專利名稱：基于dagsvc的模擬電路故障診斷方法
技術(shù)領域：
發(fā)明涉及一種基于DAGSVC的模擬電路故障診斷方法，屬于電路網(wǎng)絡測 試和信號處理領域
背景技術(shù)：
"鄉(xiāng)、z, ",口 ^ — 、 i
研究重點。對于數(shù)字電路，診斷的方法較為成熟，但對于模擬電路的故障診 斷方法目前還沒有什么新的突破，仍然躑躅不前。
目前，對模擬電路的診斷方法主要包括建模和模式識別方法。其中， 建模方法主要適合線性或弱非線性電路的故障診斷，而基于神經(jīng)網(wǎng)絡、模糊 數(shù)學等智能模式識別方法的模擬故障診斷技術(shù)既可以診斷線性電路，也可以 診斷非線性電路，正在成為目前的研究熱點。在診斷模擬電路的模式識別方 法中，故障字典方法的應用前景最為廣闊，最具有工程應用價值。為了能夠 診斷模擬電路中的參數(shù)故障，絕大部分的故障字典主要借助神經(jīng)網(wǎng)絡等機器 學習的方法構(gòu)成。而常規(guī)的神經(jīng)網(wǎng)絡，例如BP神經(jīng)網(wǎng)絡、小波神經(jīng)網(wǎng)絡等 存在諸多的缺點，比如在樣本的訓練時容易陷入局部最優(yōu)，需要的樣本數(shù)量 比較龐大，訓練的效率也低，這些問題都限制了常規(guī)神經(jīng)網(wǎng)絡等方法在模擬 電路故障診斷中的進一步應用。由于支持向量機分類器對于數(shù)據(jù)的高維特性 不敏感，且泛化能力極強，克服了神經(jīng)網(wǎng)絡等常規(guī)方法所固有的缺點，因此， 該類型的分類器十分適合診斷模擬電路故障。但是常規(guī)的二元支持向量機分類器(主要"l-v-r"和"l-v-l"兩種類型的結(jié)構(gòu))存在診斷精度低或診斷速度較慢等問題；而具有類似結(jié)構(gòu)的DDAG分類器存在結(jié)構(gòu)不唯一，不同的結(jié)構(gòu)可能存在診斷精度不一致的情況。另外，在故障診斷過程中，故障樣本的提取技術(shù)也十分關(guān)鍵，常規(guī)的故障特征提取技術(shù)主要采用幅頻特性分析、傅立葉分析和小波包變換等信號分析方法，而這些方法僅得到信號變換以后的特征信息，而沒有反映信號變換過程中特征信息的變化情況，造成了故障信息缺失、故障分辨率降低等問題。

發(fā)明內(nèi)容
本發(fā)明的目的是針對現(xiàn)有技術(shù)存在的缺陷提供一種基于DAGSVC的模擬電i 各故障診斷方法。
本發(fā)明為實現(xiàn)上述目的，采用如下技術(shù)方案
本發(fā)明基于DAGSVC的模擬電路故障診斷方法，其特征在于包括如下步
驟
一. 構(gòu)建故障字典
1) 對模擬電路進行可測性分析，確定模擬電路的可測節(jié)點和測試激勵；
2) 對電路施加與設置故障模式所對應的測試激勵，采用數(shù)據(jù)采集卡在步驟1所述的可測節(jié)點處采集模擬電路的輸出響應信號；
3) 將步驟2所述的輸出響應信號經(jīng)過分數(shù)階小波包變換和分解提取規(guī)粉匕處理之后的值作為故障特征；
4) 將步驟3所述的故障特征經(jīng)過歸一化得到故障樣本；
5) 將步驟4所述的故障樣本作為訓練樣本，將訓練樣本經(jīng)過常規(guī)的
"l-v-l"支持向量機分類器分組訓練得到訓練參數(shù)形成故障字典；
二. DAGSVC分類器設計和故障診斷6) 在進行樣本測試時，按照一種預設計的有向無環(huán)圖結(jié)構(gòu)進行計算和判別，并提取故障字典內(nèi)的信息作為有向無環(huán)圖的節(jié)點，即形成了有向無環(huán)
圖支持向量機分類器DAGSVC。
7) 重復步驟2至步驟4得到實際的故障樣本，將實際的故障樣本經(jīng)過步驟6所述的有向無環(huán)圖支持向量機分類器DAGSVC以輸出故障模式。
本發(fā)明的技術(shù)效果在于
通過采用電路的可測性分析等技術(shù)，可以有效地減少測點數(shù)目，減小故障字典的規(guī)模；采用FRWPT等多分辨率分析方法，可以更有效地提取故障特征樣本，并有利于后續(xù)的分類器分類；采用的DAGSVC的結(jié)構(gòu)唯一，可以很好的避免BP神經(jīng)網(wǎng)絡等現(xiàn)有方法固有的局部極值、訓練效率差、對數(shù)據(jù)維較為敏感等缺點，并能夠獲得較"l-v-r"支持向量機分類器、"l-v-l"支持向量機分類器更好的i貪斷效率。


圖1基于分數(shù)階小波包和DAGSVC的模擬故障診斷框圖；圖2 DAGSVC結(jié)構(gòu)示意圖。
具體實施例方式
下面結(jié)合附圖對發(fā)明的技術(shù)方案進行詳細說明
本發(fā)明采用基于DAGSVC的模擬電路故障診斷過程框圖，如圖l所示，具體操作如下
1)對待測的模擬電路進行頻率掃描、靈敏度分析等可測性分析方法，確定電路的最優(yōu)測試節(jié)點和測試激勵，測試節(jié)點和測試激勵等設置在進行樣本訓練和樣本測試時均保持不變。2)針對設置的各種典型故障模式，對電路施加優(yōu)化好的測試激勵，并在優(yōu)化好的可測節(jié)點處采集電路的輸出響應匕,，并對信號F^進行分數(shù)階小波包多層分解，分解的系數(shù)進行規(guī)格化處理，提取規(guī)格化處理之后的值作為故障特征。
上述方法中，電路的輸出節(jié)點一般為電壓節(jié)點，如果采集的為電路的電流信號，則需要把電流信號轉(zhuǎn)換為電壓信號再進行數(shù)據(jù)采集。數(shù)據(jù)采集的精度、釆樣率和采集的數(shù)據(jù)長度可以根據(jù)實際的需要確定，比如，數(shù)據(jù)采集的AD精度為14位，采樣率為5MHz,數(shù)據(jù)點數(shù)M為2048點。
分數(shù)階小波包的函數(shù)類型和變換的階次根據(jù)實驗的效果加以選擇，即根據(jù)最終實-瞼的效果加以確定。FRWPT變換/厶式為
其中，變換的核函數(shù)為(下式中的"為整數(shù))
<formula>formula see original document page 7</formula>
在本式中，y為復數(shù)中的虛數(shù)代表符號(/=-1)， cot、 csc代表余切和余割函數(shù)，"旋轉(zhuǎn)因子，f為時間變量，w為上式核函數(shù)的參數(shù)，(5為沖擊函數(shù)，
W為整數(shù)(O、 1、 2等)，7T為圓周率常數(shù)。上個式子當旋轉(zhuǎn)因子"=冗/2時，即
成為常規(guī)的小波包分析。FRWPT是頻域、時域和窗參數(shù)的函數(shù)，因此，利
用不同的"值對信號進行分析可以得到從不同角度得到的故障信息特征。假設在旋轉(zhuǎn)因子a確定的前提下，對電路某個節(jié)點的輸出響應進行多層分解，設分解的層數(shù)為//，則在第/Z層一共可以得到2"個小波系數(shù)，這些小波系數(shù)既反映了故障在低頻帶內(nèi)所造成的影響，也反映了故障在高頻帶內(nèi)所造成的影響，因此，對于故障診斷都是有價值的信息。把第i/層所有的小波分解系數(shù)q、 C2..... q、…C^等進行組合成為一個完整的故障向量，記
為^=[(^,(^,...,。，...,(^]，每個小波分解系數(shù)均為M/2"維向量。對全部小
波系數(shù)進行一維規(guī)格化操作后重新進行組合，即成為一個新的故障特征向量
< =[cv,cv,...,c/,.."c,']
其中，C7' = max(sum(abs(C^))) , max 、 sum 、 abs依次表示對向量進4亍取最大值操作、求累加和操作和取絕對值操作。
對采用不同的旋轉(zhuǎn)因子得到的『。進行組合，得到
『',。,(緒)',^W,…,^W，]，此處把整個的旋轉(zhuǎn)因子"在o h空間內(nèi)
均勻采樣N次，最終得到的故障特征向量為(M承iV)/2H維。當M和7V較大時，『'的維數(shù)可能很大，采用常規(guī)的神經(jīng)網(wǎng)絡方法往往不能奏效，因此，采用支持向量機加以分類和診斷可以避免出現(xiàn)的"維數(shù)災難"。
3)對故障特征進行歸一化操作，并把故障樣本作為訓練樣本輸入至常規(guī)的"1-V-1"支持向量機分類器中，對分類器進行訓練，訓練完畢，保存各個分類器的訓練核參數(shù)、支持向量和偏差等信息，形成故障字典。
故障特征的歸一化操作主要是為了樣本在訓練時防止數(shù)據(jù)范圍的波動
過大而設定的。對故障特征進行歸一化的公式如下[max(『)-min(『)]，
其中，min表示取最小值函數(shù)。經(jīng)過數(shù)據(jù)的歸一化之后，故障樣本的數(shù)
據(jù)范圍在[O, l]之間。把所有故障模式的樣本分為兩組訓練樣本和測試樣
本，并且把不同故障模式的訓練樣本兩兩分組并利用"l-v-1"支持向量機進4亍訓練，訓練的時4矣，對llr入的訓練才羊本乘上一個縮;故因子sca 1 er( sca 1 er可取的值為0.1、 1、 10、 100)，確定一定的Mercer核函^:(可取的類型為 一次多項式、二次多項式、徑向基核和sigmoid核)，在對應一定的參數(shù)情況下全部訓練完畢，利用"l-v-l"支持向量機對測試樣本進行分類并計算整體的故障診斷精度大小，取最高故障診斷精度所對應的各個參數(shù)作為最終的最優(yōu)參數(shù)加以保存。訓練完畢，把訓練過程中的核函數(shù)類型、拉式系數(shù)、支持向量和訓練偏差等信息保存進故障字典。
4)把待測電路的實際測量信號進行分數(shù)階小波包變換，并提取故障特征樣本，輸入至DAGSVC中進行測試，根據(jù)分類器的輸出即可確定故障模式。
分類器設計完畢，需要進行測試。測試樣本的獲取方法和訓練樣本的獲取方法完全一致利用測試信號激勵待測模擬電路，并在可測節(jié)點采集電路的輸出響應并進行分數(shù)階小波包分解，對分解系數(shù)進行特征提取操作，便形成了故障樣本。然后把故障特征樣本輸入至DAGSVC進行故障分類。
有向無環(huán)圖的結(jié)構(gòu)見圖2所示。常規(guī)的有向DDAG分類器具有多種可能結(jié)構(gòu)，存在很大的不確定性，此處的設計保證分類器的結(jié)構(gòu)具有唯一性。在進行測試的時候，在某個節(jié)點需要調(diào)用故障字典內(nèi)對應的存儲信息進行計算，比如在最頂層節(jié)點需要調(diào)用故障字典內(nèi)/。和^所組合形成的二元支持
向量機分類器的訓練信息，而不是其他二元支持向量機分類器的訓練信息。
權(quán)利要求
1、一種基于DAGSVC的模擬電路故障診斷方法，其特征在于包括如下步驟一. 構(gòu)建故障字典1)對模擬電路進行可測性分析，確定模擬電路的可測節(jié)點和測試激勵；2)對模擬電路施加與設置故障模式所對應的測試激勵，采用數(shù)據(jù)采集卡在步驟1所述的可測節(jié)點處采集模擬電路的輸出響應信號；3)將步驟2所述的輸出響應信號經(jīng)過分數(shù)階小波包變換和分解提取規(guī)格化處理之后的值作為故障特征；4)將步驟3所述的故障特征經(jīng)過歸一化得到故障樣本；5)將步驟4所述的故障樣本作為訓練樣本，將訓練樣本經(jīng)過常規(guī)的“1-v-1”支持向量機分類器分組訓練得到訓練參數(shù)形成故障字典；二. DAGSVC分類器設計和故障診斷6)在進行樣本測試時，按照一種預設計的有向無環(huán)圖結(jié)構(gòu)進行計算和判別，并提取故障字典內(nèi)的信息作為有向無環(huán)圖的節(jié)點，即形成了有向無環(huán)圖支持向量機分類器DAGSVC。7)重復步驟2至步驟4得到實際的故障樣本，將實際的故障樣本經(jīng)過步驟6所述的有向無環(huán)圖支持向量機分類器DAGSVC以輸出故障模式。
2、 根據(jù)權(quán)利要求1所述的基于DAGSVC的模擬電路故障診斷方法，其特 征在于所述有向無環(huán)圖支持向量才幾分類器DAGSVC的標記方法如下故障字典包含iV + l種故障模式，依次標記為/。， /，…，A,整個DAGSVC 從上向下分為7V + 1層，除最后一層外都帶節(jié)點，每個節(jié)點為一個二元支持向 量機分類器，最后一層為分開的各故障模式代碼；最頂層的節(jié)點標記為/。-表示/。和^兩個樣本集訓練成為一個基本的二元支持向量機分類器，且下標較小的樣本集在分類器訓練時作為"-1"標簽出現(xiàn)，另外一個作為"+l"標簽出現(xiàn)；第二層有兩個節(jié)點，左邊為 /。-v-y^，右邊為乂-v-厶；第三層有三個節(jié)點，左邊為/。-v-A-2，中間的節(jié)點為y;-v-y^，最右邊的節(jié)點為/2"-依此類推第/層節(jié)點有/個二元支持向量機分類器，依次為/。-v-/w+1_,、 ;.....Xv—其中iV為自然數(shù)，v是一個聯(lián)接符號，代表該節(jié)點是兩種故障模 式的樣本按照"1-v-l "支持向量機分類器訓練而成的。
3、根據(jù)權(quán)利要求1所述的基于DAGSVC的模擬電路故障診斷方法，其特 征在于所述有向無環(huán)圖支持向量機分類器DAGSVC的獲取方法包括如下步驟a) 把所有故障模式的樣本分為兩組訓練樣本和測試樣本，并且把不 同故障模式的訓練樣本兩兩分組并利用"1-v-1"支持向量機分類器訓練， 訓練的時候，對輸入的訓練樣本乘上一個縮放因子scaler,確定一定的 Mercer核函數(shù)類型和參數(shù)，當全部訓練完畢，利用"1-v-1"支持向量機分 類器對測試樣本進行診斷分類，并計算整體的故障診斷精度大小，取最高故 障診斷精度所對應的核函數(shù)類型及參數(shù)作為最終的最優(yōu)參數(shù)加以保存；對iV + l種故障模式，最終得到二元支持向量機分類器的個數(shù)為^H1個； b) 將步驟1所述的每個二元支持向量機分類器的訓練信息進組合以形 成一個表格，即一部完整的故障字典，當進行樣本測試時，按照一種預設計 的有向無環(huán)圖結(jié)構(gòu)進行計算和判別，并提取故障字典內(nèi)的信息作為有向無環(huán) 圖的節(jié)點，即形成了有向無環(huán)圖支持向量機分類器DAGSVC。
全文摘要
本發(fā)明公布了一種基于DAGSVC的模擬電路故障診斷方法，包括以下步驟對待測的模擬電路施加一定的測試激勵，在電路的可測節(jié)點采集待測電路輸出響應信號；對采集的電路輸出響應信號進行多階分數(shù)階小波包(FRWPT)變換并提取故障特征以形成測試樣本；利用故障字典的預儲存信息配合一種DAGSVC進行計算以實現(xiàn)故障的分類和定位。本發(fā)明采用的方法具有全局訓練最優(yōu)、所需的訓練樣本少、故障信息的分辨率高等優(yōu)點，能夠提高模擬電路的故障診斷精度和效率。
文檔編號G01R31/28GK101533068SQ20091002945
公開日2009年9月16日 申請日期2009年4月8日 優(yōu)先權(quán)日2009年4月8日
發(fā)明者江 崔, 王友仁, 慧 羅 申請人:南京航空航天大學