一种基于广义多核支持向量机的模拟电路故障诊断方法
【技术领域】
[0001] 本发明属于机器学习及电子电路工程领域，涉及一种基于广义多核支持向量机的 模拟电路故障诊断方法。
【背景技术】
[0002] 模拟电路广泛地应用于家用电器、工业生产线、汽车以及航空航天等设备中，模拟 电路的故障将会引起设备的性能下降、功能失灵、反应迟缓以及其他电子故障。正确地识别 模拟电路的故障有助于电路的及时维护，因此对模拟电路进行故障诊断，是十分必要的。
[0003] 针对模拟电路的故障诊断，已有研究工作采用人工神经网络(Artificial Neural Network，ANN)方法，然而ANN方法具有结构一般较难确定、算法收敛速度慢，并极易导致过 拟合问题。支持向量机(support vector machine，SVM)建立在统计学习理论的VC维理论和 结构风险最小原理基础上，可较好解决分类中的小样本问题和非线性问题，核函数的设定 是SVM算法的关键，一般由用单核学习的方法，该方法操作简单，但易于忽略输入样本中的 有用信息，难以达到最优泛化能力。广义多核学习方法(generalized multiple kernel learning，GMKL)方法线性组合U范式和L2范式去约束核函数，实验表明，广义多核支持向量 机（generalized multiple kernel learning- support vector machine，GMKL_SVM)在分 类方面效率高于单核学习的SV1LGMKL-SVM中正则化参数和折衷参数是重要的参数，通常其 正则化参数通过网格搜索方法获得，而折衷参数则直接设置为0.5,该获取方式不利于 GMKL-SVM算法发挥其分类性能。
【发明内容】
[0004] 本发明的目的是提供一种基于广义多核支持向量机的模拟电路故障诊断方法，该 方法首先提取模拟电路的时域响应信号，经小波分析后获取小波系数能量特征参量，作为 样本数据。应用折衷参数和正则化参数由PS0算法优化的GMKL-SVM故障诊断模型对不同的 故障类别进行区分。
[0005] 本发明的目的是通过如下技术方案予以实现的： 一种基于广义多核支持向量机（generalized multiple kernel learning- support vector machine，GMKL-SVM)的模拟电路故障诊断方法，包括以下步骤： (1) 采集模拟电路的时域响应信号，采集到的时域响应信号为所述模拟电路的输出电 压信号； (2) 对采集的电压信号进行小波变换，计算小波系数的能量作为特征参量，所有特征参 量的集合即为样本数据； (3) 基于样本数据，应用粒子群算法(particle swarm optimization，PS0)优化广义多 核支持向量机的正则化参数和折衷参数，构建基于广义多核支持向量机(GMKL-SVM)的故障 诊断模型； (4) 以建立的基于广义多核支持向量机的故障诊断模型作为分类器，对模拟电路的故 障进行诊断。
[0006] 进一步，所述步骤（1)中，被测模拟电路只有一个输入端和一个输出端，输入端采 用脉冲激励，输出端采样电压信号。
[0007] 进一步，所述步骤(2)中，对采样的电压信号进行Haar小波变换。
[0008] 进一步，所述步骤(3)中，基于GMKL-SVM的故障诊断模型采用多核学习方法(GMKL 就是generalized multiple kernel learning，就是广义多核学习，其中学习二字在翻译 的时候一般省略），多核学习方法将多个核函数进行凸组合，多核包括如下： (a)为每个单独特征和整体特征，应用以2_3,2_2，···，26这10个数值为宽度的高斯核。 [0009] (b)为每个单独特征和整体特征，应用以1，2，3数值为阶的多项式核。
[0010]进一步，所述步骤（3)中，应用粒子群算法(particle swarm optimization，PSO) 优化广义多核支持向量机的正则化参数和折衷参数的具体步骤为： (3.1) 初始化PS0算法参数，包括位置、速度、寻优范围和迭代次数，其中将正则化参数 和折衷参数映射为粒子的二维位置； (3.2) 计算每一个粒子的适应度，根据适应度得出每一个粒子的个体最优位置和粒子 群的全局最优位置； (3.3) 对每一个粒子进行速度与位置的更新； (3.4) 重复(3.2)和(3.3)直至迭代结束，输出结果。
[0011] 进一步，所述步骤(3)中，基于GMKL-SVM的故障诊断模型构建的步骤为： (3. a)确定核函数类型：
为多项式核函数建立 多核，其中I为当前输入数据，A为建立模型所用的样本数据，为高斯核函数的宽度因 子，S为多项式核函数的阶次； (3.b)应用PS0算法优化选择广义多核支持向量机的正则化参数和折衷参数； (3.c)以样本数据A为训练数据集，将步骤(3.b)中正则化参数和折衷参数用于下列约 束核函数系数的最小化优化函数：
其中jVeft-野，? 是权重，N是训练数据的数量;C是折衷参数，z是正 则化参数，b为偏置值，R是决策函数f的经验风险，s = 0%. - 是核函数的系数，m= 1，…，M，M是核函数的数量； (3.d)对广义多核支持向量机(GMKL-SVM)进行训练，获得GMKL-SVM的参数w、b和 则决策函数f则可表示为
其中40是映射函数，用于将原数据点映射至一个Hilbert空间；
;决策函数的获得即为基于GMKL-SVM的故障诊断模型的建立。
[0012] 进一步，所述步骤(4)中，对模拟电路的故障进行诊断时，所得到的诊断结果是指 诊断正确率。
[0013] 本发明具有如下优点： (1)首次提出将GMKL-SVM引入模拟电路的故障诊断，广义多核支持向量机的分类性能 优于其他的分类算法，相比常用的基于单核学习的SVM，GMKL-SVM具有更高的分类精度。 [0014] (2)提出应用PS0算法优化GMKL-SVM的正则化参数和折衷参数，应用粒子群算法优 化广义多核支持向量机参数的方法亦优于传统获取参数的方法，基于该方法优化后的 GMKL-SVM具有比传统GMKL-SVM具有更高的性能，在用于故障诊断时，可以获得更高的诊断 正确率，可高效地检测出模拟电路的元件故障。
【附图说明】
[0015] 图1为本发明基于广义多核支持向量机的模拟电路故障诊断方法的流程图； 图2为两级四运放低通滤波器电路图。
【具体实施方式】
[0016] 下面结合附图和实施例对本发明进一步说明。
[0017] 参照图1，本发明由4个步骤构成，步骤1获取被测模拟电路的时域响应信号。步骤2 为对获取的故障响应信号（即步骤1中获取的时域响应信号)进行小波变换，计算小波系数 的能量作为特征参量，所有特征参量的集合即为样本数据。本实施例中具体为执行6层Harr 小波变换，获取6维的小波系数能量作为特征参量。步骤3为应用PS0算法优化GMKL-SVM的参 数，建立基于GMKL-SVM的故障诊断模型。步骤4为输出测试数据的诊断结果。
[0018] 步骤1中，获取时域响应信号，被测模拟电路只有一个输入端和一个输出端，输入 端通过脉冲激励，输出端采样电压信号。
[0019] 步骤2中，小波系数能量的计算方法如下： 信号f (X)的多分辨率分析中，设|Vk}kEZ是正交的多分辨率分析，{Wk}kEZ是相应分解的 小波空间，其中f (X)在vk上的正交投影表示为
其中分别表示f (X)在Vk+i和Wk+i上的投影，k和i为离散化参数，典+^和 ^,分别为在2k+1分辨率下的尺度函数和小波函数，4?和*Cl·分别是f (X)在2k+1分辨率 下的尺度系数和小波系数，ck+1和也+1分别为f (X)在2k+1分辨率下的逼近部分和细节部分， 即信号f (X)的低频分量和高频分量，Z表示实数。
[0020] 则小波系数的能量为：
其中η是小波系数的长度。
[0021 ] 步骤3中，GMKL-SVM故障模型采用多核学习方法(GMKL就是generalized multiple kernel learning，就是广义多核学习，其中学习二字在翻译的时候一般省略），多核学习方 法将多个核函数进行凸组合，多核包括如下： (a)为每个单独特征和整体特征，应用以2_3,2_2，···，26这10个数值为宽度的高斯核函 数。
[0022] (b)为每个单独特征和整体特征，应用以1，2，3数值为阶的多项式核函数。
[0023] 所述步骤(3)中，应用粒子群算法(particle swarm optimization，PSO)优化广义 多核支持向量机的正则化参数和折衷参数的具体步骤为： (3.1) 初始化PS0算法参数，包括位置、速度、寻优范围和迭代次数，其中将正则化参数 和折衷参数映射为粒子的二维位置； (3.2) 计算每一个粒子的适应度，根据适应度得出每一个粒子的个体最优位置和粒子 群的全局最优位置； (3.3) 对每一个粒子进行速度与位置的更新； (3.4) 重复(3.2)和(3.3)直至迭代结束，输出结果