專利名稱：：一種基于支持向量機(jī)的模擬電路故障診斷方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種模擬電路故障診斷方法，特別涉及一種基于支持向量機(jī)的模擬電路故障診斷方法。技術(shù)背景模擬電路故障診斷歸根到底是一個模式分類問題，即根據(jù)測量數(shù)據(jù)判斷電路狀態(tài)屬于哪個故障類。近幾年來較常用的方法是利用神經(jīng)網(wǎng)絡(luò)來進(jìn)行模擬電路故障診斷。但神經(jīng)網(wǎng)絡(luò)理論上有較多的缺陷無法圓滿解決，例如結(jié)構(gòu)選擇、局部極值、過學(xué)習(xí)等問題，其中最重要的問題就是推廣能力不足，在學(xué)習(xí)樣本不完備的情況下難以得到準(zhǔn)確的診斷結(jié)論，不能很好的解決實際問題中小樣本問題。而實際工程中的故障診斷問題往往很難得到大量樣本，因此故障樣本的缺乏成為制約神經(jīng)網(wǎng)絡(luò)用于故障診斷的瓶頸問題。而基于結(jié)構(gòu)風(fēng)險最小化的支持向量機(jī)適用于小樣本情況，用于故障診斷有更好的適應(yīng)能力，更高的分類準(zhǔn)確率，更適用于解決實際的工程問題。支持向量機(jī)(SupportVectorMachine,SVM)是以結(jié)構(gòu)風(fēng)險最小化原則為理論基礎(chǔ)而建立的新的機(jī)器學(xué)習(xí)算法，專門針對少樣本情況下的機(jī)器學(xué)習(xí)問題，目前主要應(yīng)用與模式識別，回歸估計，概率密度函數(shù)估計等方面。在故障模式的識別中，SVM能在少訓(xùn)練樣本的前提下，考慮對漸進(jìn)性能的要求，在現(xiàn)有有限信息的條件下得到最優(yōu)的結(jié)果。SVM的應(yīng)用研究雖然已經(jīng)取得了階段性研究成果，但還有一些問題需要進(jìn)一步深入研究，其中最重要最核心的問題是SVM中核函數(shù)及其參數(shù)的選擇，目前仍沒有一個統(tǒng)一的模式，多是采用憑借經(jīng)驗選擇，大范圍搜索或驗證的方法進(jìn)行尋優(yōu)。目前，SVM中的RBF核函數(shù)參數(shù)(y，c)的求解方法有以下幾種第一種方法是網(wǎng)格搜索法，利用不同的(y,C)取值對應(yīng)的不同的SVM的性質(zhì)，在直線log"IogC-bgy附近尋優(yōu)，此方法計算量小，費時少，但學(xué)習(xí)精度略低；第二種方法是網(wǎng)格搜索法，此方法分別對參數(shù)C和y取X個值和Y個值，再對其所有組合一一對應(yīng)的SVM分別進(jìn)行訓(xùn)練并計算其學(xué)習(xí)性能，從而找出最優(yōu)的參數(shù)組合，優(yōu)點是可以并行處理每個SVM的訓(xùn)練，且具有較高的學(xué)習(xí)精度，但估算范圍難以確定且計算量大，費時較多。由上述可知，目前存在的核函數(shù)參數(shù)(y，C)的尋優(yōu)方法均有尚待完善之處，存在無法兼顧小計算量和高學(xué)習(xí)精度的難題。
發(fā)明內(nèi)容為解決支持向量機(jī)用于模擬電路故障診斷所存在的技術(shù)問題，本發(fā)明提供一種基于支持向量機(jī)的模擬電路故障診斷方法，本發(fā)明利用改進(jìn)螞蟻算法優(yōu)化RBF核函數(shù)參數(shù)，具有速度快，準(zhǔn)確率高，泛化能力強(qiáng)的優(yōu)點。本發(fā)明解決上述技術(shù)問題的技術(shù)方案包括以下步驟1)、對待測電路進(jìn)行靈敏度分析，確定電路的測試節(jié)點；2)、針對典型故障情況，對電路進(jìn)行仿真得到可及點電壓值，一部分作為SVM的訓(xùn)練樣本，一部分作為測試樣本，并存入存儲器；3)、利用改進(jìn)螞蟻算法進(jìn)行RBF核函數(shù)參數(shù)(y,C)的選擇，即在螞蟻算法的路徑中，交替使用概率選擇和隨機(jī)選擇的方法；4)、依據(jù)故障類別個數(shù)決定構(gòu)建的SVM個數(shù)。一組訓(xùn)練好的SVM故障診斷分類器，對每個測試樣本，應(yīng)只有其中一個SVM的輸出為1，否則，表示出錯，應(yīng)重新進(jìn)行訓(xùn)練；5)、用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，并將訓(xùn)練后的結(jié)果以及誤差存入存儲器中；6)、測量待測電路的實際電壓信號，將其輸入訓(xùn)練好的SVM，分析SVM的穩(wěn)態(tài)輸出，得到故障的類型，完成模式識別，實現(xiàn)故障診斷。本發(fā)明的技術(shù)效果在于本發(fā)明在傳統(tǒng)螞蟻算法的概率路徑選擇中加入隨機(jī)選擇算子，可使尋優(yōu)過程能在保留前次搜索產(chǎn)生的較好解和隨機(jī)尋得的較好解之間取得平衡。在原算法的基礎(chǔ)上，提高螞蟻選擇路徑的隨機(jī)性，相當(dāng)于變異出不同的解，使尋優(yōu)過程從傳統(tǒng)算法中易出現(xiàn)的停滯狀態(tài)中擺脫出來。用此方法的尋優(yōu)結(jié)果做核函數(shù)參數(shù)的SVM，用于模擬電路故障診斷時，具有更高的診斷精度和更快的訓(xùn)練速度，且更適用于實際工程問題中的小樣本情況。圖1為本發(fā)明的流程圖。圖2為本發(fā)明中改進(jìn)螞蟻算法的流程圖。具體技術(shù)方案下面結(jié)合附圖對本發(fā)明進(jìn)一步的說明。本發(fā)明的流程圖如圖1所示，其具體過程如下-(1)測前準(zhǔn)備部分。首先，構(gòu)造一個有代表性的測試電路。選擇故障集對已建立的模擬電路，考慮電路中的元件故障，而不考慮電路中的引線故障。實際的方案是根據(jù)被測電路的特點和以往的經(jīng)驗以及元件故障率來選擇若干單故障和多個故障作為故障集。添加激勵信號通常選用與實際工作相似的輸入信號作為激勵信號。為了充分隔離故障集中的所有(至少大部分)故障，實際工作中可采用多種輸入信號的組合信號作為電路激勵。(2)選擇電路中的測試節(jié)點。選擇測試節(jié)點的基本準(zhǔn)則是在故障集中故障均可以隔離的前提下，使測試點的數(shù)目最少，盡可能的選擇維數(shù)最低的測試向量(即特征)來區(qū)分故障集中的所有故障。本發(fā)明中的實際做法是采用靈敏度分析將電路中的所有節(jié)點選為可及節(jié)點，計算在各種故障狀態(tài)下每個節(jié)點的測試值，以電壓值表示，并劃分模糊域，得到若干模糊集。接下來選擇一個對應(yīng)模糊集最多的測試節(jié)點4，其模糊集為S。令tl，s,'=s。取剩下待取節(jié)點中模糊集個數(shù)最多的節(jié)點作為測試節(jié)點4+,，求相應(yīng)的S,+，'。比較^+1'中的集合數(shù)與故障表中包含的故障數(shù)目大小，如果大于等于故障數(shù)目，則說明目前測試點集可以隔離所有故障。所取測試點集為^={4,4，...，4+1}。如果小于故障數(shù)目，則增加測試節(jié)點。(3)對電路進(jìn)行PSPICE仿真得到測試點電壓值，將測試點電壓值嗎進(jìn)行歸一化處理，以消除量綱的影響，同時也可加快仿真的速度。在本發(fā)明中，采取將數(shù)據(jù)中最大值L、做為基準(zhǔn)，將每個數(shù)據(jù)K以^/r^代替，將所有數(shù)據(jù)調(diào)整到區(qū)間[O，l]之內(nèi)。將得到的數(shù)據(jù)分為訓(xùn)練樣本和測試樣本兩部分，并存入存儲器，組成故障狀態(tài)表。(4)多故障分類器SVM的建立SVM在分類問題上只考慮了兩類可分的情況，在解決故障診斷這種多值分類問題時，需要建立多個SVM。當(dāng)SVM用于多類分類時，目前有兩種算法"成對分類"和"一類對余類"。本發(fā)明中采用"一類對余類"的方法進(jìn)行分類器的構(gòu)造，當(dāng)共有m類需分類時，把第j類看做正類，其余M-1類均看做負(fù)類或0，決策函數(shù)為,(x)一,(x))艮P，當(dāng)共有m類需要分類時，需要構(gòu)造m個SVM分類器。第j個分類器的輸出為l，則有第j個故障發(fā)生；第j個輸出為-l，則無第j個故障發(fā)生。一組訓(xùn)練好的SVM故障診斷分類器，對每個測試樣本，應(yīng)只有其中一個的輸出為l。否則，表示出錯，應(yīng)重新進(jìn)行訓(xùn)練。本發(fā)明中考慮電路的m種單軟故障的情況，連同電路的正常工作狀態(tài)(NOR)共m+l種狀態(tài)建立SVM，對應(yīng)建立兩類分類器SVM0、SVM1、SVM2.....SVMm，其中SVMn表示為識別第n類與余類而建立的兩類可分支持向量機(jī)。(5)改進(jìn)螞蟻算法優(yōu)化SVM的RBF核函數(shù)參數(shù)具體步驟如下1.準(zhǔn)備工作，初始化參數(shù)1)首先對RBF核函數(shù)參數(shù)(y,c)取值范圍進(jìn)行估算，再依經(jīng)驗，分別將兩范圍離散化為a個點和b個點，則得到n-axb個點，作為待尋優(yōu)數(shù)集。2)產(chǎn)生包含n只螞蟻的蟻群，初始化蟻群參數(shù)，循環(huán)代數(shù)計數(shù)器NC置為0，預(yù)設(shè)最大循環(huán)代數(shù)次數(shù)為NCmax。令點j初始時時的信息素及其增量為、)(0)=0，Arw(0)=0;3)將n只螞蟻一一對應(yīng)的隨機(jī)放入n個點，即設(shè)置螞蟻的初始位置，將螞蟻k的初始位置放入tabu(k)。2.尋優(yōu)開始1)大部分螞蟻的路徑選擇依如下公式進(jìn)行(00其它allow為下步允許走的點的集合，己經(jīng)過的點不允許走，即構(gòu)成禁忌表^^，;7常取點i，j之間距離的倒數(shù)。"，-分別表示已存在的信息量和新啟發(fā)的重要程度即依據(jù)概率選擇法進(jìn)行路徑尋優(yōu)，少量螞蟻進(jìn)行隨機(jī)選擇尋優(yōu)(random)。每只螞蟻完成一次路徑環(huán)游，就進(jìn)行一次局部信息素更新。2)全部n只螞蟻均完成一次環(huán)游后，全局信息素進(jìn)行一次更新，禁忌表tabu清零。r,)(t+n)=(1—p)*(t)+△r,乂pe(O,l)P為信息素?fù)]發(fā)因子，A^為本次環(huán)游中路徑ij上增加的信息量，若螞蟻k未經(jīng)過該路徑則A、為0，否則為Q/A(Q為信息素調(diào)整速率系數(shù))。這里取ant一cycle模型，即A表示螞蟻k該次環(huán)游總共走過的路徑長度。如果此時當(dāng)前結(jié)果中包含最優(yōu)解，則算法停止并輸出結(jié)果。3)若當(dāng)前不包含最優(yōu)解，則算法繼續(xù)，轉(zhuǎn)至1步3)繼續(xù)進(jìn)行，同時置循環(huán)代數(shù)計數(shù)器NC-NC+1。重復(fù)進(jìn)行以上步驟，到NC=NCmax時為止，算法結(jié)束。3.結(jié)果分析由前面的分析可知，越好的選擇點產(chǎn)生的信息素增量越大，之后其他螞蟻選擇該點的可能性越大。因為本方案中，螞蟻和參數(shù)點是一一對應(yīng)關(guān)系，所以選擇較優(yōu)路徑的螞蟻初始時對應(yīng)的點為最好的點，即算法尋優(yōu)找到的最好參數(shù)。(6)SVM的訓(xùn)練、測試及結(jié)果整理訓(xùn)練SVM:用訓(xùn)練樣本輸入建立好的SVM，并將訓(xùn)練后的結(jié)果以及誤差存入存儲器中；檢驗SVM:用測試樣本輸入訓(xùn)練好的SVM進(jìn)行檢測，將得到的結(jié)果也存入存儲器以記錄。整理結(jié)果多故障情況時，因為訓(xùn)練用的分類器模型有多個，測試時，數(shù)據(jù)是依次輸入每個模型的，所以整理每個模型的輸出結(jié)果，才可得到最終診斷結(jié)果。(7)用電路實際故障狀態(tài)進(jìn)行診斷測試對被測電路進(jìn)行故障狀態(tài)下的實際測試，得到電壓信號作為實際診斷數(shù)據(jù)，輸入訓(xùn)練好的SVM，比較得到的輸出與各故障集空間子中心的距離^D(F》-t[v,'",(《)]2。<為第i個點上,=1的測量值，v,(巧)為故障^第i個點的子中心值。如果找到&SD(《)為所有距離中最小的，則說明電路正發(fā)生故障《。故障診斷過程完成。本發(fā)明應(yīng)用示例根據(jù)上述診斷步驟，對某電路進(jìn)行診斷。1.具體步驟如下構(gòu)造一測試用電路；本例中僅考慮電阻R1，R2，R3，R4出現(xiàn)單軟故障的情況，以電路的正常工作狀態(tài)(N0R)和4種故障狀態(tài)共5種狀態(tài)建立多故障分類器，4種故障狀態(tài)各取4個樣本，加正常狀態(tài)時樣本，共17個數(shù)據(jù)作為分類器的兩類輸入。對應(yīng)建立5個兩類分類器SVM0、SVM1、SVM2、SVM3、SVM4，其中SVMn表示第n類與余類之間建立的兩類支持向量機(jī)，SVM廣4將故障時每種狀態(tài)的4個樣本與其余4種狀態(tài)的13個樣本分開，SVM0將正常狀態(tài)的1個樣本與其余16個故障樣本分開。由優(yōu)選法，該電路中選擇電路輸出端作為測試端即可。將所有數(shù)據(jù)除以其中最大的值，即進(jìn)行數(shù)據(jù)的歸一化，作為故障診斷的統(tǒng)一特征向量，分別做為故障診斷的訓(xùn)練樣本，測試樣本。2.具體數(shù)據(jù)所獲得的訓(xùn)練樣本、測試樣本以及診斷結(jié)果分別于表1、2、3所示。將訓(xùn)練樣本重新輸回SVM分類器得到回判結(jié)果，同時對測試樣本進(jìn)行分類判斷，分別得到對訓(xùn)練數(shù)據(jù)的回判率和對測試樣本的判斷率，作為評價SVM診斷性200810030747.6說明書第8/9頁能的重要指標(biāo)。采用傳統(tǒng)網(wǎng)格搜索法對數(shù)據(jù)集進(jìn)行交叉驗證，求得最好的參數(shù)組合為(2.5,6)，使用該組RBF核函數(shù)參數(shù)的SVM對訓(xùn)練集的回判率為97.647%，對測試集的判斷率為97.778%(錯誤診斷結(jié)果用下劃線標(biāo)識)；而用本方案提出的，經(jīng)過改進(jìn)螞蟻算法尋優(yōu)得到的參數(shù)組合為(4,9),將其用于SVM進(jìn)行故障診斷，對訓(xùn)練集的回判率和對測試集的判斷率均為100%,診斷性能明顯優(yōu)于前者。由測試結(jié)果可知，在同樣的網(wǎng)絡(luò)和訓(xùn)練樣本下，經(jīng)本發(fā)明提出的改進(jìn)螞蟻算法優(yōu)化RBF核函數(shù)參數(shù)的SVM的故障診斷能力優(yōu)于傳統(tǒng)核參數(shù)參數(shù)尋優(yōu)法得到的SVM。表l:訓(xùn)練樣本<table>tableseeoriginaldocumentpage11</column></row><table><table>tableseeoriginaldocumentpage12</column></row><table>權(quán)利要求1.一種基于支持向量機(jī)的模擬電路故障診斷方法，包括以下步驟1)建立測試電路，依經(jīng)驗設(shè)置故障集，以及施加于電路的激勵信號；2)、對待測電路進(jìn)行靈敏度分析，確定電路的測試節(jié)點；3)、針對典型故障情況，對電路進(jìn)行HSPICE仿真得到可及點電壓值，一部分作為支持向量機(jī)的訓(xùn)練樣本，一部分作為測試樣本，進(jìn)行歸一化處理后存入存儲器；4)、利用改進(jìn)螞蟻算法優(yōu)化支持向量機(jī)RBF核函數(shù)參數(shù)；5)、用訓(xùn)練樣本訓(xùn)練支持向量機(jī)，并將訓(xùn)練后的結(jié)果以及誤差存入存儲器中，用測試樣本輸入向量機(jī)網(wǎng)絡(luò)進(jìn)行檢驗；6)、測量待測電路的實際電壓信號，將其輸入訓(xùn)練好的支持向量機(jī)，分析支持向量機(jī)的穩(wěn)態(tài)輸出結(jié)果，得到故障的類型，完成模式識別，實現(xiàn)故障診斷。2、根據(jù)權(quán)利要求l所述的基于支持向量機(jī)的模擬電路故障診斷方法，所述步驟4)的步驟如下al.對RBF核函數(shù)參數(shù)(,，c)取值范圍進(jìn)行估算，再依經(jīng)驗，分別將兩范圍離散化為a個點和b個點，則得到i^axb個點，作為待尋優(yōu)數(shù)集；a2.產(chǎn)生包含n只螞蟻的蟻群，初始化蟻群參數(shù)，循環(huán)代數(shù)計數(shù)器NC置為0，預(yù)設(shè)最大循環(huán)代數(shù)次數(shù)為NCmax，令點j初始時時的信息素及其增量為、)(0)=0，Arw(0)=0;a3.將n只螞蟻一一對應(yīng)的隨機(jī)放入n個點，即設(shè)置螞蟻的初始位置，將螞蟻k的初始位置放入tabu(k);a4.大部分螞蟻依據(jù)概率選擇法進(jìn)行路徑尋優(yōu)，少量螞蟻進(jìn)行隨機(jī)選擇尋優(yōu)，每只螞蟻完成一次路徑環(huán)游，就進(jìn)行一次局部信息素更新；a5.全部n只螞蟻均完成一次環(huán)游后，全局信息素進(jìn)行一次更新，禁忌表tabu清零，如果此時當(dāng)前結(jié)果中包含最優(yōu)解，則算法停止并輸出結(jié)果；a6.若當(dāng)前不包含最優(yōu)解，則算法繼續(xù)，轉(zhuǎn)至a4繼續(xù)進(jìn)行，同時置循環(huán)代數(shù)計數(shù)器NC-NC+1，重復(fù)進(jìn)行以上步驟，到NC-NCmax時為止，算法結(jié)束。3、根據(jù)權(quán)利要求2所述的基于支持向量機(jī)的模擬電路故障診斷方法，所述步驟a4中大部分螞蟻的路徑選擇依如下公式進(jìn)行<formula>formulaseeoriginaldocumentpage3</formula>其它allow為下步允許走的點的集合，已經(jīng)過的點不允許走，即構(gòu)成禁忌表to6Wi，；/常取點i，J之間距離的倒數(shù)，"，-分別表示已存在的信息量和新啟發(fā)的重要程度；每只螞蟻都將全部點環(huán)游一次之后，全局信息量由下式更新(t+n)=(1—戶)*(t)+△r,)pe(O,l)p為信息素?fù)]發(fā)因子，A為本次環(huán)游中路徑ij上增加的信息量，若螞蟻k未經(jīng)過該路徑則A^為0，否則為Q/;，Q為信息素調(diào)整速率系數(shù)，這里取ant一cycle模型，即4表示螞蟻k該次環(huán)游總共走過的路徑長度。全文摘要本發(fā)明公開了一種基于支持向量機(jī)的模擬電路故障診斷方法。包括以下步驟針對典型故障情況，對電路進(jìn)行仿真得到可及點電壓值，作為支持向量機(jī)訓(xùn)練樣本；對傳統(tǒng)螞蟻算法進(jìn)行改進(jìn)，在路徑選擇的問題上，混合使用概率選擇和隨機(jī)選擇兩種方法；利用改進(jìn)螞蟻算法優(yōu)化支持向量機(jī)的RBF核函數(shù)參數(shù)(γ，C)；用訓(xùn)練樣本訓(xùn)練SVM，并將訓(xùn)練后的結(jié)果以及誤差存入存儲器中；測量待測電路的實際電壓信號，將其輸入訓(xùn)練好的支持向量機(jī)，支持向量機(jī)的穩(wěn)態(tài)輸出即為故障的類型，完成模式識別，實現(xiàn)故障診斷。本發(fā)明的方法用于小樣本學(xué)習(xí)的故障診斷問題有明顯的優(yōu)勢，且有速度快，準(zhǔn)確率高，泛化能力強(qiáng)的優(yōu)點。文檔編號G01R31/316GK101251579SQ20081003074公開日2008年8月27日申請日期2008年3月5日優(yōu)先權(quán)日2008年3月5日發(fā)明者何怡剛,晴李申請人:湖南大學(xué)