[發(fā)明專利]一種基于半監(jiān)督協(xié)同訓練的模擬電路早期故障診斷方法

有效

• 申請?zhí)枺?/td>: 201910765207.0
• 申請日: 2019-08-19
• 公開（公告）號: CN110503025B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設計）人: 屈劍鋒;曹珊珊;吳冬冬;房曉宇;李豪
• 申請（專利權）人: 重慶大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06F18/214;G06F18/20;G01R31/316
• 代理公司: 北京和聯(lián)順知識產(chǎn)權代理有限公司 11621
• 代理人: 余剛

1.一種基于半監(jiān)督協(xié)同訓練的模擬電路早期故障診斷方法，其特征在于，包括如下步驟：

1)首先采集模擬電路已知的故障信號和正常信號，對信號進行傅里葉變換得到頻譜圖，通過特定的算法對頻譜進行劃分，得到一組頻譜的分界線；

2)根據(jù)步驟1)得到的分界線，利用Meyer小波構(gòu)造方法構(gòu)造經(jīng)驗尺度函數(shù)和經(jīng)驗小波函數(shù)，得到正交小波濾波器，對頻譜進行經(jīng)驗小波變換，得到一組單分量或近似單分量的AM-FM成分；

3)對步驟2)中的AM-FM成分進行Hilbert變換得到Hilbert譜，之后通過Hilbert譜進行時頻分析；

4)對步驟3)中的每一段信號的能量進行計算疊加，利用能量熵對經(jīng)驗模態(tài)分量進行定量分析，從而進行故障識別和診斷；

5)將步驟4)中的診斷結(jié)果來分別訓練隱馬爾可夫型HMM和支持向量機SVM分類器；

6)使用半監(jiān)督協(xié)同訓練算法，首先通過步驟5)訓練樣分類器，然后用訓練后的分類器不斷的標記無標簽數(shù)據(jù)，并選擇置信度高的樣本加入到訓練集，重新訓練分類器，直到滿足一個預定義的停止標準，從而實現(xiàn)模擬電路早期故障的診斷；

所述步驟1)對已知信號進行傅里葉變換得到頻譜圖，然后對進行頻譜劃分，得到頻譜分界線；先求出頻譜的所有局部最大值，將所有極大值按降序排列并歸一化為0到1；最大的極大值為M1，最小的極大值為MM，然后定義閾值為T＝M_M+α(M₁+M_M)，α∈(0，1)；給定α值后，記大于閾值的局部極大值個數(shù)為N，取前N個局部極大值，兩兩相加除以2求取邊界。

2.根據(jù)權利要求1所述的一種基于半監(jiān)督協(xié)同訓練的模擬電路早期故障診斷方法，其特征在于，所述步驟2)根據(jù)分界線，構(gòu)造的經(jīng)驗尺度函數(shù)和經(jīng)驗小波函數(shù)，計算得到正交小波濾波器，Meyer小波經(jīng)驗尺度函數(shù)和經(jīng)驗小波函數(shù)分別如式(1)和式(2)所示：

經(jīng)驗小波變換細節(jié)系數(shù)可由信號與經(jīng)驗小波函數(shù)內(nèi)積產(chǎn)生，用表示近似系數(shù)，則其可由信號與經(jīng)驗尺度函數(shù)內(nèi)積產(chǎn)生：

和分別是和的傅里葉變換，經(jīng)驗模態(tài)f_i可定義如式(5)所示；

3.根據(jù)權利要求1所述的一種基于半監(jiān)督協(xié)同訓練的模擬電路早期故障診斷方法，其特征在于，所述步驟3)的Hilbert變換為：

4.根據(jù)權利要求1所述的一種基于半監(jiān)督協(xié)同訓練的模擬電路早期故障診斷方法，其特征在于，所述步驟4)對EWF分量的能量進行疊加，利用能量熵對經(jīng)驗模態(tài)分量進行定量分析，以便能夠直觀地對信號特征進行提取；

首先計算各EWF分量與原信號之間的相關系數(shù)——r_j(j＝1，2，…，N)，即

然后選取各個EWF分量的能量E_j，如式(8)所示；

根據(jù)各EWF分量的能量構(gòu)造原始信號的特征矢量V，以表示信號特征所體現(xiàn)的狀態(tài)信息，如式(9)所示；

V＝[v₁，v₂…v_p]????(9)

式中：p為所選取的EWF分量個數(shù)，

5.根據(jù)權利要求1所述的一種基于半監(jiān)督協(xié)同訓練的模擬電路早期故障診斷方法，其特征在于，所述步驟5)將正常信號和故障信號的能量v_j用于訓練隱馬爾可夫型HMM和支持向量機SVM分類器。

6.根據(jù)權利要求1所述的一種基于半監(jiān)督協(xié)同訓練的模擬電路早期故障診斷方法，其特征在于，所述步驟6)使用半監(jiān)督協(xié)同訓練算法，首先用少量的有標簽數(shù)據(jù)訓練樣分類器，然后用訓練后的分類器不斷的標記無標簽數(shù)據(jù)，并選擇置信度高的樣本加入到訓練集，重新訓練分類器，直到滿足一個預定義的停止標準，從而實現(xiàn)模擬電路早期故障的診斷。