[發明專利]基于粒子群優化的流形SVM模擬電路故障診斷方法

在審

• 申請號: 201810339547.2
• 申請日: 2018-04-16
• 公開（公告）號: CN108615053A
• 公開（公告）日: 2018-10-02
• 發明（設計）人: 單劍鋒;楊雨
• 申請（專利權）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

本發明公開了基于粒子群優化的流形SVM模擬電路故障診斷方法，主要步驟為：用軟件模擬診斷對象的故障；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，用小波包將故障信號分解，基于最優小波熵原則使信號分解具有最大規律性，提取每組信號最優能量值為故障的特征值；對故障分類之前使用粒子群算法，對考慮到樣本數據類間間隔的支持向量中的權重參數以及懲罰參數進行參數尋優，使SVM的最優超平面具有更好的分類效果，提高故障診斷的正確率。

技術領域

本發明屬于模擬電路技術領域，是一種基于粒子群優化的流形SVM模擬電路故障診斷方法，主要應用于模擬電路的故障診斷，主要是基于小波包最優能量熵和流形結構，并用權重改進的粒子群算法對參數優化過的SVM(Support Vector Machine，支持向量機)模擬電路故障診斷。

背景技術

大數據時代的到來使得工業智能化迅猛發展，模擬電路也隨之出現在各個領域，對于電路出現故障的診斷也就變得尤為重要。但是模擬電路復雜多樣，故障參數連續，元器件容差等多種因素限制了其診斷技術的發展。人工智能概念的普及促進了機器學習算法的發展，更多學者將其運用于模擬電路的故障診斷。辛健等人提出小波變換與神經網絡相結合的方法，但神經網絡本身存在不足，訓練樣本多、存在過學習、魯棒性差等問題。何擁軍，曾文英等人提出了信息熵支持向量機算法來診斷傳感器電路的故障，雖然提高了泛化能力，縮短了診斷時間，但卻忽略了數據內部的結構特征，無法得出準確的診斷信息，影響了SVM的分類性能。本文提出了基于粒子群優化的流形SVM，融合數據分布結構的先驗信息，同時將粒子群算法與支持向量機相結合，對其中的參數進行優化，能夠有效地增強SVM的診斷效果。

發明內容

針對現有技術的缺陷，本發明提出了基于粒子群優化的流形SVM模擬電路故障診斷，可以更快更準確的診斷出模擬電路出現的故障。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，基于最優小波熵原則使信號分解具有最大規律性，提取每組信號最優能量值為故障的特征值；

3)對故障分類時，選用考慮到數據內部流形結構的SVM，再使用改進權重的PSO算法對支持向量機中的參數進行尋優，最后將一部分數據進行樣本訓練，剩余部分進行判別分析，從而得出分類的正確率。

在1)中所用到的軟件為orcad以及Pspice。

對于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

(2-2)在此基礎上構建最優小波樹，主要基于最優能量熵：

a.計算出小波樹中每個節點的能量熵；

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.最后將剩余最優能量熵的系數重構可得最優小波樹，再計算該信號的能量值，作為故障信號的特征值；

在3)中對故障分類時，構造SVM時，主要將樣本數據之間的流形結構考慮進去，該方法步驟如下：

3-1).同類數據之間構造一個權重函數來刻畫樣本數據的流形局部幾何結構，其權重函數為：

3-2)設定樣本的內類相似度矩陣為：S＝ω(W'-W)ω，其中為同類的權重函數。

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