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。正確地識別 模擬電路的故障有助于電路的及時維護(hù),因此對模擬電路進(jìn)行故障診斷,是十分必要的。
[0003] 針對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 擬合問題。支持向量機(jī)(support vector machine,SVM)建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和 結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上,可較好解決分類中的小樣本問題和非線性問題,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域響應(yīng)信號,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故障診斷模型對不同的 故障類別進(jìn)行區(qū)分。
[0005] 本發(fā)明的目的是通過如下技術(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) 采集模擬電路的時域響應(yīng)信號,采集到的時域響應(yīng)信號為所述模擬電路的輸出電 壓信號; (2) 對采集的電壓信號進(jìn)行小波變換,計算小波系數(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,被測模擬電路只有一個輸入端和一個輸出端,輸入端采 用脈沖激勵,輸出端采樣電壓信號。
[0007] 進(jìn)一步,所述步驟(2)中,對采樣的電壓信號進(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 的時候一般省略),多核學(xué)習(xí)方法將多個核函數(shù)進(jìn)行凸組合,多核包括如下: (a)為每個單獨(dú)特征和整體特征,應(yīng)用以2_3,2_2,···,26這10個數(shù)值為寬度的高斯核。 [0009] (b)為每個單獨(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) 計算每一個粒子的適應(yīng)度,根據(jù)適應(yīng)度得出每一個粒子的個體最優(yōu)位置和粒子 群的全局最優(yōu)位置; (3.3) 對每一個粒子進(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,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,對模擬電路的故障進(jìn)行診斷時,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,可以獲得更高的診斷 正確率,可高效地檢測出模擬電路的元件故障。
【附圖說明】
[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)施例對本發(fā)明進(jìn)一步說明。
[0017] 參照圖1,本發(fā)明由4個步驟構(gòu)成,步驟1獲取被測模擬電路的時域響應(yīng)信號。步驟2 為對獲取的故障響應(yīng)信號(即步驟1中獲取的時域響應(yīng)信號)進(jìn)行小波變換,計算小波系數(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為輸出測試數(shù)據(jù)的診斷結(jié)果。
[0018] 步驟1中,獲取時域響應(yīng)信號,被測模擬電路只有一個輸入端和一個輸出端,輸入 端通過脈沖激勵,輸出端采樣電壓信號。
[0019] 步驟2中,小波系數(shù)能量的計算方法如下: 信號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)二字在翻譯的時候一般省略),多核學(xué)習(xí)方 法將多個核函數(shù)進(jìn)行凸組合,多核包括如下: (a)為每個單獨(dú)特征和整體特征,應(yīng)用以2_3,2_2,···,26這10個數(shù)值為寬度的高斯核函 數(shù)。
[0022] (b)為每個單獨(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) 計算每一個粒子的適應(yīng)度,根據(jù)適應(yīng)度得出每一個粒子的個體最優(yōu)位置和粒子 群的全局最優(yōu)位置; (3.3) 對每一個粒子進(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