057]第四步、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，所述测试样本xt属于240个测试样本。所述KNN距离公式为：
[0059] 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 〇
[0060] 如何选择一个最佳的K值取决于数据。一般情况下，在分类时，较大的K值能够减小 噪声对样本的影响，然而会增强类别间界限的模糊性;较小的K值会影响分类精度，同时放 大噪声数据的干扰。就目前的研究情况，还没有一个较为系统的方法进行K值的确定，所以 本方法中采用普遍的经验测试法进行Κ值的选取，既Κ一般选择不大于训练样本数的平方 根，且为整数。本实施例中，选取的训练样本数是360，平方根为
，所以应选取 的Κ值是[0，18 ]的整数，选取Κ值过程的对比数据如表3所示，由此本实施例选取Κ = 10时较 为理想。
[0061]第五步、根据分类函
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^的类型;dk(Xt， Xl)代表xt 与^之间的距离函数;Cl作为KNN的权重，将测试样本Xt与每个近邻训练样本Xl距离平方的 倒数作为加权系数，样本距离dk(xt，xi)越近，相似度Sim(x t，xi)越强，KNN的权重ci就越大。 10个训练样本中重复次数最多的类型(正常或故障)就是测试样本xt的类型，本实施例中，yt =1时，代表故障类(分类l);yt=-l时，代表正常类(分类2)。
[0062]为了更加充分证明本方法的有效性，故引入其他故障诊断方法如SVM、LSSVM、KNN、 WKNN、WLSSVM与本方法(WKNN-LSSVM)进行比较，得出最终结论。其中，图4和图5是借助 MatlabR2010b中的LSSVM工具箱建立LSSVM分类器得出的仿真图。图中横、纵坐标分别代表 归一化后的数据范围[_1，+1];圆圈和五角星两类标识分别代表故障类和正常类数据；中间 的分隔线作为LSSVM的分类超平面，由于本例中是二分类，所以分类超平面即为一条线;在 利用LSSVM的仿真过程中，我们选取RBF作为核函数类型，参数如γ=100, 〇2 = 12是在仿真 过程中训练得到的最优参数。判断支持向量机分类优越性的条件即（1)是否正确分开两类 数据，（2)以分类超平面为界，不同类别数据之间的距离要尽可能大。通过对比两个仿真图 图4和图5,可以看到图5中的分类超平面使得不同类间距明显大于图4中的不同类间距，所 以本方法的有效性高于单纯使用传统LSSVM分类方法的性能。另外，表2是对本例中提到的 所有故障诊断方法进行的总结对比，对比包括5项内容，训练集、测试集、分类数目、分类精 度以及计算运行速度。通过这些数据，再加上图4和图5的仿真对比曲线，可以得出本方法的 有效性在精度、运行速度、计算复杂度方面优于其他方法。
[0063]表 1
【主权项】
1. 一种基于WKNN-LSSVM的模拟电路故障诊断方法，其特征在于，包括如下步骤： 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； 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-score规范化处理，所述z-score规范化处理的表达函数为f = }'-Ρ,'(τ.将属性Y 的值基于平均值J和标准差曰规范化，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； 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：其中，ω请改进后的LSSVM分类器的权值向量；ω"是ω嘴转置形式；丫是惩罚系数；是加权系数，其中A = f是改进前LSSVM的松弛因3代表偏离高斯分布的程度;IQR代表数学中的四分位数间距，可反映测试系统变异程度的大 小;ci = 2.5，C2 = 3作为常数量；口Gy,.；)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;6^是改进后的155￥1分类器的偏移量；<是改进后的 LSSVM分类器的松弛因子；（xi，yi)代表第i个训练样本的数据集，其中xier是第i个训练样 本，yiER是第i个训练样本的类型； 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分类器的权值向量故准备，所述更新后的拉 格朗日公式为：其中：·代表损失函数； 所述改进后的LSSVM分类器的权重向量ω ^勺计算公式为：，其中，々/ =(巧Vo;，..，成）； 4) 、将改进后的LSSVM分类器的权重向量乍为改进K順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XI，所述类型包括正常和故障 两类，所述KNN距离公式为：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} ,Xl;p={xtl,Xt2, . . . ,Xtm}代表向量； 所述Κ值的选取采用经验测试法，既Κ选择不大于训练样本数的平方根，且为整数； 5) 、根据分类函数对测试样本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;Cl作为I^N的权重，将测试样本Xt与每个近邻训练样本XI距离平方的倒数作为加 权系数，样本距离dk(xt，xi)越近，相似度Sim(xt，xi)越强，K順的权重Ci就越大。2.根据权利要求1述的基于WK顺-LSSVM的模拟电路故障诊断方法，其特征在于：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：其中，0代表核函数宽度，xisr是第i个训练样本，xjer是第j 个训练样本。
【专利摘要】本发明涉及一种运行速度快、诊断精度高的基于WKNN-LSSVM的模拟电路故障诊断方法，其特征在于，包括如下步骤：利用电路仿真软件构建待诊断模拟电路，选取电路部分节点电压值的正常和故障数据作为试验数据，得到改进后的LSSVM分类器的数学模型，进而求解出拉格朗日乘子和改进后的LSSVM分类器的权重向量ω*，并将权重向量ω*作为改进KNN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K个已知类型的训练样本xi，再根据分类函数对测试样本xt进行正常类或故障类的判别。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。
【IPC分类】G01R31/3163, G06F17/50
【公开号】CN105572572
【申请号】CN201510962377
【发明人】张志强, 张爱华, 霍星, 陈晨
【申请人】渤海大学
【公开日】2016年5月11日
【申请日】2015年12月19日