一種基于廣義多核支持向量機(jī)的模擬電路故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于機(jī)器學(xué)習(xí)及電子電路工程領(lǐng)域，涉及一種基于廣義多核支持向量機(jī)的 模擬電路故障診斷方法。
【背景技術(shù)】
[0002] 模擬電路廣泛地應(yīng)用于家用電器、工業(yè)生產(chǎn)線、汽車以及航空航天等設(shè)備中，模擬 電路的故障將會(huì)引起設(shè)備的性能下降、功能失靈、反應(yīng)遲緩以及其他電子故障。正確地識(shí)別 模擬電路的故障有助于電路的及時(shí)維護(hù)，因此對(duì)模擬電路進(jìn)行故障診斷，是十分必要的。
[0003] 針對(duì)模擬電路的故障診斷，已有研究工作采用人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法，然而ANN方法具有結(jié)構(gòu)一般較難確定、算法收斂速度慢，并極易導(dǎo)致過(guò) 擬合問(wèn)題。支持向量機(jī)(support vector machine，SVM)建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和 結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，可較好解決分類中的小樣本問(wèn)題和非線性問(wèn)題，核函數(shù)的設(shè)定 是SVM算法的關(guān)鍵，一般由用單核學(xué)習(xí)的方法，該方法操作簡(jiǎn)單，但易于忽略輸入樣本中的 有用信息，難以達(dá)到最優(yōu)泛化能力。廣義多核學(xué)習(xí)方法(generalized multiple kernel learning，GMKL)方法線性組合U范式和L2范式去約束核函數(shù)，實(shí)驗(yàn)表明，廣義多核支持向量 機(jī)（generalized multiple kernel learning- support vector machine，GMKL_SVM)在分 類方面效率高于單核學(xué)習(xí)的SV1LGMKL-SVM中正則化參數(shù)和折衷參數(shù)是重要的參數(shù)，通常其 正則化參數(shù)通過(guò)網(wǎng)格搜索方法獲得，而折衷參數(shù)則直接設(shè)置為0.5,該獲取方式不利于 GMKL-SVM算法發(fā)揮其分類性能。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種基于廣義多核支持向量機(jī)的模擬電路故障診斷方法，該 方法首先提取模擬電路的時(shí)域響應(yīng)信號(hào)，經(jīng)小波分析后獲取小波系數(shù)能量特征參量，作為 樣本數(shù)據(jù)。應(yīng)用折衷參數(shù)和正則化參數(shù)由PS0算法優(yōu)化的GMKL-SVM故障診斷模型對(duì)不同的 故障類別進(jìn)行區(qū)分。
[0005] 本發(fā)明的目的是通過(guò)如下技術(shù)方案予以實(shí)現(xiàn)的： 一種基于廣義多核支持向量機(jī)（generalized multiple kernel learning- support vector machine，GMKL-SVM)的模擬電路故障診斷方法，包括以下步驟： (1) 采集模擬電路的時(shí)域響應(yīng)信號(hào)，采集到的時(shí)域響應(yīng)信號(hào)為所述模擬電路的輸出電 壓信號(hào)； (2) 對(duì)采集的電壓信號(hào)進(jìn)行小波變換，計(jì)算小波系數(shù)的能量作為特征參量，所有特征參 量的集合即為樣本數(shù)據(jù)； (3) 基于樣本數(shù)據(jù)，應(yīng)用粒子群算法(particle swarm optimization，PS0)優(yōu)化廣義多 核支持向量機(jī)的正則化參數(shù)和折衷參數(shù)，構(gòu)建基于廣義多核支持向量機(jī)(GMKL-SVM)的故障 診斷模型； (4) 以建立的基于廣義多核支持向量機(jī)的故障診斷模型作為分類器，對(duì)模擬電路的故 障進(jìn)行診斷。
[0006] 進(jìn)一步，所述步驟（1)中，被測(cè)模擬電路只有一個(gè)輸入端和一個(gè)輸出端，輸入端采 用脈沖激勵(lì)，輸出端采樣電壓信號(hào)。
[0007] 進(jìn)一步，所述步驟(2)中，對(duì)采樣的電壓信號(hào)進(jìn)行Haar小波變換。
[0008] 進(jìn)一步，所述步驟(3)中，基于GMKL-SVM的故障診斷模型采用多核學(xué)習(xí)方法(GMKL 就是generalized multiple kernel learning，就是廣義多核學(xué)習(xí)，其中學(xué)習(xí)二字在翻譯 的時(shí)候一般省略），多核學(xué)習(xí)方法將多個(gè)核函數(shù)進(jìn)行凸組合，多核包括如下： (a)為每個(gè)單獨(dú)特征和整體特征，應(yīng)用以2_3,2_2，···，26這10個(gè)數(shù)值為寬度的高斯核。 [0009] (b)為每個(gè)單獨(dú)特征和整體特征，應(yīng)用以1，2，3數(shù)值為階的多項(xiàng)式核。
[0010]進(jìn)一步，所述步驟（3)中，應(yīng)用粒子群算法(particle swarm optimization，PSO) 優(yōu)化廣義多核支持向量機(jī)的正則化參數(shù)和折衷參數(shù)的具體步驟為： (3.1) 初始化PS0算法參數(shù)，包括位置、速度、尋優(yōu)范圍和迭代次數(shù)，其中將正則化參數(shù) 和折衷參數(shù)映射為粒子的二維位置； (3.2) 計(jì)算每一個(gè)粒子的適應(yīng)度，根據(jù)適應(yīng)度得出每一個(gè)粒子的個(gè)體最優(yōu)位置和粒子 群的全局最優(yōu)位置； (3.3) 對(duì)每一個(gè)粒子進(jìn)行速度與位置的更新； (3.4) 重復(fù)(3.2)和(3.3)直至迭代結(jié)束，輸出結(jié)果。
[0011] 進(jìn)一步，所述步驟(3)中，基于GMKL-SVM的故障診斷模型構(gòu)建的步驟為： (3. a)確定核函數(shù)類型：
為多項(xiàng)式核函數(shù)建立 多核，其中I為當(dāng)前輸入數(shù)據(jù)，A為建立模型所用的樣本數(shù)據(jù)，為高斯核函數(shù)的寬度因 子，S為多項(xiàng)式核函數(shù)的階次； (3.b)應(yīng)用PS0算法優(yōu)化選擇廣義多核支持向量機(jī)的正則化參數(shù)和折衷參數(shù)； (3.c)以樣本數(shù)據(jù)A為訓(xùn)練數(shù)據(jù)集，將步驟(3.b)中正則化參數(shù)和折衷參數(shù)用于下列約 束核函數(shù)系數(shù)的最小化優(yōu)化函數(shù)：
其中jVeft-野，? 是權(quán)重，N是訓(xùn)練數(shù)據(jù)的數(shù)量;C是折衷參數(shù)，z是正 則化參數(shù)，b為偏置值，R是決策函數(shù)f的經(jīng)驗(yàn)風(fēng)險(xiǎn)，s = 0%. - 是核函數(shù)的系數(shù)，m= 1，…，M，M是核函數(shù)的數(shù)量； (3.d)對(duì)廣義多核支持向量機(jī)(GMKL-SVM)進(jìn)行訓(xùn)練，獲得GMKL-SVM的參數(shù)w、b和 則決策函數(shù)f則可表示為
其中40是映射函數(shù)，用于將原數(shù)據(jù)點(diǎn)映射至一個(gè)Hilbert空間；
;決策函數(shù)的獲得即為基于GMKL-SVM的故障診斷模型的建立。
[0012] 進(jìn)一步，所述步驟(4)中，對(duì)模擬電路的故障進(jìn)行診斷時(shí)，所得到的診斷結(jié)果是指 診斷正確率。
[0013] 本發(fā)明具有如下優(yōu)點(diǎn)： (1)首次提出將GMKL-SVM引入模擬電路的故障診斷，廣義多核支持向量機(jī)的分類性能 優(yōu)于其他的分類算法，相比常用的基于單核學(xué)習(xí)的SVM，GMKL-SVM具有更高的分類精度。 [0014] (2)提出應(yīng)用PS0算法優(yōu)化GMKL-SVM的正則化參數(shù)和折衷參數(shù)，應(yīng)用粒子群算法優(yōu) 化廣義多核支持向量機(jī)參數(shù)的方法亦優(yōu)于傳統(tǒng)獲取參數(shù)的方法，基于該方法優(yōu)化后的 GMKL-SVM具有比傳統(tǒng)GMKL-SVM具有更高的性能，在用于故障診斷時(shí)，可以獲得更高的診斷 正確率，可高效地檢測(cè)出模擬電路的元件故障。
【附圖說(shuō)明】
[0015] 圖1為本發(fā)明基于廣義多核支持向量機(jī)的模擬電路故障診斷方法的流程圖； 圖2為兩級(jí)四運(yùn)放低通濾波器電路圖。
【具體實(shí)施方式】
[0016] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。
[0017] 參照?qǐng)D1，本發(fā)明由4個(gè)步驟構(gòu)成，步驟1獲取被測(cè)模擬電路的時(shí)域響應(yīng)信號(hào)。步驟2 為對(duì)獲取的故障響應(yīng)信號(hào)（即步驟1中獲取的時(shí)域響應(yīng)信號(hào))進(jìn)行小波變換，計(jì)算小波系數(shù) 的能量作為特征參量，所有特征參量的集合即為樣本數(shù)據(jù)。本實(shí)施例中具體為執(zhí)行6層Harr 小波變換，獲取6維的小波系數(shù)能量作為特征參量。步驟3為應(yīng)用PS0算法優(yōu)化GMKL-SVM的參 數(shù)，建立基于GMKL-SVM的故障診斷模型。步驟4為輸出測(cè)試數(shù)據(jù)的診斷結(jié)果。
[0018] 步驟1中，獲取時(shí)域響應(yīng)信號(hào)，被測(cè)模擬電路只有一個(gè)輸入端和一個(gè)輸出端，輸入 端通過(guò)脈沖激勵(lì)，輸出端采樣電壓信號(hào)。
[0019] 步驟2中，小波系數(shù)能量的計(jì)算方法如下： 信號(hào)f (X)的多分辨率分析中，設(shè)|Vk}kEZ是正交的多分辨率分析，{Wk}kEZ是相應(yīng)分解的 小波空間，其中f (X)在vk上的正交投影表示為
其中分別表示f (X)在Vk+i和Wk+i上的投影，k和i為離散化參數(shù)，典+^和 ^,分別為在2k+1分辨率下的尺度函數(shù)和小波函數(shù)，4?和*Cl·分別是f (X)在2k+1分辨率 下的尺度系數(shù)和小波系數(shù)，ck+1和也+1分別為f (X)在2k+1分辨率下的逼近部分和細(xì)節(jié)部分， 即信號(hào)f (X)的低頻分量和高頻分量，Z表示實(shí)數(shù)。
[0020] 則小波系數(shù)的能量為：
其中η是小波系數(shù)的長(zhǎng)度。
[0021 ] 步驟3中，GMKL-SVM故障模型采用多核學(xué)習(xí)方法(GMKL就是generalized multiple kernel learning，就是廣義多核學(xué)習(xí)，其中學(xué)習(xí)二字在翻譯的時(shí)候一般省略），多核學(xué)習(xí)方 法將多個(gè)核函數(shù)進(jìn)行凸組合，多核包括如下： (a)為每個(gè)單獨(dú)特征和整體特征，應(yīng)用以2_3,2_2，···，26這10個(gè)數(shù)值為寬度的高斯核函 數(shù)。
[0022] (b)為每個(gè)單獨(dú)特征和整體特征，應(yīng)用以1，2，3數(shù)值為階的多項(xiàng)式核函數(shù)。
[0023] 所述步驟(3)中，應(yīng)用粒子群算法(particle swarm optimization，PSO)優(yōu)化廣義 多核支持向量機(jī)的正則化參數(shù)和折衷參數(shù)的具體步驟為： (3.1) 初始化PS0算法參數(shù)，包括位置、速度、尋優(yōu)范圍和迭代次數(shù)，其中將正則化參數(shù) 和折衷參數(shù)映射為粒子的二維位置； (3.2) 計(jì)算每一個(gè)粒子的適應(yīng)度，根據(jù)適應(yīng)度得出每一個(gè)粒子的個(gè)體最優(yōu)位置和粒子 群的全局最優(yōu)位置； (3.3) 對(duì)每一個(gè)粒子進(jìn)行速度與位置的更新； (3.4) 重復(fù)(3.2)和(3.3)直至迭代結(jié)束，輸出結(jié)果