專利名稱：基于支持向量分類的功率電子電路健康監(jiān)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于支持向量分類的功率電子電路健康監(jiān)測方法，屬于電路網(wǎng)絡(luò)測試領(lǐng)域。
背景技術(shù)：
功率電子電路的故障診斷技術(shù)在各個領(lǐng)域得到了廣泛的研究和應(yīng)用，但基于電路健康評估和監(jiān)測方面的研究和應(yīng)用顯得較少。功率電子電路的健康監(jiān)測十分重要，根據(jù)電路的健康狀況可以十分方便的實施電路的故障預(yù)測與健康管理(PHM)。功率電子電路的PHM主要分為三類基于Canary的預(yù)警裝置應(yīng)用與設(shè)計；故障預(yù)兆推理和監(jiān)控；損傷累積建模與分析。此處所采用的功率電子電路健康監(jiān)測方法屬于第二類，主要包括電路的健康評估、故障檢測與故障分類等關(guān)鍵技術(shù)。目前，模式識別與人工智能等基于數(shù)據(jù)驅(qū)動技術(shù)的運(yùn)用是功率電子電路健康監(jiān)測與評估研究中的熱點。在這些方法中，支持向量機(jī)以其外推能力強(qiáng)、學(xué)習(xí)樣本稀疏、對樣本的數(shù)據(jù)維數(shù)不敏感等優(yōu)點，已經(jīng)成為繼建模分析、神經(jīng)網(wǎng)絡(luò)等方法后的又一個研究重點。支持向量機(jī)功能較強(qiáng)，在診斷領(lǐng)域可以實施故障診斷和定位、故障檢測和預(yù)測等。但常規(guī)支持向量機(jī)不能直接用于多分模式識別，必須進(jìn)行一定的重新設(shè)計才能完成此類工作。目前，主要的設(shè)計思路包括兩種組合單類支持向量機(jī)分類器、直接設(shè)計一個多類支持向量機(jī)分類器。目前，典型設(shè)計中以前者居多。M-ary SVC是目前所有方法中已知所需單分類器數(shù)目最小的一種多分類方法，決策也十分簡單。但這種方法沒有充分考慮各種模式的優(yōu)化組合，因而造成了不同的分類器結(jié)構(gòu)，因而可能導(dǎo)致不同的測試性能。如果在機(jī)器學(xué)習(xí)之前，能夠考慮各種訓(xùn)練模式的優(yōu)化組合，并重新組織分類器的訓(xùn)練結(jié)構(gòu)，則可以較好的解決這一問題。

發(fā)明內(nèi)容
為了解決上述問題，本發(fā)明提出了一種基于支持向量分類(SVC)的功率電子電路健康監(jiān)測方法，該方法基于改進(jìn)型的M-ary SVC進(jìn)行故障分類和定位，并借助于SVDD方法實施故障訓(xùn)練，可提高功率電子電路的故障診斷效率。本發(fā)明為解決其技術(shù)問題采用如下技術(shù)方案
一種基于支持向量分類的功率電子電路健康監(jiān)測方法，包括如下步驟
1)對待測的功率電子電路進(jìn)行可測性分析，確定電路故障的層次、類型和數(shù)目并采用軟件進(jìn)行仿真；
2)進(jìn)行離線操作包括數(shù)據(jù)采集、故障特征提取、分類器訓(xùn)練和故障字典的構(gòu)建，所述故障特征提取，采用快速傅里葉分析方法或小波包分析方法；所述分類器訓(xùn)練包括SVDD訓(xùn)練方法，即支持向量機(jī)數(shù)據(jù)描述訓(xùn)練方法和SVC訓(xùn)練方法，即支持向量機(jī)分類器訓(xùn)練方法，其中，SVDD訓(xùn)練方法是一種單類分類方法，SVC訓(xùn)練方法是一種多類分類方法，利用SVDD訓(xùn)練方法把健康態(tài)的樣本和故障態(tài)的樣本分別進(jìn)行訓(xùn)練，得到兩組訓(xùn)練參數(shù)，把兩組訓(xùn)練參數(shù)依次放入存儲器中進(jìn)行存儲，形成兩個故障字典，分別稱為故障字典1 和故障字典Ff ； SVC的訓(xùn)練是采用M-ary支持向量機(jī)分類器進(jìn)行訓(xùn)練，這種分類器是一種多分類器，此處把故障態(tài)樣本進(jìn)行SVC訓(xùn)練，得到對應(yīng)的訓(xùn)練參數(shù)，把所有的訓(xùn)練參數(shù)保存進(jìn)存儲器，即形成了故障字典Fm;
3)在進(jìn)行實際電路的在線監(jiān)測時，利用可測點采集故障信息，并利用步驟2)中同樣的故障特征提取方法實施故障信息壓縮和提取，并利用離線操作中的故障字典對該故障樣本進(jìn)行狀態(tài)決策與狀態(tài)評估，具體步驟
①首先調(diào)取故障字典Ff，判斷樣本是否屬于有故障狀態(tài)，如果是，則轉(zhuǎn)向步驟③，否則，轉(zhuǎn)向步驟②；
②調(diào)取故障字典冊，判斷樣本是否屬于健康態(tài)，如果是，則轉(zhuǎn)向第③步，否則，報警產(chǎn)生新故障；
③調(diào)取故障字典Fm，按照前面所述的調(diào)整之后的訓(xùn)練結(jié)構(gòu)進(jìn)行故障定位，并輸出所定位的故障模式；
④狀態(tài)評估的方法如下如果當(dāng)前樣本的狀態(tài)屬于健康態(tài)，則計算當(dāng)前的樣本與球心距之間的距離distx，并設(shè)定一定的閾值，即基線baseline，判斷如果distX<baseline，則表明當(dāng)前的系統(tǒng)屬于健康態(tài)，工作狀態(tài)良好；如果distx Skiseline，則表明系統(tǒng)健康出現(xiàn)問題，可能出現(xiàn)故障的概率較大。所述步驟2)中的分類器是M-ary支持向量分類器，進(jìn)行機(jī)器學(xué)習(xí)時所需的訓(xùn)練樣本標(biāo)簽分配，具體步驟如下
①計算所需的M-arySVC子分類器的個數(shù)；
②按照基于數(shù)字編碼方法，使得子分類器進(jìn)行排列，子分類器的排列按照自后往前或從左到右排列，每一列稱為一層，最左邊的列為第一層，最右邊的列稱為最后一層，每一列對應(yīng)全部的故障模式，即某個子分類器的樣本標(biāo)簽劃分是在稱為一層的概念上開展的；
③設(shè)計第一層SVC分類器的結(jié)構(gòu)，即重新安排樣本標(biāo)簽，再按照順序，依次設(shè)計其他層的SVC結(jié)構(gòu)，直至第一個SVC為止；此處定義兩個概念宏和子宏。所謂宏是針對某層 SVC的訓(xùn)練樣本集而言的，在本層內(nèi)，包含屬于“-1，，標(biāo)簽或“+1，，標(biāo)簽的模式類的集合都稱為一個宏；子宏是由上層的宏或宏內(nèi)的子宏分解而來，每個上層的宏總是分解為一個或兩個子宏，這兩個子宏之間還需重新調(diào)整樣本的標(biāo)簽，即重新調(diào)整為兩個新宏，由此，某層SVC 的宏既包括一個子宏，也包括多個來自上層分解的子宏，最后一層的子宏數(shù)目最多，且每個子宏僅包括一種模式類，表明所有的模式類均已經(jīng)分開，此處利用最小距離方法把一個宏分解為子宏，是由于對一個宏內(nèi)的模式類而言，總是存在某幾個模式類之間的歐式距離和最小，把這幾個模式類劃入到一個子宏內(nèi)，剩余模式類劃入另外一個子宏；
④按照步驟③得到的宏的結(jié)構(gòu)安排SVC訓(xùn)練，每層經(jīng)過訓(xùn)練之后得到的訓(xùn)練參數(shù)放入存儲器中進(jìn)行保存，形成一個二元支持向量機(jī)分類器BSVC ；
⑤保存所有的BSVC參數(shù)即整體形成一部故障字典Fm，以用于多故障模式分類。本發(fā)明的有益效果如下
1、通過對M-ary支持向量機(jī)的訓(xùn)練結(jié)構(gòu)進(jìn)行調(diào)整，能夠顯著優(yōu)化該分類器的結(jié)構(gòu)，從而達(dá)到提高訓(xùn)練效率，減少支持向量，并提高測試效率的目的。2、通過借助SVDD的異常檢測機(jī)制對故障進(jìn)行訓(xùn)練，可以提高監(jiān)測系統(tǒng)對新故障和未知故障的監(jiān)測能力，以達(dá)到提高監(jiān)測性能的目的。3、通過借助支持向量分析方法(即SVC與SVDD的聯(lián)合判決)，可以提高功率電子電路故障監(jiān)測和評估的自動化程度和診斷效率，可以應(yīng)用在功率電子電路系統(tǒng)的離線和在線故障診斷(板級和系統(tǒng)級)。


圖1基于支持向量分類的功率電子電路狀態(tài)監(jiān)測流程圖。
具體實施例方式
下面結(jié)合附圖對本發(fā)明創(chuàng)造作進(jìn)一步的詳細(xì)說明。本發(fā)明設(shè)計了一種基于支持向量分類的功率電子電路健康監(jiān)測方法，該方法主要包括故障模式設(shè)計和電路可測性分析、離線操作與在線操作三部分。所采用的步驟流程如圖1所示。具體操作包括如下步驟
一、故障模式設(shè)計和電路可測性分析。在采用本方法之前，首先需要對待測的功率電子電路進(jìn)行故障模式的分析，確定故障的層次(即故障屬于器件級、模塊級還是子系統(tǒng)級)、類型(例如是單軟故障還是多軟故障，是單硬故障還是多硬故障，還是軟故障與硬故障的并存)和數(shù)目(即有多少個器件是潛在的故障源，是否要考慮二種或二種以上器件的故障組合等)。一般的，故障層次、類型和數(shù)目的確定往往隨對象的用途、規(guī)模和診斷要求不同而不同，例如，對于含開關(guān)管較多的功率驅(qū)動電路或可靠性要求較高的功率電路而言，診斷的層次往往需要診斷至器件級，器件故障以多硬故障為主；對于拓?fù)浣Y(jié)構(gòu)復(fù)雜且模塊化明顯的功率電子電路而言，診斷的層次往往需要診斷至模塊級；當(dāng)診斷面向的對象是一個結(jié)構(gòu)復(fù)雜、包含多個電路模塊的網(wǎng)狀系統(tǒng)時，此時的診斷層次往往是子系統(tǒng)級。目前大部分的故障診斷系統(tǒng)考慮較多的是單故障模式，因為單故障的產(chǎn)生概率較大。此處，假設(shè)需要在線診斷的故障模式一共有N種(電路的正常情況往往也作為其中一種特殊的故障模式列入)。另外，還需要確定哪些元件是需要進(jìn)行監(jiān)測的(即在實際應(yīng)用中容易產(chǎn)生故障的器件，或者，這些器件十分重要，一旦產(chǎn)生故障可能會導(dǎo)致整個系統(tǒng)的崩潰，這些器件都是需要考慮的)，或者哪些節(jié)點是可測節(jié)點(即通過這些節(jié)點可以采集到反映故障模式的信息)，或哪些故障信息類型(即采集的信息是電壓還是電流)可以實施后續(xù)的故障判別。上述這些工作可以采用仿真軟件PSpice或Saber等軟件進(jìn)行，采用軟件進(jìn)行仿真時，需要在軟件內(nèi)部繪制原理圖，并根據(jù)實際電路系統(tǒng)可能出現(xiàn)的故障模式進(jìn)行設(shè)置，例如，如果設(shè)置電阻器件出現(xiàn)了開路硬故障，可以在電阻的一端串聯(lián)一個極大的電阻(例如 100 ΜΩ)加以仿真和模擬。同時，可借助于軟件自帶的功能進(jìn)行各種情況下的仿真模擬，例如Monte Carlo分析用于設(shè)置容差器件的分析等。軟件分析可以提供所有的可測節(jié)點的電壓輸出信息，也包括各個支路的電流等信息。因此，采集這些信息并進(jìn)行定性或定量分析， 分辨出哪些節(jié)點和信息類型有利于進(jìn)行故障信息采集，并在能夠分辨所有故障模式的前提下，確保所利用的可測節(jié)點數(shù)和故障信息類型數(shù)最少。二、離線操作。離線操作主要包括數(shù)據(jù)采集、特征提取與分類器訓(xùn)練三個部分。<1>數(shù)據(jù)采集(即A/D轉(zhuǎn)換)。因為本發(fā)明的分類器由多個支持向量分類器構(gòu)成，需要采用基于監(jiān)督機(jī)制的機(jī)器學(xué)習(xí)方法進(jìn)行訓(xùn)練，故需要一定的故障特征樣本。樣本的獲取既可以采用歷史真實樣本獲取，也可以采用仿真軟件加以實現(xiàn)。如果采用仿真方式獲取故障樣本，需要考慮實際應(yīng)用中元件容差的影響，此處采用Monte Carlo算法進(jìn)行模擬，Monte Carlo分析可以采用均勻或正態(tài)分布。
6
在進(jìn)行實際的硬件數(shù)據(jù)采集時，還需要特別考慮診斷所需的傳感器類型和精度如果采集的為電流信號，則需要通過硬件電路(例如霍爾器件)把電流信號轉(zhuǎn)換為電壓信號再進(jìn)行數(shù)據(jù)采集。ADC的采樣速率、精度和數(shù)據(jù)點個數(shù)等可根據(jù)實際需要確定，比如，數(shù)據(jù)采集的AD轉(zhuǎn)換器精度為14位，采樣率 f =IMHz。<2>故障特征提取。對采集到的數(shù)據(jù)樣本進(jìn)行故障特征提取，以壓縮數(shù)據(jù)并去除高頻噪聲的干擾。故障特征提取的方法很多，可以采用快速傅里葉分析(FFT)或小波包分
析。以小波包分析為例，設(shè)為原始信號S經(jīng)小波包分解后的第i層(i=l，2，…，乃的第 J·個節(jié)點的小波包分解系數(shù)， 為巧的單支重構(gòu)信號，則總信號S可等價于如下形式
I 1'
1-1 J-I
當(dāng)功率電子電路工作不正常，開始出現(xiàn)故障或預(yù)兆時，對經(jīng)過小波包分解的各個系數(shù)都會產(chǎn)生一定的影響。由小波分解原理可知，低頻系數(shù)包含了樣本的原始輪廓，雖然高頻系數(shù)包含了某些故障特征的變化，但受噪聲干擾也十分嚴(yán)重，因此，為了盡量減少功率電子電路工作時各種噪聲對樣本的干擾，此處僅采用第ri層的小波包變換的低頻系數(shù)作為故障特征矢量。為了進(jìn)一步壓縮數(shù)據(jù)維，對每層的小波系數(shù)進(jìn)行規(guī)格化操作，規(guī)格化函數(shù)為 norai(·)。其中，norai( = maE(sum(abs(·))) , abs(·)為矢量取絕對值函數(shù)，sum(·)表示矢量的
求和函數(shù)，maK(·)表示取矢量的最大值函數(shù)。 把所有節(jié)點的規(guī)格化數(shù)據(jù)進(jìn)行組合之后，合并成為一個維矢量
權(quán)利要求
1.一種基于支持向量分類的功率電子電路健康監(jiān)測方法，其特征在于，包括如下步驟1)對待測的功率電子電路進(jìn)行可測性分析，確定電路故障的層次、類型和數(shù)目并采用軟件進(jìn)行仿真；2)進(jìn)行離線操作包括數(shù)據(jù)采集、故障特征提取、分類器訓(xùn)練和故障字典的構(gòu)建，所述故障特征提取，采用快速傅里葉分析方法或小波包分析方法；所述分類器訓(xùn)練包括SVDD訓(xùn)練方法，即支持向量機(jī)數(shù)據(jù)描述訓(xùn)練方法和SVC訓(xùn)練方法，即支持向量機(jī)分類器訓(xùn)練方法，其中，SVDD訓(xùn)練方法是一種單類分類方法，SVC訓(xùn)練方法是一種多類分類方法，利用SVDD訓(xùn)練方法把健康態(tài)的樣本和故障態(tài)的樣本分別進(jìn)行訓(xùn)練，得到兩組訓(xùn)練參數(shù)，把兩組訓(xùn)練參數(shù)依次放入存儲器中進(jìn)行存儲，形成兩個故障字典，分別稱為故障字典1 和故障字典Ff ； SVC的訓(xùn)練是采用M-ary支持向量機(jī)分類器進(jìn)行訓(xùn)練，這種分類器是一種多分類器，此處把故障態(tài)樣本進(jìn)行SVC訓(xùn)練，得到對應(yīng)的訓(xùn)練參數(shù)，把所有的訓(xùn)練參數(shù)保存進(jìn)存儲器，即形成了故障字典Fm;3)在進(jìn)行實際電路的在線監(jiān)測時，利用可測點采集故障信息，并利用步驟2)中同樣的故障特征提取方法實施故障信息壓縮和提取，并利用離線操作中的故障字典對該故障樣本進(jìn)行狀態(tài)決策與狀態(tài)評估，具體步驟①首先調(diào)取故障字典Ff，判斷樣本是否屬于有故障狀態(tài)，如果是，則轉(zhuǎn)向第③，否則， 轉(zhuǎn)向步驟②；②調(diào)取故障字典冊，判斷樣本是否屬于健康態(tài)，如果是，則轉(zhuǎn)向第③步，否則，報警產(chǎn)生新故障；③調(diào)取故障字典Fm，按照前面所述的調(diào)整之后的訓(xùn)練結(jié)構(gòu)進(jìn)行故障定位，并輸出所定位的故障模式；④狀態(tài)評估的方法如下如果當(dāng)前樣本的狀態(tài)屬于健康態(tài)，則計算當(dāng)前的樣本與球心距之間的距離distx，并設(shè)定一定的閾值，即基線baseline，判斷如果distX<baseline，則表明當(dāng)前的系統(tǒng)屬于健康態(tài)，工作狀態(tài)良好；如果distx Skiseline，則表明系統(tǒng)健康出現(xiàn)問題，可能出現(xiàn)故障的概率較大。
2.根據(jù)權(quán)利要求1所述的基于支持向量分類的功率電子電路健康監(jiān)測方法，其特征在于所述步驟2)中的分類器是M-ary支持向量分類器，進(jìn)行機(jī)器學(xué)習(xí)時所需的訓(xùn)練樣本標(biāo)簽分配，具體步驟如下①計算所需的M-arySVC子分類器的個數(shù)；②按照基于數(shù)字編碼方法，使得子分類器進(jìn)行排列，子分類器的排列按照自后往前或從左到右排列，每一列稱為一層，最左邊的列為第一層，最右邊的列稱為最后一層，每一列對應(yīng)全部的故障模式，即某個子分類器的樣本標(biāo)簽劃分是在稱為一層的概念上開展的；③設(shè)計第一層SVC分類器的結(jié)構(gòu)，即重新安排樣本標(biāo)簽，再按照順序，依次設(shè)計其他層的SVC結(jié)構(gòu)，直至第一個SVC為止；此處定義兩個概念宏和子宏，所謂宏是針對某層SVC 的訓(xùn)練樣本集而言的，在本層內(nèi)，包含屬于“_1”標(biāo)簽或“+1”標(biāo)簽的模式類的集合都稱為一個宏；子宏是由上層的宏或宏內(nèi)的子宏分解而來，每個上層的宏總是分解為一個或兩個子宏，這兩個子宏之間還需重新調(diào)整樣本的標(biāo)簽，即重新調(diào)整為兩個新宏，由此，某層SVC的宏既包括一個子宏，也包括多個來自上層分解的子宏，最后一層的子宏數(shù)目最多，且每個子宏僅包括一種模式類，表明所有的模式類均已經(jīng)分開，此處利用最小距離方法把一個宏分解為子宏，是由于對一個宏內(nèi)的模式類而言，總是存在某幾個模式類之間的歐式距離和最小，把這幾個模式類劃入到一個子宏內(nèi)，剩余模式類劃入另外一個子宏；④按照步驟③得到的宏的結(jié)構(gòu)安排SVC訓(xùn)練，每層經(jīng)過訓(xùn)練之后得到的訓(xùn)練參數(shù)放入存儲器中進(jìn)行保存，形成一個二元支持向量機(jī)分類器BSVC ；⑤保存所有的BSVC參數(shù)即整體形成一部故障字典Fm，以用于多故障模式分類。
全文摘要
一種基于支持向量分類的功率電子電路的健康監(jiān)測方法，屬于電路網(wǎng)絡(luò)測試領(lǐng)域。該方法包括如下步驟1)對待測的功率電子電路進(jìn)行可測性分析，確定電路故障的層次、類型和數(shù)目并采用軟件進(jìn)行仿真；2)進(jìn)行離線操作包括數(shù)據(jù)采集、特征提取、分類器訓(xùn)練和故障字典的構(gòu)建；3)在進(jìn)行實際電路的在線監(jiān)測時，利用可測點采集故障信息，并利用步驟2)中同樣的故障特征提取方法實施故障信息壓縮和提取，并利用離線操作中的故障字典對該故障樣本進(jìn)行狀態(tài)決策與狀態(tài)評估。本發(fā)明具有子分類器數(shù)目少、方法簡便、可靠性高等優(yōu)點，能夠?qū)嵤┕β孰娮与娐返慕】翟u估和未知故障分類，因而可以提高功率電子電路的自動化程度和故障診斷效率。
文檔編號G01R31/08GK102435910SQ201110270118
公開日2012年5月2日 申請日期2011年9月14日 優(yōu)先權(quán)日2011年9月14日
發(fā)明者吳鑫, 崔江, 王友仁, 陳則王 申請人:南京航空航天大學(xué)