一种基于广义多核支持向量机的模拟电路故障诊断方法_2

文档序号:9786079阅读:来源:国知局

[0024] PS0算法的计算公式为:
其中,t是迭代的次数;i = ^,v是粒子群中粒子的数量;是粒子|的在寻优中 的位置;巧:是粒子在寻优中的速度;和:是加速因子:和6是〇_1之间的随机 数;.是惯性权重。是粒子在寻优过程中个体最优位置,雩是群体的全局最优位置。
[0025] 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)确定核函数类塑:
为多项式核函数建立 多核,其中*为当前输入数据,^为建立模型所用的样本数据,为高斯核函数的宽度因子, ff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%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:
其中艿ea-1}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,a = 是核函数的系 数,m=l,···,M,M是核函数的数量; (3. d)对GMKL-SVM进行训练,获得GMKL-SVM的参数皆、13和化,则决策函数f则可表示为
其中么Θ是映射函数,用于将原数据点映射至一个H i 1 b e r t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。
[0026] 所述步骤4中,输出测试数据的诊断结果是指输出诊断正确率。
[0027] 为展示本发明提出的基于广义多核支持向量机的模拟电路故障诊断方法过程与 性能,在此以一个实例说明。
[0028] 图2所示为两级四运放低通滤波器,各元件的标称值均于图上标出。以此电路为例 展示本发明提出的故障诊断方法的整个流程,激励源采用持续时间为l〇us,幅值为5v的脉 冲波,故障时域响应信号在电路输出端采样获得。电阻和电容的容差范围分别设置为5%和 10%。选择1?31,1?4,1?61,1?7丄,1?町,1?町,1?151,1?16丄,1?1耵,1?19丄,(:11,〇21,〇31,〇4丄和即一共 15种故障类别,其中丨和丨分别表示故障值高出和低于标称值,NF表示无故障。表1给出了电 路元件的故障码、故障类别、标称值和故障值。为每种故障类别分别采集100个数据,分成2 部分,前50个用于建立基于PS0算法优化参数后的GMKL-SVM故障诊断模型,后50个数据用于 测试该故障诊断模型的精度。
[0029] 表1故障码、故障类别、标称值和故障值
PSO算法中种群规模和迭代次数分别设置为10和100,加速因子均等于2,惯性权重由 0.95线性下降为0.4。在仿真中,寻优得到的正则化参数和折衷参数分别为65.2039和 0.5432 AMKL-SVM应用寻优得到的正则化参数和折衷参数后,进行故障诊断的测试。经测 试,故障诊断的结果如表2所示,经PS0算法参数选择后的GMKL-SVM故障诊断模型正确地识 别了所有的F0,FI,F2,F3,F5,F6,F7,F8,FI 1,F13和F14故障;错误地将2个F4故障识别为 F12故障,错误地将5个F9故障识别为F10故障,错误地将3个F10故障识别为F9故障,错误地 将3个F12故障识别为F4故障。可以认为,经PS0算法优化正则化参数和折衷参数后的GMKL-SVM故障诊断模型,在故障诊断中取得了较好的诊断效果。经计算,模拟电路的故障整体正 确诊断率可以达到98.3%。
[0030]表2各故障类别的诊断结果
为展示应用PSO算法优化参数后的GMKL-SVM方法的故障诊断性能,现将其与应用PSO算 法优化参数后的ANN方法(PS0-ANN)、应用PS0算法优化参数后的SVM方法(PS0-SVM)以及传 统的GMKL-SVM方法作故障诊断的性能对比实验。PSO-ΑΝΝ和PS0-SVM方法中PS0算法设置与 本发明中提出的优化GMKL-SVM参数的PS0算法设置一致,而传统GMKL-SVM方法中,其正则化 参数通过网格搜索方法获得,折衷参数则直接设置为0.5。测试数据使用之前的两级四运放 低通滤波器的故障诊断测试数据,测试的结果见表3。可以看出,同样是经过了PS0算法优化 参数的故障诊断方法,本发明提出的经PS0算法优化参数的GMKL-SVM方法故障诊断正确率 高于PSO-ΑΝΝ方法和PS0-SVM方法,这说明了 GMKL-SVM的识别故障能力优于ANN算法和SVM算 法。同时,本发明提出的经PS0算法优化参数的GMKL-SVM方法故障诊断正确率高于传统 GMKL-SVM方法,这说明本发明提出的PS0优化得到参数的方法优于传统的正则化参数和折 衷参数获取方法。
[0031] 表3对比实验的结果
【主权项】
1. 一种基于广义多核支持向量机的模拟电路故障诊断方法,其特征在于,包括W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的故障诊断模型; (4) W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。2. 根据权利要求1所述的基于广义多核支持向量机的模拟电路故障诊断方法,其特征 在于,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, 输出端义样电压信号。3. 根据权利要求1或2所述的基于广义多核支持向量机的模拟电路故障诊断方法,其特 征在于,所述步骤(2)中,对采样的电压信号进行化ar小波变换。4. 根据权利要求1所述的基于广义多核支持向量机的模拟电路故障诊断方法,其特征 在于,所述步骤(3)中,基于广义多核支持向量机的故障诊断模型采用多核学习方法,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,…,26运10个数值为宽度的高斯核; (b) 为每个单独特征和整体特征,应用W1,2,3数值为阶的多项式核。5. 根据权利要求4所述的基于广义多核支持向量机的模拟电路故障诊断方法,其特征 在于,所述步骤(3)中,应用粒子群算法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) 初始化粒子群算法参数,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。6. 根据权利要求5所述的基于广义多核支持向量机的模拟电路故障诊断方法,其特征 在于,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: W高斯核函鑽为多项式核函数建立多 核,其中X为当前输入数据,吗为建立模型所用的样本数据,分为高斯核函数的宽度因子, 皮为多项式核函数的阶次; (3.b)应用PSO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)W样本数据?;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:其中量权重,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,Η二的,…,地),?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进行训练,获得广义多核支持向量机的参数去、6和^,贝U 决策函数f则表示为其中耗0是映射函数,用于将原数据点映射至一个Η i 1 b e r t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。7.根据权利要求1或2所述的基于广义多核支持向量机的模拟电路故障诊断方法,其特 征在于,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。
【专利摘要】一种基于广义多核支持向量机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,即采集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PSO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GMKL-SVM的故障诊断模型;(4)以建立的基于GMKL-SVM的故障诊断模型作为分类器,对模拟电路的故障进行诊断。该发明中GMKL-SVM的分类性能优于其他的分类算法,同时应用PSO优化GMKL-SVM参数的方法亦优于传统获取参数的方法,可高效地检测出模拟电路的元件故障。
【IPC分类】G06K9/62, G01R31/316
【公开号】CN105548862
【申请号】CN201610056544
【发明人】何怡刚, 张朝龙, 李志刚, 佐磊
【申请人】合肥工业大学
【公开日】2016年5月4日
【申请日】2016年1月25日
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1