-appb-100007
    其中
    Figure PCTCN2015095424-appb-100008
    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＝[0 0 … 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(|Vp|))，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，VP表示电压信号样本向量Vij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VP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ΦΛ，其维数为K×L；
    (2.4.6)计算最大投影子空间
    Figure PCTCN2015095424-appb-100009
    (2.4.7)计算子空间投影故障特征向量
    Figure PCTCN2015095424-appb-100010
    Figure PCTCN2015095424-appb-100011
  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
    Figure PCTCN2015095424-appb-100012
    其中
    Figure PCTCN2015095424-appb-100013
    代表训练数据样本数量，xi称为支持向量，αi为某一实数，b为偏置量， yi∈y＝{+1,-1}为类标识；
    (4.2)划分训练样本集：将故障模式
    Figure PCTCN2015095424-appb-100014
    和
    Figure PCTCN2015095424-appb-100015
    下的标准化故障特征
    Figure PCTCN2015095424-appb-100016
    及
    Figure PCTCN2015095424-appb-100017
    j＝1，2，...，M构成训练样本集S＝{{S+},{S-}},其中
    Figure PCTCN2015095424-appb-100018
    Figure PCTCN2015095424-appb-100019
    的类标识定义+1，
    Figure PCTCN2015095424-appb-100020
    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αi及b；
    (4.4)输出二分类支持向量机判决函数：
    Figure PCTCN2015095424-appb-100021
    其中sgn(·)为符号函数；
    Figure PCTCN2015095424-appb-100022
    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
    Figure PCTCN2015095424-appb-100023
    的票数加1，否则，故障模式
    Figure PCTCN2015095424-appb-100024
    的票数加1。
  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αi及b的具体步骤为：
    (4.3.1)标准化核矩阵：
    Figure PCTCN2015095424-appb-100025
    其中
    Figure PCTCN2015095424-appb-100026
    i,j＝1,2,…,2M；M表示电压信号样本向量的采集组数；
    Figure PCTCN2015095424-appb-100027
    式中diag(·)代表求对角阵，sqrt(·)代表求矩阵元素的均方根，更新
    Figure PCTCN2015095424-appb-100028
    Figure PCTCN2015095424-appb-100029
    Figure PCTCN2015095424-appb-100030
    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yi＝+1,则
    Figure PCTCN2015095424-appb-100031
    否则
    Figure PCTCN2015095424-appb-100032
    如果类标识yi＝-1,则
    Figure PCTCN2015095424-appb-100033
    否则
    Figure PCTCN2015095424-appb-100034
    M表示电压信号样本向量的采集组数；
    Figure PCTCN2015095424-appb-100035
    (4.3.2)计算分类器参数：
    实数
    Figure PCTCN2015095424-appb-100036
    偏置量
    Figure PCTCN2015095424-appb-100037
    其中(·)T代表矩阵或者向量的转置；
    Figure PCTCN2015095424-appb-100038
    表示标准化核矩阵。
PCT/CN2015/095424 2015-08-07 2015-11-24 一种模拟电路故障模式分类方法 WO2017024691A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/555,077 US10706332B2 (en) 2015-08-07 2015-11-24 Analog circuit fault mode classification method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510482928.2A CN105046279B (zh) 2015-08-07 2015-08-07 一种模拟电路故障模式分类方法
CN201510482928.2 2015-08-07

Publications (1)

Publication Number Publication Date
WO2017024691A1 true WO2017024691A1 (zh) 2017-02-16

Family

ID=54452808

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/095424 WO2017024691A1 (zh) 2015-08-07 2015-11-24 一种模拟电路故障模式分类方法

Country Status (3)

Country Link
US (1) US10706332B2 (zh)
CN (1) CN105046279B (zh)
WO (1) WO2017024691A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532512A (zh) * 2019-08-08 2019-12-03 合肥通用机械研究院有限公司 基于大数据分析的设备失效模式诊断特征参量分析方法
CN110825926A (zh) * 2019-11-22 2020-02-21 深圳供电局有限公司 一种电网异常信号自动监视的分析方法及系统
CN111985550A (zh) * 2020-08-13 2020-11-24 杭州电子科技大学 基于Gap度量下的工业化工数据预处理的分类方法
CN112101282A (zh) * 2020-09-25 2020-12-18 北京瞰天科技有限公司 水上目标识别方法、装置及电子设备和存储介质
CN113609569A (zh) * 2021-07-01 2021-11-05 湖州师范学院 一种判别式的广义零样本学习故障诊断方法

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046279B (zh) * 2015-08-07 2018-05-15 合肥工业大学 一种模拟电路故障模式分类方法
CN105548862B (zh) * 2016-01-25 2019-02-05 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
CN106599934A (zh) * 2016-12-29 2017-04-26 北京航天测控技术有限公司 一种吊舱故障诊断方法
CN107463963A (zh) * 2017-08-10 2017-12-12 郑州云海信息技术有限公司 一种故障分类方法及装置
CN109995566B (zh) * 2017-12-31 2022-05-10 中国移动通信集团辽宁有限公司 网络故障定位方法、装置、设备及介质
CN108563874A (zh) * 2018-04-17 2018-09-21 重庆大学 一种模拟电路间歇故障诊断方法
CN108828436B (zh) * 2018-06-27 2020-10-20 桂林电子科技大学 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法
CN109697463B (zh) * 2018-12-13 2023-08-08 中国航空工业集团公司上海航空测控技术研究所 基于支持向量数据描述集成学习的齿轮故障识别方法
CN109974835B (zh) * 2018-12-29 2021-06-04 无锡联河光子技术有限公司 一种基于光纤信号特征的振动检测识别和时空定位方法和系统
CN109635879B (zh) * 2019-01-08 2023-04-07 浙江大学 一种参数最优的采煤机故障诊断系统
CN110688759A (zh) * 2019-09-30 2020-01-14 青岛航讯网络技术服务有限公司 表决部件的备件量计算方法、仿真方法、终端及存储介质
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
CN111949555B (zh) * 2020-09-18 2022-07-19 苏州浪潮智能科技有限公司 一种基于多维向量和规则脚本的随机测试方法及装置
CN112308299B (zh) * 2020-10-19 2024-04-19 新奥数能科技有限公司 用于电力系统负荷预测模型的样本数据提取方法和装置
CN113156263B (zh) * 2021-03-23 2022-07-26 广东安恒电力科技有限公司 电缆状态监测方法及存储介质
CN113187650B (zh) * 2021-04-07 2023-04-07 武汉四创自动控制技术有限责任公司 一种智能水电厂全厂水轮机调速系统及诊断方法
CN113343550A (zh) * 2021-06-09 2021-09-03 上海交通大学 基于局部图像特征的局部放电故障的诊断方法
CN113344395B (zh) * 2021-06-14 2022-06-21 西北工业大学 一种基于动态pca-svm的加工质量监测方法
CN114112374B (zh) * 2021-11-23 2024-07-09 中国人民解放军火箭军工程大学 一种基于正交子块投影的武器装备系统的故障诊断方法
CN118190348A (zh) * 2023-10-20 2024-06-14 深圳市巴科光电科技股份有限公司 大规模led显示屏故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6662170B1 (en) * 2000-08-22 2003-12-09 International Business Machines Corporation System and method for boosting support vector machines
CN101533068A (zh) * 2009-04-08 2009-09-16 南京航空航天大学 基于dagsvc的模拟电路故障诊断方法
CN103245907A (zh) * 2013-01-30 2013-08-14 中国人民解放军海军航空工程学院 一种模拟电路故障诊断方法
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
CN105046279A (zh) * 2015-08-07 2015-11-11 合肥工业大学 一种模拟电路故障模式分类方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2690027B2 (ja) * 1994-10-05 1997-12-10 株式会社エイ・ティ・アール音声翻訳通信研究所 パターン認識方法及び装置
WO2002091211A1 (en) * 2001-05-07 2002-11-14 Biowulf Technologies, Llc Kernels and methods for selecting kernels for use in learning machines
WO2002095534A2 (en) * 2001-05-18 2002-11-28 Biowulf Technologies, Llc Methods for feature selection in a learning machine
WO2012009804A1 (en) * 2010-07-23 2012-01-26 Corporation De L'ecole Polytechnique Tool and method for fault detection of devices by condition based maintenance
US10531806B2 (en) * 2013-12-17 2020-01-14 University Of Florida Research Foundation, Inc. Brain state advisory system using calibrated metrics and optimal time-series decomposition

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6662170B1 (en) * 2000-08-22 2003-12-09 International Business Machines Corporation System and method for boosting support vector machines
CN101533068A (zh) * 2009-04-08 2009-09-16 南京航空航天大学 基于dagsvc的模拟电路故障诊断方法
CN103245907A (zh) * 2013-01-30 2013-08-14 中国人民解放军海军航空工程学院 一种模拟电路故障诊断方法
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
CN105046279A (zh) * 2015-08-07 2015-11-11 合肥工业大学 一种模拟电路故障模式分类方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532512A (zh) * 2019-08-08 2019-12-03 合肥通用机械研究院有限公司 基于大数据分析的设备失效模式诊断特征参量分析方法
CN110532512B (zh) * 2019-08-08 2022-07-19 合肥通用机械研究院有限公司 基于大数据分析的设备失效模式诊断特征参量分析方法
CN110825926A (zh) * 2019-11-22 2020-02-21 深圳供电局有限公司 一种电网异常信号自动监视的分析方法及系统
CN111985550A (zh) * 2020-08-13 2020-11-24 杭州电子科技大学 基于Gap度量下的工业化工数据预处理的分类方法
CN111985550B (zh) * 2020-08-13 2024-02-27 杭州电子科技大学 基于Gap度量下的工业化工数据预处理的分类方法
CN112101282A (zh) * 2020-09-25 2020-12-18 北京瞰天科技有限公司 水上目标识别方法、装置及电子设备和存储介质
CN112101282B (zh) * 2020-09-25 2024-04-26 北京瞰天科技有限公司 水上目标识别方法、装置及电子设备和存储介质
CN113609569A (zh) * 2021-07-01 2021-11-05 湖州师范学院 一种判别式的广义零样本学习故障诊断方法
CN113609569B (zh) * 2021-07-01 2023-06-09 湖州师范学院 一种判别式的广义零样本学习故障诊断方法

Also Published As

Publication number Publication date
US20180039865A1 (en) 2018-02-08
CN105046279A (zh) 2015-11-11
US10706332B2 (en) 2020-07-07
CN105046279B (zh) 2018-05-15

Similar Documents

Publication Publication Date Title
WO2017024691A1 (zh) 一种模拟电路故障模式分类方法
CN101794396B (zh) 基于迁移网络学习的遥感图像目标识别系统及方法
WO2019090879A1 (zh) 一种基于交叉小波特征的模拟电路故障诊断方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
US10539613B2 (en) Analog circuit fault diagnosis method using single testable node
CN106483449B (zh) 基于深度学习与复数特征的模拟电路故障诊断方法
Li et al. Fabric defect detection based on biological vision modeling
CN114169442B (zh) 基于双原型网络的遥感图像小样本场景分类方法
CN105606914A (zh) 一种基于iwo-elm的航空功率变换器故障诊断方法
CN114818579B (zh) 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN104978569A (zh) 一种基于稀疏表示的增量人脸识别方法
CN108805206A (zh) 一种用于模拟电路故障分类的改进型lssvm建立方法
Chen et al. A unified framework for layout pattern analysis with deep causal estimation
CN110889207A (zh) 一种基于深度学习的体系组合模型可信度智能评估方法
CN114510871A (zh) 基于思维进化和lstm的云服务器性能衰退预测方法
CN110110426A (zh) 一种开关电源滤波电容失效检测方法
CN111863135B (zh) 一种假阳性结构变异过滤方法、存储介质及计算设备
CN103076556B (zh) 航电组件功能维护测试点选取方法
CN107729942A (zh) 一种结构化视图缺失数据的分类方法
CN109902720B (zh) 基于子空间分解进行深度特征估计的图像分类识别方法
CN104408072B (zh) 一种基于复杂网络理论的适用于分类的时间序列特征提取方法
CN106778558B (zh) 一种基于深度分类网络的面部年龄估计方法
CN110288592A (zh) 一种基于概率语义分析模型的锌浮选加药状态评价的方法
Zhu Image Recognition Algorithm Based on Deep Learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15900886

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15555077

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15900886

Country of ref document: EP

Kind code of ref document: A1