[發明專利]一種基于廣義多核支持向量機的模擬電路故障診斷方法

有效

• 申請號: 201610056544.9
• 申請日: 2016-01-25
• 公開（公告）號: CN105548862B
• 公開（公告）日: 2019-02-05
• 發明（設計）人: 何怡剛;張朝龍;李志剛;佐磊
• 申請（專利權）人: 合肥工業大學
• 主分類號: G01R31/316
• 分類號: G01R31/316;G06K9/62
• 代理公司: 長沙星耀專利事務所(普通合伙) 43205
• 代理人: 黃美玲;寧星耀

一種基于廣義多核支持向量機的模擬電路故障診斷方法，包括以下步驟：（1）采集模擬電路的時域響應信號，即采集所述模擬電路的輸出電壓信號；（2）對采集的電壓信號進行小波變換，計算小波系數的能量作為特征參量，所有特征參量的集合即為樣本數據；（3）基于樣本數據，應用PSO優化廣義多核支持向量機的正則化參數和折衷參數，構建基于GMKL?SVM的故障診斷模型；（4）以建立的基于GMKL?SVM的故障診斷模型作為分類器，對模擬電路的故障進行診斷。該發明中GMKL?SVM的分類性能優于其他的分類算法，同時應用PSO優化GMKL?SVM參數的方法亦優于傳統獲取參數的方法，可高效地檢測出模擬電路的元件故障。

技術領域

本發明屬于機器學習及電子電路工程領域，涉及一種基于廣義多核支持向量機的模擬電路故障診斷方法。

背景技術

模擬電路廣泛地應用于家用電器﹑工業生產線﹑汽車以及航空航天等設備中，模擬電路的故障將會引起設備的性能下降﹑功能失靈﹑反應遲緩以及其他電子故障。正確地識別模擬電路的故障有助于電路的及時維護，因此對模擬電路進行故障診斷，是十分必要的。

針對模擬電路的故障診斷，已有研究工作采用人工神經網絡（Artificial NeuralNetwork，ANN）方法，然而ANN方法具有結構一般較難確定、算法收斂速度慢，并極易導致過擬合問題。支持向量機(support vector machine，SVM)建立在統計學習理論的VC維理論和結構風險最小原理基礎上，可較好解決分類中的小樣本問題和非線性問題，核函數的設定是SVM算法的關鍵，一般由用單核學習的方法，該方法操作簡單，但易于忽略輸入樣本中的有用信息，難以達到最優泛化能力。廣義多核學習方法(generalized multiple kernellearning，GMKL)方法線性組合L₁范式和L₂范式去約束核函數，實驗表明，廣義多核支持向量機(generalized multiple kernel learning- support vector machine，GMKL-SVM)在分類方面效率高于單核學習的SVM。GMKL-SVM中正則化參數和折衷參數是重要的參數，通常其正則化參數通過網格搜索方法獲得，而折衷參數則直接設置為0.5，該獲取方式不利于GMKL-SVM算法發揮其分類性能。

發明內容

本發明的目的是提供一種基于廣義多核支持向量機的模擬電路故障診斷方法，該方法首先提取模擬電路的時域響應信號，經小波分析后獲取小波系數能量特征參量，作為樣本數據。應用折衷參數和正則化參數由PSO算法優化的GMKL-SVM故障診斷模型對不同的故障類別進行區分。

本發明的目的是通過如下技術方案予以實現的：

一種基于廣義多核支持向量機(generalized multiple kernel learning-support vector machine，GMKL-SVM)的模擬電路故障診斷方法，包括以下步驟：

（1）采集模擬電路的時域響應信號，采集到的時域響應信號為所述模擬電路的輸出電壓信號；

（2）對采集的電壓信號進行小波變換，計算小波系數的能量作為特征參量，所有特征參量的集合即為樣本數據；

（3）基于樣本數據，應用粒子群算法(particle swarm optimization，PSO)優化廣義多核支持向量機的正則化參數和折衷參數，構建基于廣義多核支持向量機（GMKL-SVM）的故障診斷模型；

（4）以建立的基于廣義多核支持向量機的故障診斷模型作為分類器，對模擬電路的故障進行診斷。

進一步，所述步驟（1）中，被測模擬電路只有一個輸入端和一個輸出端，輸入端采用脈沖激勵，輸出端采樣電壓信號。

進一步，所述步驟（2）中，對采樣的電壓信號進行Haar小波變換。