基于wknn-lssvm的模拟电路故障诊断方法

文档序号:9791645阅读:697来源:国知局
基于wknn-lssvm的模拟电路故障诊断方法
【技术领域】
[0001 ]本发明涉及模拟电路故障诊断方法,特别是一种基于WKNN-LSSVM的模拟电路故障 诊断方法。
【背景技术】
[0002] 随着电子技术的飞速发展,模拟电路的广泛应用性、复杂度与密集度的不断增长 对其运行的可靠性要求也日益提高。在军工、航空航天等领域,模拟电路能否实现实时性能 的评测尤为重要。而模拟电路因其故障现象多样性、自身元件参数的容差性和广泛的非线 性,使得现有评测技术发展缓慢。目前,神经网络、模糊逻辑、遗传算法等智能技术的发展, 为模拟电路故障诊断提供了有效空间,其中神经网络与支持向量机(SVM)受到更为广阔的 研究与应用。
[0003] 《基于支持向量机的模拟电路故障诊断》(学术论文,出刊于工业控制计算机,2012 年,第11期)提出了基于标准支持向量机(SVM)的模拟电路故障诊断方法,在继承了低成本 的特点之上,进一步提高了诊断精度,但其现有的设计在运行速度、鲁棒性等现实问题上还 有待于提尚。
[0004] 为 了解决鲁棒性问题,《An instrumental least squares support vector machine for nonlinear system identification》(最小二乘支持向量机的非线性系统辨 识)(学术论文,出刊于Automatica,2015年,第54卷)提出了另一种改进版本的支持向量机 即标准最小二乘支持向量机(LSSVM)方法,其训练过程遵循结构风险最小化原理,利用等式 约束替代不等式约束,极大的提高了运算速度,结构参数可实现训练过程基于样本数据确 定的自主性,防止过拟合现象的发生,但LSSVM却存在以丢失标准支持向量的稀疏性为代价 的问题。此外,支持向量值的估计仅仅是高斯分布情况下的最优误差变量,当考虑奇异点或 者误差变量的高斯分布假设不成立时,LSSVM所采用的误差平方和评价函数会导致不稳健 的估计结果,这种弱鲁棒性缺点会对诊断精度带来极大影响。
[0005] ((Sparse approximation using least squares support vector machines〉〉(最 小二乘支持向量机的稀疏逼近)(学术论文,出刊于2000 IEEE International Symposium on,2000年,第2卷)、《A weighted support vector machine for data classification》 (基于加权支持向量的数据分类)(学术论文,出刊于International Journal of Pattern Recognition and Artificial Intelligence,2007年,第5期)分别提出稀疏近似策略和加 权支持向量机来解决LSSVM损失支持向量稀疏性的缺陷问题以及弱鲁棒性的问题。前一种 方法虽然在设定阈值约束下,可实现基于升序排列的去除,但仍然存在面临支持向量谱较 均匀情况下难于进行取舍等问题;后一种方法虽然在鲁棒性方面有所改善,但是最初的运 算速度问题还有待改进。与此同时,上述文献还存在理论上训练集的样本数越多,训练机所 获得的精度就越优的需求,但实践中,样本数目过高有可能成为机器学习的滞障。
[0006] K近邻分类KNN(K-nearest-neighbor)是一种最基本、简单的分类方法,其在分类 开发时需要分析的可靠参数估计的概率密度是未知的或难以确定的。未知的数据总是不可 避免的出现在电子系统运行期,如大量的计算量,无适应性的距离测量等,传统的分类方法 对这个问题感到很无助。
[0007] 综上,现有的模拟电路故障诊断方法仍待改进。

【发明内容】

[0008] 本发明的目的是针对现有模拟电路故障诊断方法存在的上述问题,提供一种运行 速度快、诊断精度高的基于WKNN-LSSVM的模拟电路故障诊断方法,可提高对模拟电路的复 杂性、多样性以及故障数据的非线性、容错性的适应性,保证诊断结果的可靠性。
[0009] 本发明的技术方案是:
[0010] 一种基于概NN-LSSVM的模拟电路故障诊断方法,其特征在于,包括如下步骤:
[0011] 1)、利用电路仿真软件构建待诊断模拟电路,并在线测试该电路的性能指标,即电 路的正常和故障特性,其中包括电路的正常和故障状态下波形、电路部分节点电压值的正 常和故障数据;
[0012] 2)、选取所述电路部分节点电压值的正常和故障数据作为试验数据,并将该试验 数据分别进行z-scre规范化处理,所述z-score规范化处理的表达函数为f = Γ-σ .将属 性Υ的值基于平均值F和标准差σ规范化,经过规范化处理后,得到位于[_1,+1]区间内的标 准化数据,在所述标准化数据中随机选取一部分作为训练样本,剩余部分作为测试样本; [0013] 3)、利用含有LSSVM工具箱的仿真软件建立LSSVM分类器的仿真程序,将上一步骤 中选取的训练样本输入到该仿真程序中得到LSSVM训练器,即改进后的LSSVM分类器,同时 得到训练样本的具体类型,所述具体类型包括正常和故障两种类型,所述改进后的LSSVM分 类器的数学模型为:
[0015]其中,是改进后的LSSVM分类器的权值向量;ω$τ是的转置形式;γ是惩罚系
加权系数,其中
是改进前LSSVM的松弛因子,
代表偏离高斯分布的程度,IQR代表数学中的四分位数间距,反映测试系统变异 程度的大小,C1 = 2.5,c2 = 3作为常数量;是非线性变换,目的是将原始空间数据映射 到高维空间,避免原始空间数据不可分的情况;Ρ是改进后的LSSVM分类器的偏移量; <是 改进后的LSSVM分类器的松弛因子;(Xl,yi)代表第i个训练样本的数据集,其中 XleRm是第i 个训练样本,是第i个训练样本的类型;
[0016]根据改进后的LSSVM分类器的数学模型得到更新后的拉格朗日公式,进而求解出 拉格朗日乘子为下一步计算改进后的LSSVM分类器的权值向量ω $做准备,所述更新后 的拉格朗日公式为:
[0019]所述改进后的LSSVM分类器的权重向量的计算公式为:
[0021 ] 4)、将改进后的LSSVM分类器的权重向量ω*作为改进ΚΝΝ距离公式中的特征权重, 找出距离未知类型的测试样本xt最近邻的Κ个已知类型的训练样本^,所述类型包括正常和 故障两类,所述KNN距离公式为:
[0023]其中,Xi:第i个训练样本;Xt:第t个测试样本;dk(xt,xi) :xt与Xi之间的距离;Xip = { Xil , Xi2 ,..., Xim} , Xtp - { Xtl,Xt2,· · ·,Xtm} 向 ;
[0024]所述K值的选取采用经验测试法,既K选择不大于训练样本数的平方根,且为整数;
.,
[0026] 对测试样本Xt进行正常类或故障类的判别,其中:yt代表测试样本类型;yi代表训 练样本xi的类型;dk(xt,xi)代表xt与xi之间的距离函数;ci作为KNN的权重,将测试样本x t与 每个近邻训练样本^距离平方的倒数作为加权系数,样本距离dk(Xt, Xl)越近,相似度Sim (xt,xi)越强,KNN的权重Ci就越大。
[0027] 上述的基于WKNN-LSSVM的模拟电路故障诊断方法,所述非线性变换采用径 向基RBF核函数,所述径向基RBF核函数的公式为:
[0028]
.其中,σ代表核函数宽度,ΧιΕΓ是第i个训练样本,X卢Γ 是第j个训练样本。
当前第1页1 2 3 
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