[發(fā)明專利]基于粒子群優(yōu)化的流形SVM模擬電路故障診斷方法

在審

• 申請?zhí)枺?/td>: 201810339547.2
• 申請日: 2018-04-16
• 公開（公告）號: CN108615053A
• 公開（公告）日: 2018-10-02
• 發(fā)明（設計）人: 單劍鋒;楊雨
• 申請（專利權(quán)）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01R31/316;G06N3/00
• 代理公司: 江蘇愛信律師事務所 32241
• 代理人: 唐小紅

1.基于粒子群優(yōu)化的流形SVM模擬電路故障診斷方法，其特征在于，包括如下步驟：

1)用軟件模擬診斷對象的故障，并測出分類故障的準確率；

2)對于電路中的每一種故障用蒙特卡洛分析，檢測故障的特征信號，用小波包分析電路故障信號，基于最優(yōu)小波熵原則使信號分解具有最大規(guī)律性，提取每組信號最優(yōu)能量值為故障的特征值；

3)對故障分類時，選用考慮到數(shù)據(jù)內(nèi)部流形結(jié)構(gòu)的SVM，再使用改進權(quán)重的PSO算法對支持向量機中的參數(shù)進行尋優(yōu)，最后將一部分數(shù)據(jù)進行樣本訓練，剩余部分進行判別分析，從而得出分類的正確率。

2.如權(quán)利要求1所述的方法，其特征在于，在步驟1)中所用到的軟件為orcad以及Pspice。

3.如權(quán)利要求1所述的方法，其特征在于，步驟2)中提取的電路故障信號的步驟為：

(2-1)將所測量的信號進行3層小波包分解，能夠得出8個頻帶的小波包分解系數(shù)；

(2-2)在此基礎上構(gòu)建最優(yōu)小波樹，主要基于最優(yōu)能量熵：

a.計算出小波樹中每個節(jié)點的能量熵；

b.從最低一層小波包分解的子空間比較，若兩個子空間的熵值小于母空間熵，保留這兩個子空間，母空間的熵用這兩個子空間的熵之和代替，反之保留母空間，舍棄子空間；

c.最后將剩余最優(yōu)能量熵的系數(shù)重構(gòu)可得最優(yōu)小波樹，再計算該信號的能量值，作為故障信號的特征值。

4.如權(quán)利要求1所述的方法，其特征在于，在步驟3)中對故障分類時，構(gòu)造SVM時，將樣本數(shù)據(jù)之間的流形結(jié)構(gòu)考慮進去，該具體步驟如下：

3-1).同類數(shù)據(jù)之間構(gòu)造一個權(quán)重函數(shù)來刻畫樣本數(shù)據(jù)的流形局部幾何結(jié)構(gòu)，其權(quán)重函數(shù)為：

3-2)設定樣本的內(nèi)類相似度矩陣為：S＝ω(W'-W)ω，其中W_ij為同類的權(quán)重函數(shù)；

3-3)依此可以得到基于流形結(jié)構(gòu)的類內(nèi)離散度M＝μS+(1-μ)S_w，對于原始的最優(yōu)化問題可以描述為；

S.t y_i(W^TX_i+b)≥1-ξ_i i＝1,2...l。

5.如權(quán)利要求4所述的方法，其特征在于，在3-3)中將原始問題轉(zhuǎn)化為不等式約束下的優(yōu)化問題時，存在權(quán)重參數(shù)β以及懲罰參數(shù)C，使用改進的PSO算法對其中的參數(shù)進行尋優(yōu)，其步驟如下：

(1)從樣本集中獲取數(shù)據(jù)，產(chǎn)生初始粒子并建立粒子種群；

(2)對獲得的粒子種群初始化，設定公式中的一些參數(shù)；

(3)選取函數(shù)：為適應度函數(shù)，計算每個粒子的適應度值，其中y_i和分別代表數(shù)據(jù)集中真實值和測試值；

(4)通過適應度函數(shù)計算粒子的每個適應度值，并依此進行迭代更新個體最優(yōu)與全局最優(yōu)位置；

(5)如果迭代次數(shù)大于設定的最大次數(shù)T_max,或者最終結(jié)果小于精度值時，迭代結(jié)束，將最優(yōu)解輸出，否則執(zhí)行步驟(3)。

6.如權(quán)利要求1所述的方法，其特征在于，在進行步驟3)中的故障分類時，將所測得特征數(shù)據(jù)一部分用于訓練，剩余的用于分類判別，測得分類的正確率。