专利名称：一种基于mcskpca的神经网络模拟电路故障诊断方法
技术领域：
本发明属于神经网络及电子电路工程领域，涉及一种基于神经网络的模拟电路故障诊断方法。MCSKPCA为Maximal Class Separability KPCA即基于最大类别分离度核主元分析。
背景技术：
在模拟电路中，故障可分为两大类一类称为硬故障，指元件的开路和短路失效故障；另一类称为软故障，指元件的参数超出预定的容差范围，一般他们均未使设备完全失效，例如，由于元件的老化、变质或使用环境的变化等造成的元件参数变化。模拟系统的测试与诊断自60年代开始研究以来，进展一直比较缓慢，主要的原因在于模拟电路的输入激励和输出响应都是连续量，网络中各元件的参数通常也是连续的， 即大多数故障情况属于软故障，所以模拟系统中的故障模型比较复杂，难以作简单的量化。 由于故障参数也是连续的，因此，从理论上讲，一个模拟元件可能具有无穷多个故障，所以测试与诊断远比数字系统困难，因此至今无论在理论上和方法上均未完全成熟，可付诸实用的还比较少。近年来，模拟电路的故障诊断从系统级、板块级到芯片级进行了许多的研究，其中有的方法采用直接截取不同的测试点信号作为神经网络分类器的输入进行故障诊断，这种方法的网络规模通常非常庞大，网络训练时间很长，难以达到实时的要求。有的采用故障字典法，建立电路的直流或交流故障字典，但是这种方法一般只适用于硬故障，对于软故障效果不佳。有的方法采用小波变换对信号进行预处理，再进行主元分析的特征提取，由于只能进行线性特征的提取和没有实施充分的维数缩减，所以后续神经网络没能获得有效的特征数据，从而需要比较多的输入端子数，并获得了比较低的故障诊断率。
发明内容
本发明所要解决的技术问题是提供一种基于MCSKPCA的神经网络模拟电路故障诊断方法，该方法可以用于线性和非线性模拟电路，同时还可以用于诊断硬故障和软故障。为解决上述技术问题，本发明所采用的技术方案为一种基于最大类别分离度核主元分析(KPCA based on Maximal Class Separability即MCSKPCA)的神经网络模拟电路故障诊断方法，其特征在于包括以下步骤1)采集模拟电路的电信号，采集到的电信号为所述的模拟电路的输出电压信号；2)对采集的所述电信号进行小波变换；3)计算所述电信号的小波逼近系数能量特征值；4)将所述的小波逼近系数能量特征值所构成的候选特征向量数据集进行 MCSKPCA的特征提取和维数降低得到最优特征向量；5)将所述的最优特征向量送入BP神经网络分离器中，由BP神经网络分离器输出故障诊断结果。
被诊断模拟电路只有一个输入端和一个输出端，给被测模拟电路输入端加脉冲激励，在模拟电路的输出端采样电压信号。根据脉冲激励的性质，对所采样到的电压输出信号进行Haar小波变换，计算Haar 小波变换后的小波逼近系数能量特征值。根据基于核的最大分离度准则Λ(θ) = &(S〗)来选择MCSKPCA中的核参数即高斯宽度σ，这里&(S〖)表示核类间散布矩阵的迹，θ为参数向量，对应于本专利所采用的高斯核参数。，即义&) = &(8〗)。同时根据10折交叉验证法来进行主元个数的选择。根据步骤4中的10折交叉验证法选择出来的主元，构成最优特征向量送入到BP 神经网络进行训练和测试。BP神经网络分类器的输出端子个数与电路故障模式数目相同； BP神经网络分类器的隐层神经元个数h根据下式确定+ l《h < 4^2+10，其中m 为输出端子数目。在这些步骤中，最重要的是所述的步骤4)中进行MCSKPCA模型的设计，其重点是 MCSKPCA的核参数优化准则的确定。因此，MCSKPCA的核参数优化准则确定为基于核的类别分离度准则为
权利要求
1.一种基于最大类别分离度核主元分析(KPCA based on Maximal Class Separability即MCSKPCA)的神经网络模拟电路故障诊断方法，其特征在于包括以下步骤1)采集模拟电路的电信号，采集到的电信号为所述的模拟电路的输出电压信号；2)对采集的所述电信号进行小波变换；3)计算所述电信号的小波逼近系数能量特征值；4)将所述的小波逼近系数能量特征值所构成的候选特征向量数据集进行MCSKPCA的特征提取和维数降低得到最优特征向量；5)将所述的最优特征向量送入BP神经网络分离器中，由BP神经网络分离器输出故障诊断结果。
2.根据权利要求1所述的基于MCSKPCA的神经网络模拟电路故障诊断方法，其特征在于被诊断模拟电路只有一个输入端和一个输出端，给被测模拟电路输入端加脉冲激励，在模拟电路的输出端采样电压信号。
3.根据权利要求2所述的基于MCSKPCA的神经网络模拟电路故障诊断方法，其特征在于根据脉冲激励的性质，对所采样到的电压输出信号进行Haar小波变换，计算Haar小波变换后的小波逼近系数能量特征值。
4.根据权利要求4所述的基于MCSKPCA的神经网络模拟电路故障诊断方法，其特征在于根据基于核的最大分离度准则…(Θ) = &( )来选择MCSKPCA中的核参数即高斯宽度σ， 这里&(S〖)表示核类间散布矩阵的迹，θ为参数向量，对应于本专利所采用的高斯核参数 0，即义((7)=吋8〖)。同时根据10折交叉验证法来进行主元个数的选择。
5.根据权利要求1-4任一项所述的基于MCSKPCA的神经网络模拟电路故障诊断方法， 其特征在于根据步骤4中的10折交叉验证法选择出来的主元，构成最优特征向量送入到 BP神经网络进行训练和测试。BP神经网络分类器的输出端子个数与电路故障模式数目相同；BP神经网络分类器的隐层神经元个数h根据下式确定Vi。+ l《h <4^2+10，其中m为输出端子数目。
全文摘要
本发明公开了一种基于MCSKPCA的神经网络模拟电路故障诊断方法，包括以下步骤步骤1采集被诊断模拟电路的输出电压信号；步骤2对采集的输出电压信号进行小波变换；步骤3计算输出电压信号经小波变换得到的小波系数的能量特征值；步骤4将所述的能量特征值进行MCSKPCA的特征提取和降维处理得到最优特征向量；步骤5将所述的最优特征向量送入BP神经网络分离器中，由BP神经网络分离器输出故障诊断结果。该方法不但可以用于线性和非线性电路及其系统的诊断，同时也可以用于诊断所述电路中的硬故障和软故障。
文档编号G01R31/316GK102279358SQ201110166548
公开日2011年12月14日 申请日期2011年6月20日 优先权日2011年6月20日
发明者何怡刚, 方葛丰, 肖迎群, 阳辉 申请人:湖南大学