[發明專利]一種基于RCCA-SVM的非線性模擬電路故障診斷方法

有效

• 申請號: 201911191446.6
• 申請日: 2019-11-28
• 公開（公告）號: CN110879351B
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 李楊;張瑞;郭銀景;藺香運;郇鵬飛;王恒通;陳德龍;菅蕊;張傳濤
• 申請（專利權）人: 山東科技大學
• 主分類號: G01R31/316
• 分類號: G01R31/316
• 代理公司: 青島匯智海納知識產權代理有限公司 37335
• 代理人: 王丹丹

本發明公開一種基于RCCA?SVM的非線性模擬電路故障診斷方法，包括：(1)電路仿真與特征數據采集；(2)針對時域特征，提取其能量特征與峭度特征集合，并對能量特征、峭度特征與頻域特征進行向量表示；(3)對所有的特征數據進行加權特征優化處理；(4)將加權融合后的特征數據進行PCA降維，其中每個主成分都能反映原始變量的大部分信息，且所含信息互不重復；(5)基于SVM分類器對步驟(4)得到的最終的特征數據進行訓練，得到診斷精度值與診斷值。本方案利用多種模態特征的方法關注了特征權重的問題，基于多模態的特征的同時考慮數據之間的冗余性、相關性及特征權重對電路診斷結果的影響，有效提高提高整體診斷精度。

技術領域

本發明屬于非線性模擬電路的故障診斷領域，具體涉及一種基于RCCA-SVM的非線性模擬電路故障診斷方法。

背景技術

模擬電路故障診斷分為非線性和線性兩種，非線性模擬電路故障診斷中因其自身的器件容差、非線性、難以量化的固有特點，很難去準確判斷電路的工作狀態。而對于電路故障診斷其特征的處理方式將影響分類器的效果，所以對于模擬電路故障特征數據的處理為其中的重點之一。

而現有技術中，對于模擬電路故障診斷的特征數據提取往往來自于一個模態的信息，比如時域、頻域、或者統計特性數據等等，然后再對其進行分析，這樣就局限了特征數據的范圍，使得特征提取的不夠全面。也有一些方法采用多種模態的數據，但是在處理時多是直接將多模態數據簡單的并行結合，并沒有考慮特征之間的相關性、冗余性、與權重關系，進而會對電路故障診斷的精度造成影響。

考慮到非線性模擬電路的復雜性、部件容限等基本特性，相較與數字電路，模擬電路故障診斷的發展相對緩慢，針對目前模擬電路故障提取與診斷的問題和困難，亟需提出一種方法實現更好的非線性模擬電路故障診斷。

發明內容

考慮到非線性模擬電路本身的特性，即非線性故障特征提取比較復雜以及提取不夠全面等問題，本發明提出一種基于RCCA-SVM的非線性模擬電路故障診斷方法。

本發明是采用以下的技術方案實現的：一種基于RCCA-SVM的非線性模擬電路故障診斷方法，包括以下步驟：

步驟A、電路仿真與特征數據采集，所述特征數據包括電壓時域波形和頻域特征；

步驟B、針對故障電路輸出信號的電壓時域波形，提取其能量特征與峭度特征集合，并對能量特征、峭度特征與頻域特征進行向量表示；

步驟C、對故障電路輸出信號的所有的特征數據(即能量特征、峭度特征和頻域特征)進行加權特征優化處理：

步驟C1、特征權重求解與篩選：為了得到重要的特征信息，根據所有特征數據的權重值進行篩選；對特征數據進行ReliefF算法運算，基于特征距離得到各個特征數據的權重值，根據設定的權重閾值，對所有特征數據進行取舍，篩選留下權重值較大的特征數據；

步驟C2、基于權重值優化CCA算法：根據步驟C1中得到的能量特征與峭度值特征進行典型相關分析運算，得到加權后的模態間有關聯典型相關特征向量集f_rcca；

步驟D、將步驟C中加權融合后的特征數據進行PCA降維：將得到的特征向量集f_rcca與加權頻域特征并列表示為F_rcca，并對F_rcca進行PCA降維得到最終的特征數據，將多變量轉化為少數幾個綜合變量(即主成分)，其中每個主成分都能反映原始變量的大部分信息，且所含信息互不重復；

步驟E、SVM分類：基于SVM分類器對步驟D得到的最終的特征數據進行訓練，得到模擬故障電路的診斷精度值與診斷值。

進一步的，所述步驟A中，對電路仿真和特征數據采集時，采用以下方式：